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.

# Uso de conjuntos de datos de serie temporal relacionada
<a name="related-time-series-datasets"></a>

Un conjunto de datos de serie temporal relacionada incluye datos de serie temporal que no se incluyen en un conjunto de datos de serie temporal de destino y que podría mejorar la precisión del predictor.

Por ejemplo, en el dominio de previsión de la demanda, un conjunto de datos de serie temporal de destino podría incluir las dimensiones `timestamp` y `item_id`, mientras que un conjunto de datos de serie temporal relacionada complementario también incluiría las siguientes características suplementarias: `item price`, `promotion` y `weather`.

Los conjuntos de datos de serie temporal relacionada pueden tener hasta 10 dimensiones de previsión (las mismas del conjunto de datos de serie temporal de destino) y hasta 13 entidades de serie temporal relacionada.

**Cuadernos de Python**  
Para obtener una guía paso a paso sobre el uso de conjuntos de datos de series temporales relacionadas, consulte [Incorporación de series temporales relacionadas](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb).

**Topics**
+ [Series temporales históricas y Forward-looking relacionadas](#related-time-series-historical-futurelooking)
+ [Validación de conjuntos de datos de serie temporal relacionada](#related-time-series-dataset-validation)
+ [Ejemplo: archivo de Forward-looking series temporales relacionadas](#related-time-series-example)
+ [Ejemplo: granularidad de la previsión](#related-time-series-granularity)
+ [Predictores heredados y series temporales relacionadas](#related-time-series-legacy)

## Series temporales históricas y Forward-looking relacionadas
<a name="related-time-series-historical-futurelooking"></a>

**nota**  
 Una serie temporal relacionada que contiene cualquier valor dentro del horizonte de previsión se considera una serie temporal prospectiva. 

 Las series temporales relacionadas se presentan de dos formas: 
+  **Series temporales históricas:** series temporales *sin* puntos de datos dentro del horizonte de previsión. 
+  **Forward-looking series temporales: series** temporales *con* puntos de datos dentro del horizonte de previsión. 

Las series temporales históricas relacionadas contienen puntos de datos hasta el horizonte de previsión y no contienen ningún punto de datos dentro del horizonte de previsión. Forward-looking Las series temporales relacionadas contienen puntos de datos hasta *y* dentro del horizonte de previsión. 

![Tres gráficos de series temporales que muestran datos objetivos, prospectivos e históricos con la ventana de previsión resaltada.](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/short-long-rts.png)


## Validación de conjuntos de datos de serie temporal relacionada
<a name="related-time-series-dataset-validation"></a>

Un conjunto de datos de serie temporal relacionada tiene las siguientes restricciones:
+ No puede incluir el valor de destino de la serie temporal de destino.
+ Debe incluir las dimensiones `item_id` y `timestamp`, y al menos una característica relacionada (por ejemplo, `price`).
+ Los datos de la característica de serie temporal relacionada deben ser del tipo `int` o `float`.
+ Para utilizar la serie temporal de destino completa, todos los artículos del conjunto de datos de series temporales de destino también deben incluirse en el conjunto de datos de series temporales relacionadas. Si una serie temporal relacionada solo contiene un subconjunto de artículos de la serie temporal de destino, la creación del modelo y la generación de previsiones se limitarán a ese subconjunto específico de artículos.

   Por ejemplo, si la serie temporal de destino contiene 1000 artículos y el conjunto de datos de series temporales relacionadas solo contiene 100 artículos, el modelo y las previsiones se basarán únicamente en esos 100 artículos. 
+ La frecuencia con la que se registran los datos en el conjunto de datos de serie temporal relacionado debe coincidir con el intervalo en el que desea generar las previsiones (la *granularidad*de la previsión).

  Por ejemplo, si desea generar previsiones con una granularidad semanal, la frecuencia con la que se registren los datos en las series temporales relacionadas también deberá ser semanal, incluso aunque loa datos se registren en la serie temporal de destino con una frecuencia diaria.
+ Los datos de cada artículo en el conjunto de datos de serie temporal relacionada deben tener una fecha de inicio igual o anterior al comienzo del `timestamp` del `item_id` correspondiente en el conjunto de datos de serie temporal de destino.

  Por ejemplo, si los datos de la serie temporal de destino de `socks` comienzan el 01-01-2019 y los datos de la serie temporal relacionada para `shoes` comienzan el 01-02-2019, los datos de la serie temporal relacionada para `socks` deben comenzar el 01-01-2019 o antes y los datos de `shoes` deben comenzar el 01-02-2019 o antes.
+ En el caso de los conjuntos de datos de series temporales relacionadas prospectivas, la última marca temporal de cada artículo debe coincidir con la última marca temporal del periodo de previsión designado por el usuario (denominado *horizonte de previsión*).

  En el archivo de serie temporal relacionada de ejemplo siguiente, los datos `timestamp` de los calcetines y los zapatos deben terminar el 01-07-2019 (la última marca temporal registrada) *más* el horizonte de previsión. Si la frecuencia de los datos en la serie temporal de destino es diaria y el horizonte de previsión es de 10 días, se deben proporcionar puntos de datos diarios en el archivo de la serie temporal relacionada prospectiva hasta el 11-07-2019.
+ En el caso de los conjuntos de datos de series temporales relacionadas históricas, la última marca temporal de cada artículo debe coincidir con la última marca temporal de la serie temporal de destino.

  En el archivo de serie temporal relacionada de ejemplo siguiente, los datos de `timestamp` de los calcetines y los zapatos deben terminar el 01/07/2019 (la última marca temporal registrada).
+ Las dimensiones de Forecast proporcionadas en el conjunto de datos de la serie temporal relacionada deben ser iguales o un subconjunto de las dimensiones designadas en el conjunto de datos de la serie temporal de destino.
+  No pueden faltar valores en las series temporales relacionadas. Para obtener más información sobre los valores faltantes en un conjunto de datos de series temporales relacionadas, consulte [Gestión de valores faltantes](howitworks-missing-values.md). 

## Ejemplo: archivo de Forward-looking series temporales relacionadas
<a name="related-time-series-example"></a>

En la siguiente tabla se muestra un archivo de conjunto de datos de serie temporal relacionada correctamente configurado. En este ejemplo, suponga lo siguiente:
+ El último punto de datos se registró en el conjunto de datos de serie temporal de destino el 01-07-2019.
+  El horizonte de previsión es de 10 días. 
+ La granularidad de la previsión es diaria (`D`). 

Una fila"`…`"indica todos los puntos de datos entre las filas anteriores y posteriores.


<table>
<thead>
  <tr><th>timestamp</th><th>item\_id</th><th>store</th><th>price</th></tr>
</thead>
<tbody>
  <tr><td>2019-01-01</td><td>calcetines</td><td>NYC</td><td>10</td></tr>
  <tr><td>2019-01-02</td><td>calcetines</td><td>NYC</td><td>10</td></tr>
  <tr><td>2019-01-03</td><td>calcetines</td><td>NYC</td><td>15</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-06-01</td><td>calcetines</td><td>NYC</td><td>10</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-07-01</td><td>calcetines</td><td>NYC</td><td>10</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-07-11</td><td>calcetines</td><td>NYC</td><td>20</td></tr>
  <tr><td>2019-01-05</td><td>calcetines</td><td>SFO</td><td>45</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-06-05</td><td>calcetines</td><td>SFO</td><td>10</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-07-01</td><td>calcetines</td><td>SFO</td><td>10</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-07-11</td><td>calcetines</td><td>SFO</td><td>30</td></tr>
  <tr><td>2019-02-01</td><td>zapatos</td><td>ORD</td><td>50</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-07-01</td><td>zapatos</td><td>ORD</td><td>75</td></tr>
  <tr><td>...</td><td></td><td></td><td></td></tr>
  <tr><td>2019-07-11</td><td>zapatos</td><td>ORD</td><td>60</td></tr>
</tbody>
</table>


## Ejemplo: granularidad de la previsión
<a name="related-time-series-granularity"></a>

En la tabla siguiente, se muestran las frecuencias de registro de datos compatibles con las series temporales de destino y las series temporales relacionadas para realizar previsiones con una granularidad semanal. Dado que los datos de un conjunto de datos de serie temporal relacionada no se pueden agregar, Forecast solo acepta una frecuencia de datos de serie temporal relacionada que sea la misma que la granularidad de la previsión elegida.


| Frecuencia de los datos de entrada de destino | Frecuencia de las series temporales relacionadas | Granularidad de la previsión | ¿Compatible con Forecast? | 
| --- | --- | --- | --- | 
| Por día | Weekly | Weekly | Sí | 
| Weekly | Weekly | Weekly | Sí | 
| N/A | Weekly | Weekly | Sí | 
| Por día | Por día | Weekly | No | 

## Predictores heredados y series temporales relacionadas
<a name="related-time-series-legacy"></a>

**nota**  
Para actualizar un predictor existente a AutoPredictor, consulte [Actualizando a AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)

[Al usar un predictor heredado, puede usar un conjunto de datos de series temporales relacionadas al entrenar un predictor con los [CNN-QR](aws-forecast-algo-cnnqr.md)algoritmos [DeepAr\+ y Prophet](aws-forecast-recipe-deeparplus.md).](aws-forecast-recipe-prophet.md) [NPTS](aws-forecast-recipe-npts.md), [ARIMA](aws-forecast-recipe-arima.md) y [ETS](aws-forecast-recipe-ets.md) no aceptan datos de series temporales relacionadas.

En la siguiente tabla se muestran los tipos de series temporales relacionadas que acepta cada algoritmo de Amazon Forecast. 


|  | CNN-QR | DeepAR\+ | Prophet | NPTS | ARIMA | ETS | 
| --- | --- | --- | --- | --- | --- | --- | 
| Series temporales relacionadas históricas | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | 
| Forward-looking series temporales relacionadas | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | ![](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png)  | 

 Al utilizar AutoML, puede proporcionar datos de series temporales relacionadas tanto históricas como prospectivas, y Forecast solo utilizará esas series temporales cuando proceda. 

 Si proporciona datos de series temporales relacionadas con *visión de futuro*, Forecast utilizará los datos relacionados con CNN-QR DeepAr\+ y Prophet, y no los utilizará con NPTS, ARIMA y ETS. Si se proporcionan datos *históricos* de series temporales relacionadas, Forecast utilizará los datos relacionados con DeepAr\+ CNN-QR, Prophet, NPTS, ARIMA y ETS, y no los utilizará con ellos.