Amazon Forecast ya no está disponible para nuevos clientes. Los clientes actuales de Amazon Forecast pueden seguir utilizando el servicio con normalidad. [Más información](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Algoritmos de Amazon Forecast
Un predictor de Amazon Forecast utiliza un algoritmo para entrenar un modelo con sus conjuntos de datos de series temporales. A continuación, el modelo entrenado se utiliza para generar métricas y predicciones.
Si no está seguro de qué algoritmo usar para entrenar su modelo, elija AutoML al crear un predictor y deje que Forecast entrene el modelo óptimo para sus conjuntos de datos. De lo contrario, puede seleccionar de forma manual uno de los algoritmos de Amazon Forecast.
**Cuadernos de Python**
Para obtener una step-by-step guía sobre el uso de AutoML, consulte [Introducción a AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Algoritmos de previsión integrados
Amazon Forecast ofrece seis algoritmos integrados entre los que puede elegir. Estos van desde algoritmos estadísticos de uso común, como Autoregressive Integrated Moving Average (ARIMA), hasta algoritmos complejos de redes neuronales, como CNN-QR y DeepAR\$1.
### [CNN-QR](aws-forecast-algo-cnnqr.md)
`arn:aws:forecast:::algorithm/CNN-QR`
Amazon Forecast CNN-QR, Red neuronal convolucional: regresión cuantil, es un algoritmo de aprendizaje automático patentado para pronosticar series temporales mediante redes neuronales convolucionales causales (). CNNs CNN-QR funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales. Acepta metadatos de artículos y es el único algoritmo de Forecast que acepta datos de series temporales relacionadas sin valores futuros.
### [DeepAR\$1](aws-forecast-recipe-deeparplus.md)
`arn:aws:forecast:::algorithm/Deep_AR_Plus`
Amazon Forecast DeepAr\$1 es un algoritmo de aprendizaje automático patentado para pronosticar series temporales mediante redes neuronales recurrentes (). RNNs DeepAR\$1 funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales de características. El algoritmo acepta series temporales y metadatos de artículos relacionados con el futuro.
### [Prophet](aws-forecast-recipe-prophet.md)
`arn:aws:forecast:::algorithm/Prophet`
Prophet es un algoritmo de previsión de series temporales basado en un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria. Funciona mejor con series temporales con fuertes efectos estacionales y con una cantidad de datos históricos que refleje varios periodos estacionales.
### [NPTS](aws-forecast-recipe-npts.md)
`arn:aws:forecast:::algorithm/NPTS`
El algoritmo patentado Non-Parametric Time Series (NPTS) de Amazon Forecast es un analista probabilístico escalable de referencia. El NPTS resulta especialmente útil cuando se trabaja con series temporales dispersas o intermitentes. Forecast proporciona cuatro variantes de algoritmo: NPTS estándar, NPTS estacional, Analista climatológico y Analista climatológico estacional.
### [ARIMA](aws-forecast-recipe-arima.md)
`arn:aws:forecast:::algorithm/ARIMA`
Autoregressive Integrated Moving Average (ARIMA) es un algoritmo estadístico local de uso común para la predicción de series temporales. Resulta especialmente útil para conjuntos de datos simples con menos de 100 series temporales.
### [ETS](aws-forecast-recipe-ets.md)
`arn:aws:forecast:::algorithm/ETS`
Suavizamiento exponencial (ETS) es un algoritmo estadístico local de uso común para la predicción de series temporales. El algoritmo es especialmente útil para conjuntos de datos simples con menos de 100 series temporales y conjuntos de datos con patrones de estacionalidad. El ETS calcula un promedio ponderado sobre todas las observaciones en el conjunto de datos de las series temporales como su predicción, y la ponderación decrece exponencialmente a lo largo del tiempo.
## Comparación de los algoritmos de Forecast
Utilice la siguiente tabla para encontrar la mejor opción para sus conjuntos de datos de series temporales.
| | Redes neuronales | Algoritmos locales flexibles | Algoritmo de referencia | | CNN-QR | DeepAR\$1 | Prophet | NPTS | ARIMA | ETS |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Proceso de entrenamiento computacionalmente intensivo | Alto | Alto | Medio | Bajo | Bajo | Bajo |
| Acepta series temporales relacionadas históricas\$1 | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Acepta series temporales relacionadas prospectivas\$1 | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Acepta metadatos de artículos (color del producto, marca, etc.) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Acepta las características integradas del índice meteorológico | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Adecuado para conjuntos de datos dispersos | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Realiza la optimización de hiperparámetros (HPO) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Permite anular los valores de hiperparámetros predeterminados | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
\$1Para obtener más información sobre series temporales relacionadas, consulte [Series temporales relacionadas](related-time-series-datasets.md).
# Algoritmo Autoregressive Integrated Moving Average (ARIMA)
Autoregressive Integrated Moving Average ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) es un algoritmo estadístico local de uso común para la predicción de series temporales. ARIMA captura estructuras temporales estándar (organizaciones con patrones de tiempo) en el conjunto de datos de entrada. El algoritmo ARIMA de Amazon Forecast llama a la [función Arima](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1) en el `Package 'forecast'` de Comprehensive R Archive Network (CRAN).
## Cómo funciona ARIMA
El algoritmo ARIMA es especialmente útil para conjuntos de datos que pueden ser mapeados a series temporales fijas. Las propiedades estadísticas de las series temporales fijas, como las autocorrelaciones, son independientes del tiempo. Los conjuntos de datos con series temporales fijas suelen contener una combinación de señal y ruido. La señal puede presentar un patrón de oscilación sinusoidal o tener un componente estacional. ARIMA actúa como un filtro para separar la señal del ruido y, a continuación, extrapola la señal en el futuro para realizar predicciones.
## Hiperparámetros y ajuste de ARIMA
Para obtener información sobre los hiperparámetros y el ajuste de ARIMA, consulte la documentación de la función `Arima` en el [paquete "forecast"](https://cran.r-project.org/web/packages/forecast/forecast.pdf) de [CRAN](https://cran.r-project.org).
Amazon Forecast convierte el parámetro `DataFrequency` especificado en la operación [CreateDataset](API_CreateDataset.md) en el parámetro `frequency` de la función R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) utilizando la siguiente tabla:
| DataFrequency (cadena) | Frecuencia R ts (entero) |
| --- | --- |
| A | 1 |
| M | 12 |
| S | 52 |
| D | 7 |
| H | 24 |
| 30 min | 2 |
| 15 min | 4 |
| 10 min | 6 |
| 5 min | 12 |
| 1 min | 60 |
Para frecuencias inferiores a 24 o series temporales cortas, los hiperparámetros se establecen con la función `auto.arima` de la `Package 'forecast'` de [CRAN](https://cran.r-project.org). Para frecuencias mayores o iguales que 24 y series temporales largas, utilizamos una serie Fourier con K = 4, tal y como se describe aquí, [Forecasting with long seasonal periods](https://robjhyndman.com/hyndsight/longseasonality/).
Las frecuencias de datos admitidas que no están en la tabla tienen una frecuencia `ts` predeterminada de 1.
# Algoritmo CNN-QR
Amazon Forecast CNN-QR, Red neuronal convolucional: regresión cuantil, es un algoritmo de aprendizaje automático patentado para pronosticar series temporales escalares (unidimensionales) mediante redes neuronales convolucionales causales (). CNNs Este algoritmo de aprendizaje supervisado entrena un modelo global a partir de una gran colección de series temporales y utiliza un decodificador de cuantiles para realizar predicciones probabilísticas.
**Topics**
+ [Introducción a CNN-QR](#aws-forecast-algo-cnnqr-getting-started)
+ [Cómo funciona CNN-QR](#aws-forecast-algo-cnnqr-how-it-works)
+ [Uso de datos relacionados con CNN-QR](#aws-forecast-algo-cnnqr-using-rts)
+ [Hiperparámetros CNN-QR](#aws-forecast-algo-cnnqr-hyperparameters)
+ [Consejos y prácticas recomendadas](#aws-forecast-algo-cnnqr-tips)
## Introducción a CNN-QR
Puede entrenar un predictor con CNN-QR de dos maneras:
1. Selección manual del algoritmo CNN-QR.
1. Selección de AutoML (CNN-QR forma parte de AutoML).
Si no está seguro del algoritmo que debe utilizar, le recomendamos que seleccione AutoML y Forecast seleccionará CNN-QR si es el algoritmo más preciso para sus datos. Para ver si se seleccionó CNN-QR como el modelo más preciso, utilice la API o elija el nombre del predictor en la consola. [DescribePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html)
Estos son algunos casos de uso clave de CNN-QR:
+ **Forecast con conjuntos de datos grandes y complejos**: CNN-QR funciona mejor cuando se entrena con conjuntos de datos grandes y complejos. La red neuronal puede aprender de muchos conjuntos de datos, lo que resulta útil cuando se tienen metadatos de artículos y series temporales relacionadas.
+ **Previsión con series temporales relacionadas históricas**: CNN-QR no requiere que las series temporales relacionadas contengan puntos de datos dentro del horizonte de previsión. Esta flexibilidad adicional le permite incluir una gama más amplia de series temporales y metadatos de artículos relacionados, como el precio de los artículos, los eventos, las métricas web y las categorías de productos.
## Cómo funciona CNN-QR
CNN-QR es un modelo sequence-to-sequence (Seq2Seq) de predicción probabilística que comprueba qué tan bien una predicción reconstruye la secuencia de decodificación, en función de la secuencia de codificación.
El algoritmo permite distintas características en las secuencias de codificación y decodificación, por lo que se puede utilizar una serie temporal relacionada en el codificador y omitirla del decodificador (y viceversa). De forma predeterminada, las series temporales relacionadas con puntos de datos en el horizonte de previsión se incluirán tanto en el codificador como en el decodificador. Las series temporales relacionadas de puntos de datos en el horizonte de previsión se incluirán solo en el codificador.
CNN-QR realiza una regresión cuantil con una CNN causal jerárquica que sirve como extractor de características que se pueden aprender.
Para facilitar patrones de aprendizaje que dependan del tiempo, como picos durante fines de semana, CNN-QR crea automáticamente series temporales basándose en la granularidad de las series temporales. Por ejemplo, CNN-QR crea dos series temporales de largometrajes (y) con una frecuencia semanal de series temporales. day-of-month day-of-year El algoritmo utiliza estas series temporales de características derivadas junto con la serie temporal de características personalizadas proporcionada durante el entrenamiento y la inferencia. En el siguiente ejemplo se muestra una serie temporal de destino, `zi,t`, y dos características de la serie temporal derivada: `ui,1,t` representa la hora del día y `ui,2,t` el día de la semana.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/cnnqr-time-frequencies.PNG)
CNN-QR incluye automáticamente estas series temporales de características basándose en la frecuencia de los datos y el tamaño de los datos de entrenamiento. En la siguiente tabla se muestran las características que se pueden derivar para cada frecuencia temporal básica admitida.
****
| Frecuencia de la serie temporal | Características derivadas |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Hora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Día | day-of-week, day-of-month, day-of-year |
| Semana | week-of-month, week-of-year |
| Mes | month-of-year |
Durante el entrenamiento, cada serie temporal del conjunto de datos de entrenamiento consta de un par de ventanas adyacentes de contexto y previsión con longitudes predefinidas fijas. Esto se muestra en la siguiente figura, donde la ventana de contexto se representa en verde y la ventana de previsión se representa en azul.
Puede utilizar un modelo entrenado en un determinado conjunto de entrenamiento para generar predicciones para series temporales en el conjunto de entrenamiento y para otras series temporales. El conjunto de datos de entrenamiento consiste en una serie temporal de destino, que puede estar asociada a una lista de series temporales y metadatos de artículos relacionados.
La siguiente figura muestra este funcionamiento para un elemento de un conjunto de datos de entrenamiento indexado con `i`. El conjunto de entrenamiento se compone de una serie temporal objetivo `zi,t` y dos series temporales relacionadas asociadas `xi,1,t` y `xi,2,t`. La primera serie temporal relacionada, `xi,1,t`, es una serie temporal prospectiva y la segunda, `xi,2,t`, es una serie temporal histórica.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/cnnqr-short-long-rts.png)
CNN-QR aprende sobre la serie temporal de destino, `zi,t`, y las series temporales relacionadas, `xi,1,t` y `xi,2,t`, para generar predicciones en el período de previsión, representada por la línea naranja.
## Uso de datos relacionados con CNN-QR
CNNQR admite conjuntos de datos de series temporales relacionadas tanto históricos como prospectivos. Si proporciona un conjunto de datos de series temporales relacionadas y prospectivas, cualquier valor que falte se rellenará mediante el [método de llenado futuro](howitworks-missing-values.md). Para obtener más información sobre series temporales relacionadas históricas y prospectivas, consulte [Uso de conjuntos de datos de series temporales relacionadas](related-time-series-datasets.md).
También puede usar conjuntos de datos de metadatos de artículos con CNN-QR. Se trata de conjuntos de datos con información estática sobre los artículos de su serie temporal de destino. Los metadatos de artículos son especialmente útiles para los escenarios de previsión incipiente en los que hay pocos o ningún dato histórico. [Para obtener más información sobre los metadatos de artículos, consulte Metadatos de artículos](item-metadata-datasets.md).
## Hiperparámetros CNN-QR
Amazon Forecast optimiza los modelos CNN-QR en hiperparámetros seleccionados. Al seleccionar CNN-QR manualmente, tiene la opción de transferir los parámetros de entrenamiento para estos hiperparámetros. En la siguiente tabla se muestran los hiperparámetros ajustables para el algoritmo CNN-QR.
| Nombre del parámetro | Valores | Descripción |
| --- | --- | --- |
| context\$1length | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | El número de puntos de tiempo que el modelo lee antes de realizar la predicción. Por lo general, CNN-QR tiene valores más altos para `context_length` que DeepAR\$1 porque CNN-QR no utiliza retrasos para analizar más datos históricos. Si el valor de `context_length` está fuera de un rango predefinido, CNN-QR establecerá automáticamente el valor predeterminado `context_length` en un valor adecuado. |
| use\$1related\$1data | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina qué tipos de datos de series temporales relacionadas se deben incluir en el modelo. Elija una de las cuatro opciones siguientes: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `HISTORICAL` incluye todas las series temporales relacionadas históricas y `FORWARD_LOOKING` incluye todas las series temporales relacionadas prospectivas. No puede elegir un subconjunto de series temporales relacionadas `HISTORICAL` ni `FORWARD_LOOKING`. |
| use\$1item\$1metadata | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina si el modelo incluye metadatos de artículo. Elija una de estas dos opciones: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `use_item_metadata` incluye todos los metadatos de artículos proporcionados o ninguno. No puede elegir un subconjunto de metadatos de artículos. |
| epochs | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | El número máximo de pasadas completas en los datos de capacitación. Los conjuntos de datos más pequeños requieren más épocas. Para valores grandes de `ForecastHorizon` y `context_length`, considere reducir las épocas para mejorar el tiempo de entrenamiento. |
### Optimización de hiperparámetros (HPO)
La optimización de hiperparámetros (HPO) es la tarea de elegir los valores de hiperparámetros óptimos para alcanzar un objetivo de aprendizaje específico. Con Forecast, puede automatizar este proceso de dos maneras:
1. Eligiendo AutoML, para que HPO se ejecute automáticamente para CNN-QR.
1. Realizando la selección manual de CNN-QR y estableciéndola en `PerformHPO = TRUE`.
Los metadatos de artículos y las series temporales relacionadas adicionales no siempre mejoran la precisión del modelo CNN-QR. Cuando ejecuta AutoML o habilita HPO, CNN-QR comprueba la precisión de su modelo con y sin las series temporales relacionadas y los metadatos de los artículos proporcionados, y selecciona el modelo con la mayor precisión.
Amazon Forecast optimiza automáticamente los tres hiperparámetros siguientes durante la HPO y le proporciona los valores finales entrenados:
+ **longitud\$1contexto**: determina cuán lejos puede ver la red en el pasado. El proceso de HPO establece automáticamente un valor `context_length` que maximiza la precisión del modelo y, al mismo tiempo, tiene en cuenta el tiempo de entrenamiento.
+ **usar\$1datos\$1relacionados**: determina qué tipos de datos de series temporales relacionadas se deben incluir en el modelo. El proceso de HPO comprueba automáticamente si los datos de series temporales relacionadas mejoran el modelo y selecciona la configuración óptima.
+ **usar\$1metadatos\$1artículos**: determina si se deben incluir los metadatos de artículos en el modelo. El proceso de HPO comprueba automáticamente si los metadatos de artículos mejoran el modelo y selecciona la configuración óptima.
**nota**
Si `use_related_data` se establece como `NONE` o `HISTORICAL` cuando se selecciona la característica complementaria `Holiday`, esto significa que incluir datos de festivos no mejora la precisión del modelo.
Puede establecer la configuración de HPO para el hiperparámetro `context_length` si establece `PerformHPO = TRUE` durante la selección manual. Sin embargo, no puede modificar ningún aspecto de la configuración de HPO si elige AutoML. Para obtener más información sobre la configuración de HPO, consulte la API. [IntergerParameterRange](https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html)
## Consejos y prácticas recomendadas
**Evite valores grandes para ForecastHorizon**: utilizar valores superiores a 100 `ForecastHorizon` aumentará el tiempo de entrenamiento y puede reducir la precisión del modelo. Si desea realizar previsiones en el futuro, considere agregar a una frecuencia superior. Por ejemplo, utilice `5min` en lugar de `1min`.
**CNNs permitir una longitud de contexto mayor**: con CNN-QR, puedes establecer una longitud `context_length` ligeramente superior a la de DeepAr\$1, ya que generalmente CNNs son más eficientes que. RNNs
**Ingeniería de características de datos relacionados**: experimente con diferentes combinaciones de series temporales y metadatos de artículos relacionados al entrenar su modelo y evalúe si la información adicional mejora la precisión. Las distintas combinaciones y transformaciones de series temporales y metadatos de artículos relacionados arrojarán resultados diferentes.
**CNN-QR no realiza pronósticos en función del cuantil medio**: si lo `ForecastTypes` configuras `mean` con la [ CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html)API, los pronósticos se generan en el cuantil medio (o). `0.5` `P50`
# Algoritmo DeepAR\$1
Amazon Forecast DeepAr\$1 es un algoritmo de aprendizaje supervisado para pronosticar series temporales escalares (unidimensionales) mediante redes neuronales recurrentes (). RNNs Los métodos de previsión clásicos, como el modelo autorregresivo integrado de media móvil (ARIMA) o el suavizamiento exponencial (ETS), encajan en un solo modelo para cada serie temporal individual y, a continuación, utilizan ese modelo para extrapolar la serie temporal en el futuro. En muchas aplicaciones, sin embargo, disponen de muchas series temporales similares en un conjunto de unidades transversales. Estas agrupaciones de series temporales exigen productos, cargas de servidor y solicitudes de páginas web diferentes. En este caso, puede ser beneficioso entrenar un modelo único de forma conjunta en todas las series temporales. DeepAR\$1toma este enfoque. Cuando el conjunto de datos contiene cientos de series temporales de características, el algoritmo DeepAR\$1 supera los métodos ARIMA y ETS estándar. También puede utilizar el modelo entrenado para generar previsiones de series temporales nuevas que son similares a las que se han entrenado.
**Cuadernos de Python**
Para obtener una step-by-step guía sobre el uso del algoritmo DeepAr\$1, consulta [Cómo empezar a](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb) usar DeepAr\$1.
**Topics**
+ [Cómo funciona DeepAR\$1](#aws-forecast-recipe-deeparplus-how-it-works)
+ [Hiperparámetros de DeepAR\$1](#aws-forecast-recipe-deeparplus-hyperparameters)
+ [Ajustar modelos DeepAR\$1](#aws-forecast-recipe-deeparplus-tune-model)
## Cómo funciona DeepAR\$1
Durante el entrenamiento, DeepAR\$1 utiliza un conjunto de datos de entrenamiento y un conjunto de datos de pruebas. Utiliza el conjunto de datos de pruebas para evaluar el modelo entrenado. En general, los conjuntos de datos de entrenamiento y de prueba no tienen que contener el mismo conjunto de series temporales. Puede utilizar un modelo capacitado en un determinado conjunto de capacitación para generar las previsiones para el futuro de las series temporales en el conjunto de capacitación y para otras series temporales. Tanto los conjuntos de datos de entrenamiento como de pruebas se componen de series temporales objetivo (preferiblemente más de una). Opcionalmente, se pueden asociar a un vector de series temporales de entidades y a un vector de características categóricas (para obtener más información, consulte [ Input/Output DeepAR](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput) Interface en *SageMaker la Guía para desarrolladores de IA*). En el siguiente ejemplo, se muestra su funcionamiento en un elemento de un conjunto de datos de entrenamiento indexado con `i`. El conjunto de entrenamiento se compone de una serie temporal objetivo `zi,t` y dos series temporales de características asociadas `xi,1,t` y `xi,2,t`.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.base.png)
La serie temporal objetivo puede contener valores que faltan (indicados en los gráficos por las interrupciones en la serie temporal). DeepAR\$1 solo admite series temporales de características que son conocidas en el futuro. Esto le permite ejecutar escenarios "hipotéticos" contrafactuales. Por ejemplo, "¿Qué ocurre si puedo cambiar el precio de un producto de algún modo?"
Cada serie temporal de destino también puede asociarse a un número de características categóricas. Puede utilizarlas para codificar que una serie temporal pertenece a determinadas agrupaciones. Usar características categóricas permite que el modelo aprenda el comportamiento típico de dichas agrupaciones, lo que puede aumentar la precisión. Para realizar la implementación, los modelos obtienen información de un vector de integración de cada grupo que captura las propiedades comunes de todas las series temporales del grupo.
Para facilitar patrones de aprendizaje que dependan del tiempo, como picos durante fines de semana, DeepAR\$1 crea automáticamente series temporales basándose en la granularidad de las series temporales. Por ejemplo, DeepAR\$1 crea dos series temporales de características (día del mes y día del año) a una frecuencia de serie temporal semanal. Utiliza estas series temporales de características derivadas junto con la serie temporal de características personalizadas que proporcione durante el entrenamiento y la inferencia. En el siguiente ejemplo se muestran dos características de la serie temporal derivada: `ui,1,t` representa la hora del día y `ui,2,t` el día de la semana.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.derived.png)
DeepAR\$1 incluye automáticamente estas series temporales de características basándose en la frecuencia de los datos y el tamaño de los datos de entrenamiento. En la siguiente tabla se muestran las características que se pueden derivar para cada frecuencia temporal básica admitida.
****
| Frecuencia de la serie temporal | Características derivadas |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Hora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Día | day-of-week, day-of-month, day-of-year |
| Semana | week-of-month, week-of-year |
| Mes | month-of-year |
Un modelo DeepAR\$1 se entrena realizando muestreos aleatorios de varios ejemplos de entrenamiento en cada una de las series temporales del conjunto de datos de entrenamiento. Cada ejemplo de capacitación se compone de un par de ventanas adyacentes de contexto y predicción con longitudes predefinidas fijas. El hiperparámetro `context_length` controla hasta qué punto del pasado puede ver la red y el parámetro `ForecastHorizon` controla hasta qué punto del futuro se pueden hacer predicciones. Durante el entrenamiento, Amazon Forecast no tiene en cuenta elementos del conjunto de datos de entrenamiento con series temporales más cortas que la longitud de predicción especificada. En el siguiente ejemplo, se presentan cinco muestras con una longitud de contexto de 12 horas (resaltado en verde) y una longitud de predicción de 6 horas (resaltado en azul), extraídas del elemento `i`. En aras de la brevedad, hemos excluido las series temporales de características `xi,1,t` y `ui,2,t`.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.sampled.png)
Para capturar los patrones de estacionalidad, DeepAR\$1 también incluye automáticamente valores atrasados (periodos pasados) procedentes de series temporales de destino. En nuestro ejemplo, que tiene muestras tomadas con una frecuencia de una hora, para cada índice temporal `t = T`, el modelo expone los valores de `zi,t`, que se produjeron aproximadamente hace uno, dos y tres días (resaltado en rosa).
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.lags.png)
Para la inferencia, el modelo entrenado toma como entrada la serie temporal objetivo, que puede haberse usado o no durante el entrenamiento y prevé una distribución de la probabilidad para los siguientes valores de `ForecastHorizon`. Dado que DeepAR\$1 se entrena en todo el conjunto de datos, la previsión tiene en cuenta los patrones aprendidos de series temporales similares.
Para obtener información sobre las operaciones matemáticas que se encuentran detrás de DeepAR\$1, consulte [DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks](https://arxiv.org/abs/1704.04110) (DeepAR: Previsión probabilística con redes recurrentes autorregresivas) en el sitio web de Cornell University Library.
## Hiperparámetros de DeepAR\$1
En la siguiente tabla se enumeran los hiperparámetros que puede usar en el algoritmo de DeepAR\$1. Los parámetros en negrita participan en la optimización de hiperparámetros (HPO).
| Nombre del parámetro | Description (Descripción) |
| --- | --- |
| context\$1length | El número de puntos de tiempo que el modelo lee antes de realizar la predicción. El valor de este parámetro debe ser básicamente el mismo que `ForecastHorizon`. El modelo también recibe las entradas con retraso desde el objetivo, por lo que `context_length` puede ser mucho menor que las temporadas normales. Por ejemplo, una serie temporal diario puede tener una temporada anual. El modelo incluye automáticamente un retardo de un año, de manera que la longitud del contexto puede ser inferior a un año. Los valores de retardo que elige el modelo dependen de la frecuencia de las series temporales. Por ejemplo, los valores de retardo para la frecuencia diaria son: la semana anterior, 2 semanas, 3 semanas, 4 semanas y el año. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| epochs | Número máximo de iteraciones que consultar en los datos de capacitación. El valor óptimo depende del tamaño de los datos y de la tasa de aprendizaje. Los conjuntos de datos más pequeños y las velocidades aprendizaje más lentas requieren más fechas de inicio ("epoch") para lograr buenos resultados. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate | La tasa de aprendizaje utilizada en la capacitación. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate\$1decay | La velocidad a la que disminuye el aprendizaje. Como mucho, la tasa de aprendizaje se reduce las veces indicadas en `max_learning_rate_decays` y, a continuación, el entrenamiento se detiene. Este parámetro solo se utilizará si `max_learning_rate_decays` es mayor que 0. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| likelihood | El modelo genera una previsión de probabilidad y puede proporcionar cuantiles de la distribución y devolver muestras. En función de sus datos, elija una probabilidad apropiada (modelo de ruido) que se utilice para estimaciones de incertidumbre. Valores válidos [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| max\$1learning\$1rate\$1decays | El número máximo de reducciones de tasa de aprendizaje que debe producirse. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1averaged\$1models | En DeepAR\$1, una trayectoria de entrenamiento puede encontrar varios modelos. Cada modelo podría tener diferentes puntos fuertes y débiles de previsión. DeepAR\$1 puede calcular la media de los comportamientos del modelo para aprovechar los puntos fuertes de todos los modelos. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1cells | El número de celdas que usar en cada capa oculta de la RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1layers | El número de capas ocultas en la RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
## Ajustar modelos DeepAR\$1
Para ajustar modelos DeepAR\$1 de Amazon Forecast, siga estas recomendaciones para optimizar el proceso de entrenamiento y la configuración de hardware.
### Prácticas recomendadas para la optimización de procesos
Para lograr los mejores resultados, siga estas recomendaciones:
+ Salvo cuando se dividan los conjuntos de datos de entrenamiento y pruebas, proporcione siempre series temporales completas para el entrenamiento y las pruebas, y cuando se llame al modelo para inferencias. Independientemente de cómo se establezca `context_length`, no divida la serie temporal ni proporcione solo una parte de ella. El modelo utilizará puntos de datos situados más atrás que `context_length` para la característica de valores con retraso.
+ Para el ajuste de modelos, puede dividir el conjunto de datos en conjuntos de datos de entrenamiento y pruebas. En un escenario de evaluación típico, debe probar el modelo en la misma serie temporal utilizada en el entrenamiento, pero en los puntos de tiempo de `ForecastHorizon` futuros, inmediatamente después del último punto de tiempo visible durante el entrenamiento. Para crear conjuntos de datos de entrenamiento y pruebas que se ajusten a estos criterios, utilice el conjunto de datos completo (todos los de la serie temporal) como un conjunto de datos de pruebas y elimine los últimos puntos de `ForecastHorizon` de cada serie temporal para el entrenamiento. De esta forma, durante el entrenamiento, el modelo no ve los valores objetivo de los puntos de tiempo en los que se evalúa durante las pruebas. En esta fase de pruebas, se conservan los últimos puntos de `ForecastHorizon` de cada serie temporal de conjunto de datos de pruebas y se genera una predicción. La previsión se comparará después con los valores reales de los últimos puntos de `ForecastHorizon`. Puede crear evaluaciones más complejas repitiendo series temporales varias veces en el conjunto de datos de pruebas, pero cortándolas en diferentes puntos finales. Esto produce métricas de precisión que se promedian sobre las múltiples previsiones de diferentes puntos de tiempo.
+ Evite utilizar valores muy grandes (> 400) para `ForecastHorizon`, ya que esto ralentiza el modelo y hace que resulte menos preciso. Si desea realizar previsiones en el futuro, considere agregar a una frecuencia superior. Por ejemplo, utilice `5min` en lugar de `1min`.
+ Debido a los retrasos, el modelo puede retroceder más en el tiempo que `context_length`. Por tanto, no tiene que establecer este parámetro en un valor grande. Un buen punto inicial para este parámetro es el mismo valor que `ForecastHorizon`.
+ Entrene modelos DeepAR\$1 con tantas series temporales como sea posible. Aunque un modelo DeepAR\$1 entrenado en una sola serie temporal ya podría funcionar bien, los métodos de previsión estándar como ARIMA o ETS podrían ser más precisos y estar más adaptados a este caso de uso. DeepAR\$1 empieza a superar los métodos estándar cuando el conjunto de datos contiene cientos de series temporales de características. En la actualidad, DeepAR\$1 requiere que el número total de observaciones disponibles en todas las series temporales de entrenamiento, sea al menos 300.
# Algoritmo de suavizamiento exponencial (ETS)
Suavizamiento exponencial [(ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) es un algoritmo estadístico local de uso común para la predicción de series temporales. El algoritmo de ETS de Amazon Forecast llama a la [función ets](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1) en el `Package 'forecast'` de Comprehensive R Archive Network (CRAN).
## Funcionamiento de ETS
El algoritmo ETS es especialmente útil para conjuntos de datos con estacionalidad y otras suposiciones previas sobre los datos. ETS calcula un promedio ponderado sobre todas las observaciones en el conjunto de datos de las series temporales de entrada como su predicción. Las ponderaciones disminuyen exponencialmente con el tiempo, en lugar de las ponderaciones constantes en los métodos de promedio móvil simple. Las ponderaciones dependen de un parámetro constante, conocido como parámetro de suavizamiento.
## Hiperparámetros y ajuste de ETS
Para obtener información sobre los hiperparámetros y el ajuste de ETS, consulte la documentación de la función `ets` en el [paquete "forecast"](https://cran.r-project.org/web/packages/forecast/forecast.pdf) de [CRAN](https://cran.r-project.org).
Amazon Forecast convierte el parámetro `DataFrequency` especificado en la operación [CreateDataset](API_CreateDataset.md) en el parámetro `frequency` de la función R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) utilizando la siguiente tabla:
| DataFrequency (cadena) | Frecuencia R ts (entero) |
| --- | --- |
| A | 1 |
| M | 12 |
| S | 52 |
| D | 7 |
| H | 24 |
| 30 min | 2 |
| 15 min | 4 |
| 10 min | 6 |
| 5 min | 12 |
| 1 min | 60 |
Las frecuencias de datos admitidas que no están en la tabla tienen una frecuencia `ts` predeterminada de 1.
# Algoritmo Non-Parametric Time Series (NPTS)
El algoritmo Non-Parametric Time Series (NPTS) de Amazon es un analista básico probabilístico escalable. Predice la distribución de valores futura de una serie temporal determinada mediante muestreos de observaciones pasadas. Las predicciones se rigen por los valores observados. NPTS resulta especialmente útil cuando la serie temporal es intermitente (o dispersa, que contiene muchos 0) y con ráfagas. Por ejemplo, la previsión de demanda de artículos individuales donde la serie temporal tiene muchos recuentos bajos. Amazon Forecast proporciona variantes de NPTS que se diferencian en qué últimas observaciones se muestran y cómo se muestrean. Para utilizar un variante de NPTS, seleccione una configuración de hiperparámetro.
## Funcionamiento de NPTS
Al igual que los métodos de previsión clásicos, como, por ejemplo, la estabilización exponencial (ETS) y el modelo autorregresivo integrado de media móvil (ARIMA), NPTS genera predicciones para cada serie temporal de manera individual. Las series temporales del conjunto de datos pueden tener diferentes longitudes. Los puntos de tiempo donde las observaciones están disponibles se denominan el rango de entrenamiento y los puntos de tiempo donde se desea la predicción se denominan rango de predicción.
Los analistas de NPTS de Amazon Forecast tienen las siguientes variantes: NPTS, NPTS estacionales, analista climatológico y analista climatológico estacional.
**Topics**
+ [NPTS](#aws-forecast-recipe-npts-variants-npts)
+ [NPTS estacional](#aws-forecast-recipe-npts-variants-seasonal)
+ [Analista climatológico](#aws-forecast-recipe-npts-variants-climatological)
+ [Analista climatológico estacional](#aws-forecast-recipe-npts-variants-seasonal-climatological)
+ [Características estacionales](#aws-forecast-recipe-npts-seasonal-features)
+ [Prácticas recomendadas](#aws-forecast-recipe-npts-recommended-practices)
### NPTS
En esta variante, las predicciones se generan por muestreo a partir de todas las observaciones del rango de entrenamiento de la serie temporal. Sin embargo, en lugar de realizar un muestreo de manera uniforme a partir de todas las observaciones, esta variante asigna ponderación a cada una de las últimas observaciones de acuerdo con la distancia en relación con el paso temporal actual en el que se necesita la predicción. En particular, utiliza ponderaciones que decaen exponencialmente de acuerdo con la distancia de las últimas observaciones. De esta forma, las observaciones del pasado reciente se muestran con mucho mayor probabilidad que las observaciones de un pasado lejano. Se presupone que el pasado cercano es más indicativo para el futuro que el pasado lejano. Puede controlar la cantidad de decadencia en las ponderaciones con el hiperparámetro `exp_kernel_weights`.
Para utilizar esta variante NPTS en Amazon Forecast, establezca el hiperparámetro `use_seasonal_model` en `False` y acepte el resto de la configuración predeterminada.
### NPTS estacional
La variante de NPTS estacional es similar a NPTS salvo que en lugar de realizar el muestreo a partir de todas las observaciones, utiliza únicamente las observaciones de las últimas *estaciones*. De forma predeterminada, la estación se determina en función del grado de detalle de la serie temporal. Por ejemplo, en el caso de una serie temporal por hora, para pronosticar una hora *t*, esta variante realiza un muestreo a partir de las observaciones que corresponden a la hora *t* en los últimos días. Al igual que NPTS, la observación en la hora *t* el día anterior tiene más ponderación que las observaciones en la hora *t* en días anteriores. Para obtener más información acerca de cómo determinar la estacionalidad en función del grado de detalle de la serie temporal, consulte [Características estacionales](#aws-forecast-recipe-npts-seasonal-features).
### Analista climatológico
La variante del analista estacional realiza un muestreo de todas las últimas observaciones con probabilidad uniforme.
Para utilizar el analista climatológico, establezca el hiperparámetro `kernel_type` en `uniform` y el hiperparámetro `use_seasonal_model` en `False`. Acepte los valores predeterminados para todos los demás hiperparámetros.
### Analista climatológico estacional
Al igual que la NPTS estacional, el analista climatológico estacional realiza un muestreo de las observaciones de estaciones anteriores, pero muestrearlos con probabilidad uniforme.
Para utilizar el analista climatológico estacional, establezca el hiperparámetro `kernel_type` en `uniform`. Acepte todos los otros valores predeterminados de todos los demás hiperparámetros.
### Características estacionales
Para determinar lo que corresponde a una estación para la NPTS estacional y el analista climatológico estacional, utilice las características que se muestran en la siguiente tabla. En la tabla se enumeran las características derivadas para las frecuencias temporales básicas admitidas, en función del grado de detalle. Amazon Forecast incluye estas series temporales de características, por lo que no tiene que facilitarlas.
****
| Frecuencia de la serie temporal | Característica para determinar estacionalidad |
| --- | --- |
| Minuto | minute-of-hour |
| Hora | hour-of-day |
| Día | day-of-week |
| Semana | day-of-month |
| Mes | month-of-year |
### Prácticas recomendadas
Cuando se utilizan los algoritmos de la NPTS de Amazon Forecast, tenga en cuenta las siguientes prácticas recomendadas para preparar los datos y lograr resultados óptimos:
+ Dado que NPTS genera predicciones para cada serie temporal de manera individual, proporcione toda la serie temporal cuando llame al modelo de predicción. Además, acepte el valor predeterminado del hiperparámetro `context_length`. Esto hace que el algoritmo utilice toda la serie temporal.
+ Si cambia el `context_length` (porque los datos de entrenamiento son demasiado largos), asegúrese de que es lo suficientemente grande y que cubre varias estaciones anteriores. Por ejemplo, en el caso de una serie temporal diaria, este valor debe ser al menos 365 días (siempre que tenga esa cantidad de datos).
## Hiperparámetros de NPTS
En la tabla siguiente, se enumeran los hiperparámetros que puede usar en el algoritmo de NPTS.
| Nombre del parámetro | Description (Descripción) |
| --- | --- |
| context\$1length | El número de puntos de tiempo en el pasado que el modelo utiliza para realizar la predicción. De forma predeterminada, utiliza todos los puntos de tiempo en el rango de entrenamiento. Normalmente, el valor de este hiperpoarámetro debe ser grande y debe cubrir varias estaciones anteriores. Por ejemplo, en el caso de la serie temporal diaria este valor debe ser al menos 365 días. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| kernel\$1type | El kernel que se va a utilizar para definir las ponderaciones usadas para el muestreo de las últimas observaciones. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| exp\$1kernel\$1weights | Solo es válido cuando `kernel_type` es `exponential`. El parámetro de escalado del kernel. Para una degradación (exponencial) más rápida en las ponderaciones facilitadas a las observaciones en el pasado remoto, utilice un valor grande. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1seasonal\$1model | Si se utiliza una variante estacional. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1default\$1time\$1features | Solo es válido para la *NPTS estacional *y las variantes del *analista climatológico estacional*. Si se utilizan características estacionales en función del grado de detalle de la serie temporal para determinar la estacionalidad. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
# Algoritmo Prophet
[Prophet](https://facebook.github.io/prophet/) es un conocido modelo local de series temporales estructurales bayesianas. El algoritmo Prophet de Amazon Forecast utiliza la [clase Prophet](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) de la implementación de Prophet en Python.
## Cómo funciona Prophet
Prophet es muy útil para conjuntos de datos:
+ Que contengan un periodo de tiempo extendido (meses o años) de observaciones históricas detalladas (por hora, día o semana)
+ Que tengan varias estacionalidades muy marcadas
+ Que incluyan eventos anteriormente conocidos importantes, pero irregulares
+ Que les falten puntos de datos o tengan casos atípicos grandes
+ Que tengan tendencias de crecimiento no lineal que se aproximen a un límite.
Prophet es un modelo de regresión aditiva con una tendencia de curva de crecimiento lineal o logística por partes. Incluye un componente estacional anual modelado usando series de Fourier y un componente estacional semanal modelado usando variables ficticias.
Para obtener más información, consulte [Prophet: previsión a gran escala](https://research.facebook.com/blog/2017/2/prophet-forecasting-at-scale/).
## Hiperparámetros de Prophet y series temporales relacionadas
Amazon Forecast utiliza los [hiperparámetros](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) de Prophet predeterminados. Prophet también admite series temporales relacionadas como características, proporcionadas a Amazon Forecast en el archivo CSV de serie temporal relacionada.