Автор: Команда машинного обучения TensorIoT
Amazon Forecast — это сервис машинного обучения Amazon Web Services (AWS), который использует как традиционные, так и новейшие передовые подходы к прогнозированию, чтобы сделать инструменты прогнозирования более доступными для широкой аудитории. Сервис AWS упрощает прием данных, предоставляет интерфейсы для моделирования временных рядов, связанных временных рядов и метаданных. Amazon Forecast предлагает пять алгоритмов прогнозирования для создания прогнозов и создания прогнозных моделей и прогнозов. Команда машинного обучения в TensorIoT использует Amazon Forecast для принятия обоснованных проектных решений и предоставления нашим клиентам продуктов самого высокого качества.
Прогнозные прогнозы применяются для принятия ключевых решений во многих областях бизнеса. Эти домены включают в себя; анализ финансового рынка, оценка выручки от продаж, кадровое обеспечение и управление цепочками поставок. Создание оценок будущего роста и спроса может привести к важным рыночным решениям, которые повлияют на расходы, продажи и эффективность. Создание точных моделей прогнозирования дает компаниям преимущество и обеспечивает значительную рентабельность инвестиций.
Методы, используемые в этой области, варьируются от простых средних прогнозов до методов регрессии с использованием моделирования сезонности и, в последнее время, сложных подходов глубокого обучения. Эти подходы сделали прогнозирование более эффективным и точным, особенно для больших и сложных наборов данных. Разработка высокоточных моделей требует значительных знаний в области науки о данных и анализа временных рядов. Процесс разработки этих моделей характеризуется многократными итерациями обработки данных и экспериментов для определения наиболее эффективных прогнозов.
Amazon Forecast — это сервис машинного обучения Amazon, в котором используются как традиционные, так и новейшие передовые подходы к прогнозированию, чтобы сделать эти инструменты более доступными для широкой аудитории. Эта служба упрощает прием данных, предоставляет интерфейсы для моделирования временных рядов, связанных временных рядов и метаданных, предлагает пять алгоритмов прогнозирования для создания прогнозов и создания прогнозных моделей и прогнозов. Все это делается с помощью набора удобных инструментов.
Для начала пользователь подготовит целевой файл временных рядов в указанном формате. Обычно используется стандартная дата, идентификатор товара и количество, а также необязательные связанные временные ряды. Например, соответствующие местоположения или категории продуктов, или пользователь может включать метаданные для элементов в целевом временном ряду. Доступные алгоритмы включают стандартные системы прогнозирования, такие как ARIMA, Prophet, ETS или NPTS, а также алгоритм глубокого обучения DeepAR+. DeepAR+ использует методы машинного обучения, называемые нейронными сетями, в частности LSTMS, которые оказались особенно эффективными при моделировании сложных и больших наборов данных временных рядов по множеству признаков. После выбора одного или нескольких алгоритмов для тестирования прогнозы можно создавать и экспортировать в хранилище AWS в S3 в формате csv, визуализировать в консоли или вызывать через API AWS.
TensorIoT создал решения с использованием Amazon Forecast для приложений в сфере финансовых услуг, розничной торговли и биотехнологий. Полностью управляемый инструмент позволил ускорить внедрение и повысить точность моделей прогнозов. Например, компания TensorIoT разработала решение Amazon Forecast для прогнозирования спроса на управление цепочками поставок для крупного клиента в сфере биотехнологий. Amazon Forecast использовался для прогнозирования будущего спроса для планирования производства. Это позволило нашему заказчику удовлетворить спрос и избежать перепроизводства. Процесс разработки начался со сбора и идентификации необходимых данных о транзакциях для прогнозирования спроса. Мы собрали и оценили временные метки даты, типы транзакций и информацию о местоположении, чтобы инициировать процесс. Процесс импорта в Amazon Forecast проверяет наборы данных и обеспечивает простой доступ к наборам данных и управление ими.
Затем нам нужно было определить, какие функции были релевантными и должны были быть включены в модель прогноза. Используя комбинацию статистических инструментов и знаний в предметной области, чтобы выделить соответствующие функции, мы определили необходимые компоненты. Общение с планировщиками спроса и тестирование функций, таких как коды продуктов или уровни запасов, чтобы увидеть, какое влияние данные оказывают на производительность модели, — это итеративный процесс. Возможность запускать и архивировать несколько конфигураций с разными наборами данных, управляемых через консоль, была удобной и упрощала экспериментирование с различными группами функций.
Наряду с комбинациями связанных временных рядов и данных элементов мы оценили гиперпараметры модели прогноза. Различные алгоритмы позволяют настраивать гиперпараметры. Поскольку алгоритм DeepAR+ был оптимальным алгоритмом для наших данных, мы протестировали гиперпараметры, включая скорость обучения, количество эпох и количество ячеек. Все они легко настраиваются, и параллельно можно тестировать до трех предикторов. Тестирование различных значений гиперпараметров имеет важное значение для настройки и выбора лучших моделей и привело к значительному улучшению наших прогнозов. Опция оптимизации гиперпараметров (HPO) для DeepAR+ автоматизирует поиск оптимальных гиперпараметров. Чтобы найти лучшие гиперпараметры для вашей модели, сосредоточьтесь на алгоритмах, наиболее подходящих для вашего набора данных.
Прогнозы Amazon Forecasts включают идентификатор, данные прогноза и три показателя P10, P50 и P90. P10 — это оценка, при которой 90 процентов прогнозируемых значений превышают значение. P50 — это оценка, при которой 50 процентов — это медианное значение, а P90 — это оценка, при которой 90 процентов прогнозируемых значений ниже значения. Лучшие модели были оценены путем сравнения точечных оценок P50 предсказанного прогноза с окном бэк-теста фактических исторических значений. Ошибка прогноза измеряется общими метриками, которые рассчитывают, насколько близки прогнозы прогнозов к фактическим историческим значениям в данном тестовом окне. MAPE (средняя ошибка в процентах) и WAPE (WMAPE, средневзвешенная ошибка в процентах) чаще всего используются для оценки эффективности модели прогнозирования. Для расчета точности мы используем 1-MAPE. Другими показателями, учитываемыми при оценке, являются систематическая ошибка, или среднее арифметическое ошибки, и средняя волатильность, соответствующая стандартному отклонению прогноза.
В нашем сравнении с более традиционными подходами к прогнозированию алгоритмы глубокого обучения Amazon Forecast постоянно превосходили существующие решения со значительным отрывом. Алгоритм DeepAR+ хорошо подходит для поиска оптимальных моделей для больших и сложных наборов данных с использованием множества функций. Эти модели могут интегрировать несколько временных рядов и переменных метаданных, что было бы очень сложно с традиционными моделями прогнозирования. Алгоритмы, доступные через Amazon Forecast, адаптированы к конкретным случаям использования в зависимости от сложности, размера, дисперсии данных или желания интегрировать другие типы данных с целевыми сериями, такими как погода, местоположения или группы продуктов. Параметр AutoML может автоматизировать исследование этих алгоритмов, автоматически запуская и оценивая производительность каждого метода для поиска оптимального подхода.
MAPE: 12,5
МАП: 4,47
Amazon Forecast предлагает ряд преимуществ по сравнению с другими инструментами прогнозирования: от базовых диаграмм Excel до общекорпоративных решений для совместного планирования спроса. Он предоставляет ряд простых и сложных алгоритмов для экспериментов и тестирования, чтобы найти структуру, которая лучше всего соответствует вашим данным. Это делает тестирование и экспериментирование масштабируемым, упрощая прием данных и управление ими, а также интерфейсы, которые позволяют легко изменять параметры. Механизм Amazon Forecast предлагает ключевую функциональность эффективных решений для прогнозирования: точный прогноз, который объединяет несколько типов функций, таких как целевые временные ряды, связанные временные ряды и метаданные элементов, гибкую и масштабируемую тестовую среду, а также возможность интеграции и развертывания решения для прогнозирования в облачный производственный конвейер. Сервис AWS Forecast разработан таким образом, чтобы быть удобным и легким для пользователя, облегчая инвестиции в внедрение и развертывание, что делает его одним из наиболее привлекательных вариантов прогнозирования на рынке.
