Amazon Forecast n'est plus disponible pour les nouveaux clients. Les clients existants d'Amazon Forecast peuvent continuer à utiliser le service normalement. [En savoir plus »](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/) Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Prédicteurs d'entraînement Un prédicteur est un modèle Amazon Forecast entraîné à l'aide de vos séries chronologiques cibles, des séries chronologiques associées, des métadonnées des articles et de tous les ensembles de données supplémentaires que vous incluez. Vous pouvez utiliser des prédicteurs pour générer des prévisions basées sur les données de vos séries chronologiques. Par défaut, Amazon Forecast crée un AutoPredictor, où Forecast applique la combinaison optimale d'algorithmes à chaque série chronologique de vos ensembles de données. **Topics** + [Création d'un prédicteur](#creating-predictors) + [Mise à niveau vers AutoPredictor](#upgrading-autopredictor) + [Agrégation de données pour différentes fréquences de prévision](data-aggregation.md) + [Utilisation d'ensembles de données supplémentaires](#using-additional-datasets) + [Utilisation des anciens prédicteurs](#legacy-predictors) + [Évaluation de la précision des prédicteurs](metrics.md) + [Prédicteurs de reconversion](retrain-predictors.md) + [Indice météo](weather.md) + [Fonctionnalité des fêtes](holidays.md) + [Explicabilité des prédicteurs](predictor-explainability.md) + [Surveillance des prédicteurs](predictor-monitoring.md) + [Algorithmes d'Amazon Forecast](aws-forecast-choosing-recipes.md) ## Création d'un prédicteur Amazon Forecast a besoin des entrées suivantes pour entraîner un prédicteur : + **Groupe de jeux** de données : groupe de jeux de données qui doit inclure un ensemble de données de séries chronologiques cible. Le jeu de données de séries chronologiques cible inclut l'attribut cible (`item_id`) et l'attribut timestamp, ainsi que toutes les dimensions. Les métadonnées relatives aux séries chronologiques et aux éléments sont facultatives. Pour de plus amples informations, veuillez consulter [Importation de jeux de données](howitworks-datasets-groups.md). + **Fréquence des prévisions** — La granularité de vos prévisions (horaire, quotidienne, hebdomadaire, etc.). Amazon Forecast vous permet de déterminer la granularité exacte de vos prévisions lorsque vous fournissez l'unité de fréquence et la valeur. Seules les valeurs entières sont autorisées [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/howitworks-predictor.html) Par exemple, si vous souhaitez obtenir des prévisions toutes les deux semaines, votre unité de fréquence est hebdomadaire et la valeur est 2. Ou, si vous voulez des prévisions trimestrielles, votre unité de fréquence est mensuelle et la valeur est 3. Lorsque vos données sont collectées à une fréquence supérieure à la fréquence des prévisions, elles sont agrégées à la fréquence des prévisions. Cela inclut les séries chronologiques de suivi et les données des séries chronologiques connexes. Pour plus d'informations sur l'agrégation, voir[Agrégation de données pour différentes fréquences de prévision](data-aggregation.md). + **Horizon de prévision** : nombre de pas temporels prévus. Vous pouvez également définir des valeurs pour les entrées facultatives suivantes : + **Limite d'alignement temporel** : limite de temps utilisée par Forecast pour agréger vos données et générer des prévisions conformes à la fréquence de prévision que vous spécifiez. Pour plus d'informations sur l'agrégation, voir[Agrégation de données pour différentes fréquences de prévision](data-aggregation.md). Pour plus d'informations sur la définition d'une limite de temps, voir[Limites de temps](data-aggregation.md#time-boundaries). + **Dimensions de prévision** : les dimensions sont des attributs facultatifs de votre jeu de données de séries chronologiques cible qui peuvent être utilisés en combinaison avec la valeur cible (`item_id`) pour créer des séries temporelles distinctes. + **Types de prévisions** : quantiles utilisés pour évaluer votre prédicteur. + **Métrique d'optimisation** : métrique de précision utilisée pour optimiser votre prédicteur. + **Ensembles de données supplémentaires : ensembles** de données Amazon Forecast intégrés, tels que le Weather Index et Holidays. Vous pouvez créer un prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast. ------ #### [ Console ] **Pour créer un prédicteur** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez **Train new predictor.** 1. Entrez des valeurs pour les champs obligatoires suivants : + **Nom : nom** unique du prédicteur. + **Fréquence des prévisions** : granularité de vos prévisions. + **Horizon de prévision** : nombre d'étapes temporelles à prévoir. 1. Sélectionnez **Démarrer**. Pour plus d'informations sur les ensembles de données supplémentaires, reportez-vous aux sections [Indice météo](weather.md) et[Fonctionnalité des fêtes](holidays.md). Pour en savoir plus sur la personnalisation des types de prévisions et des mesures d'optimisation, consultez[Évaluation de la précision des prédicteurs](metrics.md). ------ #### [ AWS CLI ] Pour créer un prédicteur automatique avec le AWS CLI, utilisez la `create-predictor` commande. Le code suivant crée un autoprédicteur qui fait des prévisions pour 14 jours dans le futur. Donnez un nom au prédicteur et à l'Amazon Resource Name (ARN) du groupe de données qui inclut vos données d'entraînement. Modifiez éventuellement l'horizon de prévision et la fréquence des prévisions. Ajoutez éventuellement des balises pour le prédicteur. Pour plus d'informations, voir [Balisage des ressources Amazon Forecast](tagging-forecast-resources.md). Pour plus d'informations sur les paramètres obligatoires et facultatifs, voir[CreateAutoPredictor](API_CreateAutoPredictor.md). ``` aws forecast create-predictor \ --predictor-name predictor_name \ --data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \ --forecast-horizon 14 \ --forecast-frequency D \ --tags Key=key1,Value=value1 Key=key2,Value=value2 ``` Pour en savoir plus sur la personnalisation des types de prévisions et des mesures d'optimisation, consultez [Évaluation de la précision des prédicteurs](metrics.md) The Weather Index et Holidays. Des ensembles de données supplémentaires sont définis dans le `DataConfig` type de données. Pour plus d'informations sur les ensembles de données supplémentaires, reportez-vous aux sections [Indice météo](weather.md) et[Fonctionnalité des fêtes](holidays.md). ------ #### [ Python ] Pour créer un prédicteur automatique avec le SDK pour Python (Boto3), utilisez la méthode. `create_auto_predictor` Le code suivant crée un autoprédicteur qui fait des prévisions pour 14 jours dans le futur. Donnez un nom au prédicteur et à l'Amazon Resource Name (ARN) du groupe de données qui inclut vos données d'entraînement. Modifiez éventuellement l'horizon de prévision et la fréquence des prévisions. Ajoutez éventuellement des balises pour le prédicteur. Pour plus d'informations, voir [Balisage des ressources Amazon Forecast](tagging-forecast-resources.md). Pour plus d'informations sur les paramètres obligatoires et facultatifs, voir[CreateAutoPredictor](API_CreateAutoPredictor.md). ``` import boto3 forecast = boto3.client('forecast') create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 14, ForecastFrequency = 'D', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, Tags = [ { "Key": "key1", "Value": "value1" }, { "Key": "key2", "Value": "value2" } ] ) print(create_predictor_response['PredictorArn']) ``` Pour en savoir plus sur la personnalisation des types de prévisions et des mesures d'optimisation, consultez [Évaluation de la précision des prédicteurs](metrics.md) The Weather Index et Holidays. Des ensembles de données supplémentaires sont définis dans le `DataConfig` type de données. Pour plus d'informations sur les ensembles de données supplémentaires, reportez-vous aux sections [Indice météo](weather.md) et[Fonctionnalité des fêtes](holidays.md). ------ ## Mise à niveau vers AutoPredictor **Carnets en Python** Pour obtenir un step-by-step guide sur la mise à niveau d'un prédicteur vers AutoPredictor, consultez la section [Mise à niveau d'un prédicteur](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) vers. AutoPredictor Les prédicteurs créés avec AutoML ou la sélection manuelle CreatePredictor () peuvent être mis à niveau vers un. AutoPredictor La mise à niveau d'un existant vers AutoPredictor transférera tous les paramètres de configuration du prédicteur pertinents. Après la mise à niveau vers AutoPredictor, le prédicteur d'origine restera actif et le prédicteur mis à niveau aura un ARN de prédicteur distinct. Cela vous permet de comparer les mesures de précision entre les deux prédicteurs, et vous pouvez toujours générer des prévisions avec le prédicteur d'origine. Vous pouvez mettre à niveau un prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast. ------ #### [ Console ] **Pour mettre à niveau un prédicteur** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez le prédicteur à mettre à niveau, puis choisissez **Upgrade**. 1. Définissez un nom unique pour le prédicteur mis à niveau. 1. Choisissez **Mettre à niveau vers AutoPredictor**. ------ #### [ CLI ] Pour mettre à niveau un prédicteur avec le AWS CLI, utilisez la `create-predictor` méthode, mais spécifiez *uniquement* le nom du prédicteur et la valeur de `reference-predictor-arn` (l'ARN du prédicteur que vous souhaitez mettre à niveau). ``` aws forecast create-predictor \ --predictor-name predictor_name \ --reference-predictor-arn arn:aws:forecast:region:account:predictor/predictorName ``` ------ #### [ Python ] Pour mettre à niveau un prédicteur avec le SDK pour Python (Boto3), `create_auto_predictor` utilisez la méthode, *mais* spécifiez uniquement le nom du prédicteur et la `ReferencePredictorArn` valeur de (l'ARN du prédicteur que vous souhaitez mettre à niveau). ``` import boto3 forecast = boto3.client('forecast') create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ReferencePredictorArn = 'arn:aws:forecast:region:account:predictor/predictorName' ) print(create_predictor_response['PredictorArn']) ``` ------ # Agrégation de données pour différentes fréquences de prévision Lorsque vous créez un prédicteur, vous devez spécifier une fréquence de prévision. La fréquence de prévision détermine la fréquence des prédictions figurant dans vos prévisions. Par exemple, les prévisions de ventes mensuelles. Les prédicteurs Amazon Forecast peuvent générer des prévisions pour des fréquences de données supérieures à la fréquence de prévision que vous spécifiez. Par exemple, vous pouvez générer des prévisions hebdomadaires même si vos données sont enregistrées quotidiennement. Pendant l'entraînement, Forecast agrège les données quotidiennes pour générer des prévisions à la fréquence hebdomadaire des prévisions. **Topics** + [Comment fonctionne l'agrégation](how-aggregation-works.md) + [Limites de temps](#time-boundaries) + [Hypothèses d'agrégation des](aggregation-guidelines.md) # Comment fonctionne l'agrégation Pendant l'entraînement, Amazon Forecast agrège toutes les données qui ne correspondent pas à la fréquence de prévision que vous spécifiez. Par exemple, vous pouvez disposer de certaines données quotidiennes mais spécifier une fréquence de prévision hebdomadaire. Forecast aligne les données quotidiennes en fonction de la semaine à laquelle elles appartiennent. Forecast le combine ensuite en un seul enregistrement pour chaque semaine. Forecast détermine à quelle semaine (ou mois, jour, etc.) appartiennent les données en fonction de leur relation avec une limite temporelle. Les limites temporelles indiquent le début d'une unité de temps, par exemple à quelle heure commence une journée ou quel jour commence une semaine. Pour les prévisions horaires et minutes, ou pour les limites de temps non spécifiées, Forecast utilise une limite de temps par défaut basée sur l'unité de temps de votre fréquence. Pour les prédicteurs automatiques avec des fréquences de prévision quotidiennes, hebdomadaires, mensuelles ou annuelles, vous pouvez définir une limite de temps personnalisée. Pour plus d'informations sur les limites temporelles, voir[Limites de temps](data-aggregation.md#time-boundaries). Lors de l'agrégation, la méthode de transformation par défaut consiste à additionner les données. Vous pouvez configurer la transformation lorsque vous créez votre prédicteur. Pour ce faire, rendez-vous dans la section **Configuration des données d'entrée** de la page **Create predictor** de la console Forecast. Vous pouvez également définir la méthode de transformation dans le `Transformations` paramètre [AttributeConfig](API_AttributeConfig.md) de l' CreateAutoPredictor opération. Les tableaux suivants présentent un exemple d'agrégation pour une fréquence de prévision horaire en utilisant la limite de temps par défaut : Chaque heure commence au début de l'heure. **Pré-transformation** | Heure | Données | Au début de l'heure | | --- | --- | --- | | 2018-03-03 01:00:00 | 100 | Oui | | 2018-03-03 02:20:00 | 50 | Non | | 2018-03-03 02:45:00 | 20 | Non | | 2018-03-03 04:00:00 | 120 | Oui | **Post-transformation** | Heure | Données | Remarques | | --- | --- | --- | | 2018-03-03 01:00:00 | 100 | | | 2018-03-03 02:00:00 | 70 | Somme des valeurs comprises entre 02:00:00 et 02:59:59 (50 \$1 20) | | 2018-03-03 03:00:00 | Vide | Aucune valeur comprise entre 03:00:00 et 03:59:59 | | 2018-03-03 04:00:00 | 120 | | La figure suivante montre comment Forecast transforme les données pour les adapter à la limite horaire hebdomadaire par défaut. ![\[Raw sales data points transformed into a smooth demand time series curve over weekly intervals.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/data-alignment.png) ## Limites de temps Les limites temporelles indiquent le début d'une unité de temps, par exemple le jour où commence la semaine. Avant d'agréger vos données, Amazon Forecast aligne les données en fonction de l'unité de temps correspondant à la fréquence de vos prévisions. Il le fait en fonction de la relation entre les données et une limite temporelle. Par exemple, si vous spécifiez une fréquence de prévision quotidienne mais pas votre propre limite horaire, Forecast aligne chaque enregistrement horaire en fonction du jour auquel il appartient. Chaque journée commence à 0 heure. La définition du début de la journée, 0 heure, est la limite de temps. Forecast agrège ensuite les enregistrements horaires en un seul enregistrement pour ce jour. Forecast utilise une limite de temps par défaut basée sur l'unité de temps de votre fréquence de prévision. Si vous créez un indicateur automatique, vous pouvez définir une limite de temps personnalisée. Si vous spécifiez à la fois une limite de temps personnalisée et une fréquence de prévision personnalisée, Forecast agrège vos données dans le cadre de la fréquence de prévision et les aligne sur la limite de temps personnalisée. La fréquence des prévisions détermine la fréquence à laquelle les données sont agrégées, tandis que la limite de temps personnalisée détermine l'emplacement de l'alignement. Supposons, par exemple, que vos données soient collectées quotidiennement et que vous souhaitez qu'Amazon Forecast génère des prévisions trimestrielles le 15 du mois pendant un an. Pour ce faire, définissez la fréquence des prévisions tous les 3 mois et la limite de temps personnalisée sur 15. Consultez l' AWS Command Line Interface exemple suivant. ``` aws forecast create-predictor \ --predictor-name predictor_name \ --data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \ --forecast-horizon 4 \ --forecast-frequency 3M \ --time-alignment-boundary DayOfMonth=15 ``` Dans cet exemple, toutes les données quotidiennes sont additionnées (agrégation par défaut) au 15 de chaque troisième mois. Notez que cette agrégation ne nécessite pas de données quotidiennes, mais simplement que les données sont collectées mensuellement ou plus fréquemment. **Topics** + [Limites temporelles par défaut](#default-time-boundaries) + [Spécifier une limite de temps](#specifying-time-boundary) ### Limites temporelles par défaut Le tableau suivant répertorie les limites d'alignement temporel par défaut utilisées par Forecast lors de l'agrégation des données. | Fréquence | Boundary | | --- | --- | | Minute | Dernier début de la minute (45:00, 06:00) | | Heure | Dernier début d'heure (09:00, 13:00:00) | | jour | Première heure de la journée (heure 0) | | semaine | Dernier lundi | | Mois | Premier jour du mois | | Année | Premier jour de l'année (1er janvier) | ### Spécifier une limite de temps **Note** Vous ne pouvez spécifier une limite de temps que pour un autoprédicteur. Lorsque vous créez un indicateur automatique avec une fréquence de prévision quotidienne, hebdomadaire, mensuelle ou annuelle, vous pouvez spécifier la limite de temps que Forecast utilise pour agréger les données. Vous pouvez spécifier une limite de temps si votre calendrier professionnel ne correspond pas aux limites de temps par défaut. Par exemple, vous souhaiterez peut-être générer des prévisions mensuelles dans lesquelles chaque mois commence le troisième jour du mois. Si vous ne spécifiez pas de limite temporelle, Forecast utilise un ensemble de[Limites temporelles par défaut](#default-time-boundaries). L'unité de limite de temps que vous spécifiez doit être supérieure d'une unité à votre fréquence de prévision. Le tableau suivant répertorie les unités de limite de temps et les valeurs que vous pouvez spécifier, organisées par fréquence de prévision. Vous ne pouvez spécifier qu'une limite de `Monthly` temps dont la valeur limite est inférieure `28` ou égale à. | Unité de fréquence de prévision | Unité de délimitation | Valeurs limites | | --- | --- | --- | | Chaque jour | Heure | 0-23 | | Hebdomadaire | Jour de la semaine | Du lundi au dimanche | | Mensuel | Jour du mois | 1 à 28 | | Annuel | Mois | De janvier à décembre | Vous spécifiez une limite d'alignement temporel lorsque vous créez un prédicteur comme suit. Pour plus d'informations sur les différentes unités de limite de temps et les différentes valeurs limites que vous pouvez spécifier par programmation, voir. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md) ------ #### [ Console ] **** **Pour spécifier une limite d'alignement temporel pour un prédicteur** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez **Train new predictor.** 1. Fournissez des valeurs pour les champs obligatoires **Name**, **Forecast frequency** et **Forecast Horizon**. 1. Pour **Limite d'alignement temporel**, spécifiez la limite temporelle que le prédicteur utilisera lors de l'agrégation de vos données. Les valeurs de cette liste dépendent de la **fréquence Forecast** que vous choisissez. 1. Sélectionnez **Démarrer**. Forecast agrège les données en utilisant la limite d'alignement temporel que vous spécifiez lors de la création de votre prédicteur. ------ #### [ AWS CLI ] Pour spécifier une limite d'alignement temporel pour un prédicteur avec le AWS CLI, utilisez la `create-predictor` commande. Pour le `time-alignment-boundary` paramètre, indiquez l'unité de temps et la valeur limite. Le code suivant crée un indicateur automatique qui fait des prédictions pour les 5 semaines à venir, chaque semaine commençant un mardi. `DayOfWeek`et `DayOfMonth` les valeurs doivent être entièrement en majuscules. Pour plus d'informations sur les différentes unités de limite de temps et les différentes valeurs limites que vous pouvez spécifier, voir[TimeAlignmentBoundary](API_TimeAlignmentBoundary.md). Pour plus d'informations sur les paramètres obligatoires et facultatifs, consultez[CreateAutoPredictor](API_CreateAutoPredictor.md). ``` aws forecast create-predictor \ --predictor-name predictor_name \ --data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \ --forecast-horizon 5 \ --forecast-frequency W \ --time-alignment-boundary DayOfWeek=TUESDAY ``` ------ #### [ Python ] Pour spécifier une limite d'alignement temporel pour un prédicteur avec le SDK pour Python (Boto3), utilisez la méthode. `create_auto_predictor` Pour le `TimeAlignmentBoundary` paramètre, fournissez un dictionnaire avec l'unité de temps comme clé et la valeur limite comme valeur. Le code suivant crée un indicateur automatique qui fait des prédictions pour les 5 semaines à venir, chaque semaine commençant un mardi. `DayOfWeek`et `DayOfMonth` les valeurs doivent être entièrement en majuscules. Pour plus d'informations sur les différentes unités de limite de temps et les différentes valeurs limites que vous pouvez spécifier, voir[TimeAlignmentBoundary](API_TimeAlignmentBoundary.md). Pour plus d'informations sur les paramètres obligatoires et facultatifs, consultez[CreateAutoPredictor](API_CreateAutoPredictor.md). ``` import boto3 forecast = boto3.client('forecast') create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 5, ForecastFrequency = 'W', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, TimeAlignmentBoundary = { "DayOfWeek": "TUESDAY" } ) print(create_predictor_response['PredictorArn']) ``` ------ # Hypothèses d'agrégation des Forecast ne part pas du principe que vos données proviennent d'un fuseau horaire spécifique. Toutefois, il effectue les hypothèses suivantes lors de l'agrégation de données de série chronologique : + Toutes les données proviennent du même fuseau horaire. + Toutes les prévisions se trouvent dans le même fuseau horaire que les données de l'ensemble de données. + Si vous spécifiez la fonction de jour férié [SupplementaryFeature](API_SupplementaryFeature.md)dans le paramètre [InputDataConfig](API_InputDataConfig.md) pour l'opération [CreatePredictor](API_CreatePredictor.md), les données d'entrée proviennent du même pays. ## Utilisation d'ensembles de données supplémentaires Amazon Forecast peut inclure l'indice météo et les jours fériés lors de la création de votre prédicteur. L'indice météorologique intègre des informations météorologiques dans votre modèle et Holidays intègre des informations concernant les fêtes nationales. L'indice météo nécessite un attribut de « géolocalisation » dans votre jeu de données de séries chronologiques cible et des informations concernant les fuseaux horaires pour vos horodatages. Pour de plus amples informations, veuillez consulter [Indice météo](weather.md). Holidays inclut des informations sur les vacances dans plus de 250 pays. Pour de plus amples informations, veuillez consulter [Fonctionnalité des fêtes](holidays.md). ## Utilisation des anciens prédicteurs **Note** Pour mettre à niveau un prédicteur existant vers AutoPredictor, voir [Mise à niveau vers AutoPredictor](#upgrading-autopredictor) AutoPredictor est la méthode par défaut et préférée pour créer un prédicteur avec Amazon Forecast. AutoPredictor crée des prédicteurs en appliquant la combinaison optimale d'algorithmes pour chaque série chronologique de votre jeu de données. Les prédicteurs créés avec AutoPredictor sont généralement plus précis que les prédicteurs créés avec AutoML ou la sélection manuelle. Les fonctionnalités Forecast Explainability et de réentraînement des prédicteurs ne sont disponibles que pour les prédicteurs créés avec. AutoPredictor Amazon Forecast peut également créer d'anciens prédicteurs de la manière suivante : 1. **AutoML -** Forecast trouve l'algorithme le plus performant et l'applique à l'ensemble de votre ensemble de données. 1. **Sélection manuelle** : choisissez manuellement un algorithme unique qui sera appliqué à l'ensemble de votre ensemble de données. Vous pourrez peut-être créer un prédicteur existant à l'aide du kit de développement logiciel (SDK). ------ #### [ SDK ] **Pour utiliser AutoML** À l'aide de cette [`CreatePredictor`](API_CreatePredictor.md)opération, définissez la valeur de `PerformAutoML` à`"true"`. ``` { ... "PerformAutoML": "true", } ``` Si vous utilisez AutoML, vous ne pouvez pas définir de valeur pour les CreatePredictor paramètres suivants :`AlgorithmArn`,,`HPOConfig`. `TrainingParameters` ------ # Évaluation de la précision des prédicteurs Amazon Forecast produit des mesures de précision pour évaluer les prédicteurs et vous aider à choisir ceux à utiliser pour générer des prévisions. Forecast évalue les prédicteurs à l'aide des métriques Root Mean Square Error (RMSE), Weighted Quantile Loss (wQL), Mean Absolute Pourcentage Error (MAPE), Mean Absolute Scaled Error (MASE) et Weighted Absolute Pourcentage Error (WAPE). Amazon Forecast utilise le backtesting pour ajuster les paramètres et produire des indicateurs de précision. Lors du backtesting, Forecast divise automatiquement les données de vos séries chronologiques en deux ensembles : un ensemble d'entraînement et un ensemble de test. L'ensemble d'apprentissage est utilisé pour entraîner un modèle et générer des prévisions pour les points de données du jeu de test. Forecast évalue la précision du modèle en comparant les valeurs prévisionnelles aux valeurs observées dans le kit de test. Forecast vous permet d'évaluer des prédicteurs à l'aide de différents types de prévisions, qui peuvent être un ensemble de prévisions quantiles et la prévision moyenne. La prévision moyenne fournit une estimation ponctuelle, tandis que les prévisions quantiles fournissent généralement une gamme de résultats possibles. **Carnets en Python** Pour un step-by-step guide sur l'évaluation des indicateurs prédictifs, voir [Calcul des métriques à l'aide de backtests au niveau des éléments](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb). . **Topics** + [Interprétation des mesures de précision](#predictor-metrics) + [Perte quantile pondérée (qQL)](#metrics-wQL) + [Pourcentage d'erreur absolu pondéré (WAPE)](#metrics-WAPE) + [Erreur quadratique moyenne (RMSE)](#metrics-RMSE) + [Pourcentage d'erreur absolu moyen (MAPE)](#metrics-mape) + [Erreur d'échelle absolue moyenne (MASE)](#metrics-mase) + [Exportation de mesures de précision](#backtest-exports) + [Choix des types de prévisions](#forecast-types) + [Utilisation des anciens prédicteurs](#legacy-metrics) ## Interprétation des mesures de précision Amazon Forecast fournit des mesures d'erreur quadratique moyenne (RMSE), de perte quantile pondérée (wQL), de perte quantile pondérée moyenne (wQL), d'erreur graduelle absolue moyenne (MASE), d'erreur absolue moyenne en pourcentage (MAPE) et d'erreur absolue pondérée en pourcentage (WAPE) pour évaluer vos prédicteurs. Outre les mesures du prédicteur global, Forecast calcule les mesures pour chaque fenêtre de backtest. Vous pouvez consulter les mesures de précision de vos prédicteurs à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast. ------ #### [ Forecast SDK ] À l'aide de l'[GetAccuracyMetrics](API_GetAccuracyMetrics.md)opération, spécifiez que vous `PredictorArn` souhaitez afficher les métriques RMSE, MASE, MAPE, WAPE, Average WQL et WQL pour chaque backtest. ``` { "PredictorArn": "arn:aws:forecast:region:acct-id:predictor/example-id" } ``` ------ #### [ Forecast Console ] Choisissez votre prédicteur sur la page **Prédicteurs.** Les mesures de précision du prédicteur sont affichées dans la section **Mesures du prédicteur**. ------ **Note** Pour les métriques WQL, wQL, RMSE, MASE, MAPE et WAPE moyennes, une valeur inférieure indique un modèle supérieur. **Topics** + [Interprétation des mesures de précision](#predictor-metrics) + [Perte quantile pondérée (qQL)](#metrics-wQL) + [Pourcentage d'erreur absolu pondéré (WAPE)](#metrics-WAPE) + [Erreur quadratique moyenne (RMSE)](#metrics-RMSE) + [Pourcentage d'erreur absolu moyen (MAPE)](#metrics-mape) + [Erreur d'échelle absolue moyenne (MASE)](#metrics-mase) + [Exportation de mesures de précision](#backtest-exports) + [Choix des types de prévisions](#forecast-types) + [Utilisation des anciens prédicteurs](#legacy-metrics) ## Perte quantile pondérée (qQL) La métrique de perte quantile pondérée (wQL) mesure la précision d'un modèle à un quantile spécifié. C'est particulièrement utile lorsque les coûts liés à la sous-estimation et à la surestimation sont différents. En définissant le poids (t1) *de* la fonction wQL, vous pouvez automatiquement intégrer différentes pénalités en cas de sous-estimation ou de surestimation. La fonction de perte est calculée comme suit. ![\[Mathematical equation for weighted quantile loss function with tau parameter.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/metrics-quantile-loss.png) Où : *t1* - un quantile dans l'ensemble \$10,01, 0,02,..., 0,99\$1 q i,t (995) - le quantile de τ-quantile prédit par le modèle. y i,t - la valeur observée au point (i, t) Les quantiles (t1) pour WQl peuvent être compris entre 0,01 (P1) et 0,99 (P99). La métrique WQL ne peut pas être calculée pour la prévision moyenne. Par défaut, Forecast calcule le SQL aux adresses `0.1` (P10), `0.5` (P50) et `0.9` (P90). + **P10 (0,1)** - La valeur réelle devrait être inférieure à la valeur prévue 10 % du temps. + **P50 (0,5)** - La valeur réelle devrait être inférieure à la valeur prévue 50 % du temps. Cette prévision est également connue sous le nom de prévision médiane. + **P90 (0,9)** - La valeur réelle devrait être inférieure à la valeur prévue 90 % du temps. *Dans le commerce de détail, le coût d'un sous-stock est souvent plus élevé que le coût d'un surstock. Les prévisions à P75 (t1 = 0,75) peuvent donc être plus informatives que les prévisions au quantile médian (P50).* Dans ces cas, wQL [0,75] attribue une pondération de pénalité plus élevée à la sous-estimation (0,75) et une pondération de pénalité plus faible à la surestimation (0,25). ![\[Two probability distribution curves showing demand forecasting at P50 and P75 quantiles.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/p50-p75-prediction.jpg) La figure ci-dessus montre les différentes prévisions de demande pour wQL [0,50] et wQL [0,75]. La valeur prévue à P75 est nettement supérieure à la valeur prévue à P50, car la prévision P75 devrait répondre à la demande 75 % du temps, alors que la prévision P50 ne devrait répondre à la demande que 50 % du temps. Lorsque la somme des valeurs observées sur tous les éléments et points temporels est approximativement nulle dans une fenêtre de backtest donnée, l'expression de perte quantile pondérée n'est pas définie. Dans ces cas, Forecast génère la perte quantile non pondérée, qui est le numérateur de l'expression wQL. Forecast calcule également le wQL moyen, qui est la valeur moyenne des pertes quantiles pondérées sur tous les quantiles spécifiés. Par défaut, il s'agira de la moyenne de wQL [0,10], wQL [0,50] et wQL [0,90]. ## Pourcentage d'erreur absolu pondéré (WAPE) L'erreur absolue pondérée en pourcentage (WAPE) mesure l'écart global entre les valeurs prévues et les valeurs observées. Le WAPE est calculé en prenant la somme des valeurs observées et de la somme des valeurs prédites, et en calculant l'erreur entre ces deux valeurs. Une valeur faible indique un modèle plus précis. Lorsque la somme des valeurs observées pour tous les points temporels et tous les éléments est approximativement nulle dans une fenêtre de backtest donnée, l'expression du pourcentage d'erreur absolu pondéré n'est pas définie. Dans ces cas, Forecast génère la somme des erreurs absolues non pondérées, qui est le numérateur de l'expression WAPE. ![\[Mathematical formula for WAPE showing summation of absolute differences divided by sum of absolute values.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/WAPE.png) Où : y i,t - la valeur observée au point (i, t) i,t Forecast utilise la moyenne des prévisions comme valeur préditei,t, Le WAPE est plus résistant aux valeurs aberrantes que l'erreur quadratique moyenne (RMSE) car il utilise l'erreur absolue au lieu de l'erreur quadratique. Amazon Forecast désignait auparavant la métrique WAPE sous le nom de Mean Absolute Pourcentage Error (MAPE) et utilisait la prévision médiane (P50) comme valeur prédite. Forecast utilise désormais la prévision moyenne pour calculer le WAPE. La métrique wQL [0,5] est équivalente à la métrique WAPE [médiane], comme indiqué ci-dessous : ![\[Mathematical equation showing the equivalence of wQL[0.5] and WAPE[median] metrics.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/wql-to-wape.PNG) ## Erreur quadratique moyenne (RMSE) L'erreur quadratique moyenne (RMSE) est la racine carrée de la moyenne des erreurs quadratiques et est donc plus sensible aux valeurs aberrantes que les autres indicateurs de précision. Une valeur faible indique un modèle plus précis. ![\[Mathematical formula for Root Mean Square Error (RMSE) with summation and square root.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/metrics-rmse.png) Où : y i,t - la valeur observée au point (i, t) i,t nT - le nombre de points de données dans un ensemble de test Forecast utilise la moyenne des prévisions comme valeur préditei,t, Lors du calcul des métriques prédictives, nT est le nombre de points de données dans une fenêtre de backtest. Le RMSE utilise la valeur quadratique des valeurs résiduelles, ce qui amplifie l'impact des valeurs aberrantes. Dans les cas d'utilisation où seules quelques grandes erreurs de prédiction peuvent être très coûteuses, le RMSE est l'indicateur le plus pertinent. Les prédicteurs créés avant le 11 novembre 2020 ont calculé le RMSE en utilisant le quantile de 0,5 (P50) par défaut. Forecast utilise désormais la prévision moyenne. ## Pourcentage d'erreur absolu moyen (MAPE) L'erreur moyenne absolue en pourcentage (MAPE) prend la valeur absolue du pourcentage d'erreur entre les valeurs observées et prévues pour chaque unité de temps, puis fait la moyenne de ces valeurs. Une valeur faible indique un modèle plus précis. ![\[Mathematical formula for Mean Absolute Percentage Error (MAPE) calculation.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/mape.png) Où : A t - la valeur observée au point *t* F t - la valeur prédite au point *t* n - le nombre de points de données dans la série chronologique Forecast utilise la prévision moyenne comme valeur prédite, t F. Le MAPE est utile dans les cas où les valeurs diffèrent de manière significative entre les points temporels et où les valeurs aberrantes ont un impact significatif. ## Erreur d'échelle absolue moyenne (MASE) L'erreur d'échelle absolue moyenne (MASE) est calculée en divisant l'erreur moyenne par un facteur d'échelle. Ce facteur d'échelle dépend de la valeur de saisonnalité, *m*, qui est sélectionnée en fonction de la fréquence des prévisions. Une valeur faible indique un modèle plus précis. ![\[Mathematical formula for Mean Absolute Scaled Error (MASE) with summation and absolute value notations.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/mase.png) Où : Y t - la valeur observée au point *t* Y t-m - la valeur observée au point *t-m* e j - l'erreur au point *j* (valeur observée - valeur prédite) m - la valeur de saisonnalité Forecast utilise la prévision moyenne comme valeur prédite. MASE est idéal pour les ensembles de données de nature cyclique ou dotés de propriétés saisonnières. Par exemple, la prise en compte de l'impact saisonnier peut être utile pour prévoir les articles très demandés en été et en faible demande en hiver. ## Exportation de mesures de précision **Note** Les fichiers d'exportation peuvent renvoyer directement les informations issues de l'importation du jeu de données. Cela rend les fichiers vulnérables aux injections CSV si les données importées contiennent des formules ou des commandes. Pour cette raison, les fichiers exportés peuvent provoquer des avertissements de sécurité. Pour éviter toute activité malveillante, désactivez les liens et les macros lors de la lecture des fichiers exportés. Forecast vous permet d'exporter les valeurs prévisionnelles et les mesures de précision générées lors du backtesting. Vous pouvez utiliser ces exportations pour évaluer des éléments spécifiques à des moments et à des quantiles spécifiques, afin de mieux comprendre votre prédicteur. Les exportations du backtest sont envoyées vers un emplacement S3 spécifié et contiennent deux dossiers : + **valeurs prévisionnelles** : contient des fichiers CSV ou Parquet avec des valeurs prévisionnelles pour chaque type de prévision pour chaque backtest. + **accuracy-metrics-values**: contient des fichiers CSV ou Parquet contenant les statistiques de chaque backtest, ainsi que la moyenne de tous les backtests. Ces métriques incluent le wQL pour chaque quantile, le wQL moyen, le RMSE, le MASE, le MAPE et le WAPE. Le `forecasted-values` dossier contient des valeurs prévisionnelles pour chaque type de prévision pour chaque fenêtre de backtest. Il inclut également des informations sur l'article IDs, les dimensions, les horodatages, les valeurs cibles et les heures de début et de fin de la fenêtre de backtest. Le `accuracy-metrics-values` dossier contient les mesures de précision pour chaque fenêtre de backtest, ainsi que les mesures moyennes pour toutes les fenêtres de backtest. Il contient des métriques wQL pour chaque quantile spécifié, ainsi que des métriques wQL, RMSE, MASE, MAPE et WAPE moyennes. Les fichiers des deux dossiers suivent la convention de dénomination :`__.csv`. Vous pouvez exporter des mesures de précision à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast. ------ #### [ Forecast SDK ] À l'aide de cette [`CreatePredictorBacktestExportJob`](API_CreatePredictorBacktestExportJob.md)opération, spécifiez votre position S3 et votre rôle IAM dans l'[`DataDestination`](API_DataDestination.md)objet, ainsi que le `PredictorArn` et`PredictorBacktestExportJobName`. Par exemple : ``` { "Destination": { "S3Config": { "Path": "s3://bucket/example-path/", "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole" } }, "Format": PARQUET; "PredictorArn": "arn:aws:forecast:region:predictor/example", "PredictorBacktestExportJobName": "backtest-export-name", } ``` ------ #### [ Forecast Console ] Choisissez votre prédicteur sur la page **Prédicteurs.** Dans la section des **métriques de Predictor**, choisissez **Exporter les résultats du backtest**. Au cours de la phase **d'exportation du backtest Create predictor**, définissez les champs **Export name**, **IAM Role** et **S3 Predictor backtest** Export Location. ![\[Form for exporting predictor backtest data to S3, with fields for name, IAM role, and location.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/console-export-screen.PNG) ------ ## Choix des types de prévisions Amazon Forecast utilise des types de prévisions pour créer des prévisions et évaluer des prédicteurs. Les types de prévisions se présentent sous deux formes : + **Type de prévision moyenne** : prévision utilisant la moyenne comme valeur attendue. Généralement utilisées comme prévisions ponctuelles pour un moment donné. + **Type de prévision quantile** : prévision à un quantile spécifié. Généralement utilisé pour fournir un intervalle de prévision, qui est une plage de valeurs possibles pour tenir compte de l'incertitude des prévisions. Par exemple, une prévision au `0.65` quantile estimera une valeur inférieure à la valeur observée dans 65 % des cas. Par défaut, Forecast utilise les valeurs suivantes pour les types de prévisions des prédicteurs : `0.1` (P10), `0.5` (P50) et `0.9` (P90). Vous pouvez choisir jusqu'à cinq types de prévisions personnalisés, y compris `mean` des quantiles compris entre `0.01` (P1) et `0.99` (P99). Les quantiles peuvent fournir une limite supérieure et inférieure pour les prévisions. Par exemple, l'utilisation des types de prévisions `0.1` (P10) et `0.9` (P90) fournit une plage de valeurs connue sous le nom d'intervalle de confiance à 80 %. La valeur observée devrait être inférieure à la valeur P10 10 % du temps, et la valeur P90 devrait être supérieure à la valeur observée 90 % du temps. En générant des prévisions à p10 et P90, vous pouvez vous attendre à ce que la valeur réelle se situe entre ces limites 80 % du temps. Cette plage de valeurs est illustrée par la zone ombrée entre P10 et P90 dans la figure ci-dessous. ![\[Graph showing forecast quantiles with P99, P90, P50, P10, and P1 lines over time.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/quantiles-intervals.png) Vous pouvez également utiliser une prévision quantile comme prévision ponctuelle lorsque le coût d'une sous-estimation est différent du coût d'une surestimation. Par exemple, dans certains cas de vente au détail, le coût d'un sous-stock est plus élevé que le coût d'un surstockage. Dans ces cas, la prévision à 0,65 (P65) est plus informative que la médiane (P50) ou la prévision moyenne. Lorsque vous entraînez un prédicteur, vous pouvez choisir des types de prévisions personnalisés à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast. ------ #### [ Forecast SDK ] À l'aide de cette [`CreateAutoPredictor`](API_CreateAutoPredictor.md)opération, spécifiez les types de prévisions personnalisés dans le `ForecastTypes` paramètre. Formatez le paramètre sous la forme d'un tableau de chaînes. Par exemple, pour créer un prédicteur aux types`0.01`, `mean``0.65`, et de `0.99` prévision, utilisez le code suivant. ``` { "ForecastTypes": [ "0.01", "mean", "0.65", "0.99" ], }, ``` ------ #### [ Forecast Console ] Au cours de l'étape **Train Predictor**, spécifiez les types de prévisions personnalisés dans le champ **Forecast types**. Choisissez **Ajouter un nouveau type de prévision** et entrez une valeur de type de prévision. Par exemple, pour créer un prédicteur à l'aide des types de `0.99` prévision `0.01` `mean``0.65`,, et, entrez les valeurs suivantes dans les champs des **types de prévisions** ci-dessous. ![\[Form for entering forecast types with fields for type names and quantile values between .01 and .99.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/predictor-custom-quantiles.png) ------ ## Utilisation des anciens prédicteurs ### Configuration des paramètres de backtesting Forecast utilise le backtesting pour calculer les mesures de précision. Si vous effectuez plusieurs backtests, Forecast fait la moyenne de chaque métrique sur toutes les fenêtres de backtest. Par défaut, Forecast calcule un backtest, la taille de la fenêtre de backtest (ensemble de tests) étant égale à la longueur de l'horizon de prévision (fenêtre de prédiction). Vous pouvez définir à la fois la *longueur de la fenêtre de backtest* et le *nombre de scénarios de backtest* lors de l'entraînement d'un prédicteur. Forecast omet les valeurs remplies du processus de backtest, et tout élément contenant des valeurs remplies dans une fenêtre de backtest donnée sera exclu de ce backtest. Cela est dû au fait que Forecast compare uniquement les valeurs prévues aux valeurs observées lors du backtesting, et les valeurs remplies ne sont pas des valeurs observées. La fenêtre de backtest doit être au moins aussi grande que l'horizon de prévision et inférieure à la moitié de la longueur de l'ensemble de données chronologiques cible. Vous pouvez choisir entre 1 et 5 backtests. ![\[Graph showing training and testing periods for four backtest scenarios over time.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/evaluation-backtests.png) En général, l'augmentation du nombre de backtests produit des mesures de précision plus fiables, car une plus grande partie des séries chronologiques est utilisée pendant les tests et Forecast est en mesure de prendre une moyenne des métriques pour tous les backtests. Vous pouvez définir les paramètres du backtesting à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast. ------ #### [ Forecast SDK ] À l'aide de [CreatePredictor](API_CreatePredictor.md)cette opération, définissez les paramètres du backtest dans le type de [EvaluationParameters](API_EvaluationParameters.md)données. Spécifiez la longueur de l'ensemble de tests lors du backtesting avec le `BackTestWindowOffset` paramètre, ainsi que le nombre de fenêtres de backtest avec le `NumberOfBacktestWindows` paramètre. Par exemple, pour exécuter 2 backtests avec un ensemble de tests de 10 points temporels, utilisez le code suivant. ``` "EvaluationParameters": { "BackTestWindowOffset": 10, "NumberOfBacktestWindows": 2 } ``` ------ #### [ Forecast Console ] Au cours de la phase **Train Predictor**, définissez la durée du set de tests lors du backtesting avec le champ **Backtest window offset**, et le nombre de fenêtres de backtest avec le champ **Nombre de fenêtres de** backtest. Par exemple, pour exécuter 2 backtests avec un ensemble de tests de 10 points temporels, définissez les valeurs suivantes. ![\[Input fields for number of backtest windows and backtest window offset with example values.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/predictor-backtest-windows.png) ------ ### HPO et AutoML Par défaut, Amazon Forecast utilise les quantiles `0.1` (P10), `0.5` (P50) et `0.9` (P90) pour le réglage des hyperparamètres lors de l'optimisation des hyperparamètres (HPO) et pour la sélection du modèle pendant AutoML. Si vous spécifiez des types de prévisions personnalisés lors de la création d'un prédicteur, Forecast utilise ces types de prévisions pendant HPO et AutoML. Si des types de prévisions personnalisés sont spécifiés, Forecast utilise ces types de prévisions pour déterminer les résultats optimaux pendant HPO et AutoML. Pendant HPO, Forecast utilise la première fenêtre de backtest pour trouver les valeurs d'hyperparamètres optimales. Pendant AutoML, Forecast utilise les moyennes de toutes les fenêtres de backtest et les valeurs d'hyperparamètres optimales de HPO pour trouver l'algorithme optimal. Pour AutoML et HPO, Forecast choisit l'option qui minimise les pertes moyennes par rapport aux types de prévisions. Vous pouvez également optimiser votre prédicteur pendant AutoML et HPO avec l'une des mesures de précision suivantes : perte quantile pondérée moyenne (WQL moyenne), erreur absolue pondérée en pourcentage (WAPE), erreur quadratique moyenne (RMSE), erreur moyenne absolue en pourcentage (MAPE) ou erreur graduelle absolue moyenne (MASE). Vous pouvez choisir une métrique d'optimisation à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast. ------ #### [ Forecast SDK ] À l'aide de cette [`CreatePredictor`](API_CreatePredictor.md)opération, spécifiez les types de prévisions personnalisés dans le `ObjectiveMetric` paramètre. Le `ObjectiveMetric` paramètre accepte les valeurs suivantes : + `AverageWeightedQuantileLoss`- Perte quantile pondérée moyenne + `WAPE`- Pourcentage d'erreur absolu pondéré + `RMSE`- Erreur quadratique moyenne + `MAPE`- Erreur absolue moyenne en pourcentage + `MASE`- Erreur d'échelle absolue moyenne Par exemple, pour créer un prédicteur avec AutoML et l'optimiser à l'aide de la métrique de précision MASE (Mean Absolute Scaled Error), utilisez le code suivant. ``` { ... "PerformAutoML": "true", ... "ObjectiveMetric": "MASE", }, ``` ------ #### [ Forecast Console ] Au cours de la phase **Train Predictor**, choisissez **Automatic (AutoML).** Dans la section **Métrique objective**, choisissez la métrique de précision à utiliser pour optimiser votre prédicteur. Par exemple, l'image suivante montre un prédicteur créé avec AutoML et optimisé à l'aide de la métrique de précision MASE (Mean Absolute Scaled Error). Lorsque vous utilisez la console, vous ne pouvez spécifier la métrique Objective que lorsque vous créez un prédicteur à l'aide d'AutoML. Si vous sélectionnez manuellement un algorithme, vous ne pouvez pas spécifier la métrique Objective pour HPO. ------ # Prédicteurs de reconversion **Note** Le réentraînement n'est disponible que pour les prédicteurs créés avec AutoPredictor () [`CreateAutoPredictor`](API_CreateAutoPredictor.md). Vous pouvez mettre à niveau les anciens prédicteurs existants vers. AutoPredictor Consultez [Mise à niveau vers AutoPredictor](howitworks-predictor.md#upgrading-autopredictor). Les prédicteurs peuvent être conservés avec des ensembles de données mis à jour pour maintenir vos prédicteurs à jour. Lors du réentraînement d'un prédicteur, Amazon Forecast conserve les mêmes paramètres de configuration du prédicteur. Après le réentraînement, le prédicteur d'origine restera actif et le prédicteur réentraîné aura un ARN de prédicteur distinct. Le réentraînement d'un prédicteur peut améliorer la précision des prévisions de deux manières : 1. Des **données plus récentes** : votre prédicteur réentraîné incorporera davantage de up-to-date données lors de l'entraînement d'un modèle. 1. **Améliorations des prédicteurs** : votre prédicteur réentraîné intégrera toutes les mises à jour et améliorations apportées aux algorithmes Amazon Forecast et aux ensembles de données supplémentaires. Le réentraînement d'un prédicteur peut être jusqu'à 50 % plus rapide que la création d'un nouveau prédicteur à partir de zéro. Les temps d'entraînement de Predictor sont plus rapides et Forecast utilise automatiquement vos paramètres de configuration existants. **Carnets en Python** Pour un step-by-step guide sur le réentraînement des prédicteurs, voir [Réentraînement](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) d'un prédicteur. Vous pouvez réentraîner un prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast. ------ #### [ Console ] **Pour réentraîner un prédicteur** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez le prédicteur à réentraîner. 1. Dans le menu déroulant des **actions du prédicteur**, sélectionnez **Retrain**. 1. Définissez un nom unique pour le prédicteur mis à niveau. 1. Choisissez **Retrain predictor**. ------ #### [ SDK ] **Pour réentraîner un prédicteur** À l'aide de cette [`CreateAutoPredictor`](API_CreateAutoPredictor.md)opération, attribuez un nom unique au prédicteur et définissez la valeur du `ReferencePredictorArn` prédicteur que vous souhaitez réentraîner. ``` { "PredictorName": "RetrainedPredictor", "ReferencePredictorArn": "arn:aws:forecast:us-west-2:938097332257:predictor/OriginalPredictor" } ``` Lorsque vous réentraînez un prédicteur, attribuez des valeurs uniquement aux paramètres `PredictorName` et`ReferencePredictorArn`. ------ # Indice météo L'Amazon Forecast Weather Index est une fonctionnalité intégrée qui intègre des informations météorologiques historiques et prévisionnelles dans votre modèle. Il est particulièrement utile pour les cas d'utilisation dans le commerce de détail, où la température et les précipitations peuvent affecter de manière significative la demande de produits. Lorsque l'indice météo est activé, Forecast applique les fonctionnalités météorologiques uniquement aux séries chronologiques pour lesquelles il constate une amélioration de la précision lors de l'entraînement des prédicteurs. Si le fait de compléter une série chronologique avec des informations météorologiques n'améliore pas sa précision prédictive lors du backtesting, Forecast n'applique pas l'indice météo à cette série chronologique en particulier. Pour appliquer l'indice météo, vous devez inclure un [attribut de géolocalisation](#adding-geolocation) dans votre jeu de données de séries chronologiques cible et dans tous les ensembles de données de séries chronologiques connexes. Vous devez également spécifier des [fuseaux horaires pour les](#specifying-timezones) horodatages de vos séries chronologiques cibles. Pour plus d'informations sur les exigences relatives aux ensembles de données, consultez la section [Conditions et restrictions](#weather-conditions-restrictions). **Carnets en Python** Pour un step-by-step guide sur l'utilisation de l'indice météo, voir [NY Taxi : Amazon Forecast with Weather Index](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index). **Topics** + [Activation de l'indice météo](#enabling-weather) + [Ajouter des informations de géolocalisation aux ensembles de données](#adding-geolocation) + [Spécification des fuseaux horaires](#specifying-timezones) + [Conditions et restrictions](#weather-conditions-restrictions) ## Activation de l'indice météo L'indice météo est activé pendant la phase d'entraînement des prédicteurs. Lors de l'utilisation de l'[`CreateAutoPredictor`](API_CreateAutoPredictor.md)opération, l'indice météo est inclus dans le type de [AdditionalDataset](API_AdditionalDataset.md)données. Avant d'activer l'indice météo, vous devez inclure un attribut de géolocalisation dans votre série chronologique cible et dans les ensembles de données de séries chronologiques associés, et définir les fuseaux horaires pour vos horodatages. Pour plus d'informations, consultez les sections [Ajout d'informations de géolocalisation](#adding-geolocation) et [Spécification des fuseaux horaires.](#specifying-timezones) Vous pouvez activer l'indice météo à l'aide de la console Forecast ou du kit de développement logiciel (SDK) Forecast. ------ #### [ Console ] **Pour activer l'indice météo** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez **Train new predictor.** 1. Choisissez **Activer l'indice météo**. ------ #### [ SDK ] **Pour activer l'indice météo** À l'aide de cette [`CreateAutoPredictor`](API_CreateAutoPredictor.md)opération, activez l'indice météo en ajoutant `"Name": "weather"` et `"Value": "true"` dans le type de [AdditionalDataset](API_AdditionalDataset.md)données. ``` "DataConfig": { ... "AdditionalDatasets": [ ... { "Name": "weather", } ] }, ``` ------ ## Ajouter des informations de géolocalisation aux ensembles de données Pour utiliser l'indice météo, vous devez inclure un attribut de géolocalisation pour chaque élément de votre série chronologique cible et des ensembles de données de séries chronologiques connexes. L'attribut est défini avec le type `geolocation` d'attribut dans les schémas du jeu de données. Toutes les valeurs de géolocalisation d'un jeu de données doivent se situer exclusivement dans une seule région. Les régions sont les suivantes : États-Unis (sauf Hawaï et Alaska), Canada, Amérique du Sud, Amérique centrale, Asie-Pacifique, Europe, Afrique et Moyen-Orient. Spécifiez l'attribut de géolocalisation dans l'un des deux formats suivants : + **Latitude et longitude** (toutes les régions) - Spécifiez la latitude et la longitude au format décimal (Exemple : 47.61\$1-122.33) + **Code postal** (États-Unis uniquement) - Spécifiez le code du pays (États-Unis), suivi du code postal à 5 chiffres (exemple : US\$198121) Le format Latitude et Longitude est pris en charge dans toutes les régions. Le format du code postal n'est pris en charge que pour la région des États-Unis. **Topics** + [Bornes de latitude et de longitude](#geolocation-bounds) + [Inclure la géolocalisation dans le schéma du jeu de données](#geolocation-schema) + [Configuration du format de géolocalisation](#geolocation-format) ### Bornes de latitude et de longitude Les limites latitudinales et longitudinales des régions acceptées sont les suivantes : ------ #### [ US Region ] **Limites :** latitude (24,6, 50,0), longitude (-126,0, -66,4). ![\[Map of North America showing United States, parts of Canada and Mexico with major cities.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-us-bounds.png) ------ #### [ Canada Region ] **Limites :** latitude (41,0, 75,0), longitude (-142,0, -52,0). ![\[Map showing northern Canada and parts of the US, highlighting territories and major cities.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-can-bounds.PNG) ------ #### [ Europe Region ] **Limites :** latitude (34,8, 71,8), longitude (-12,6, 44,8). ![\[Map of Northern Europe and surrounding regions showing countries and major cities.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-euro-bounds.png) ------ #### [ South America Region ] **Limites :** latitude (-56,6, 14,0), longitude (-82,4, -33,00). ![\[Map of South America showing countries, major cities, and Brazilian states.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-sa-bounds.PNG) ------ #### [ Asia Pacific Region ] **Limites :** latitude (-47,8, 55,0), longitude (67,0, 180,60). ![\[Map showing East Asia, Southeast Asia, and Australia with country names and ocean labels.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-apac-bounds.png) ------ #### [ Central America Region ] **Limites :** latitude (6,80, 33,20), longitude (-118,80, -58,20). ![\[Map showing southern US, Mexico, Central America, and Caribbean with major cities and bodies of water.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-ca-bounds.png) ------ #### [ Africa & Middle East Region ] **Limites :** latitude (-35,60, 43,40), longitude (-18,80, -58,20). ![\[Map showing North Africa, Middle East, and parts of Europe with country names and borders.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/weather-africa-bounds.png) ------ ### Inclure la géolocalisation dans le schéma du jeu de données À l'aide de la console ou de l'[CreateDataset](API_CreateDataset.md)opération, définissez le type d'attribut de localisation comme « géolocalisation » dans le schéma JSON pour la série chronologique cible et toute série chronologique associée. Les attributs du schéma doivent être ordonnés tels qu'ils apparaissent dans les ensembles de données. ``` { "Attributes":[ { "AttributeName": "timestamp", "AttributeType": "timestamp" }, { "AttributeName": "target_value", "AttributeType": "float" }, { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "location", "AttributeType": "geolocation" } ] } ``` ### Configuration du format de géolocalisation Le format de l'attribut de géolocalisation peut être au format **code postal** ou au format **Latitude et longitude**. Vous pouvez définir le format de géolocalisation à l'aide de la console Forecast ou du kit de développement logiciel (SDK) Forecast. ------ #### [ Console ] **Pour ajouter un attribut de géolocalisation à un jeu de données de séries chronologiques** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Choisissez **Create dataset group (Créer un groupe d'ensembles de données)**. 1. Dans le **générateur de schéma**, définissez le **type d'attribut** de géolocalisation sur. `geolocation` 1. Dans le menu déroulant **Format de géolocalisation, choisissez le format** de votre position. ![\[Dataset details form with name, frequency, and schema builder for attribute specification.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/schema-builder-geolocation.png) Vous pouvez également définir vos attributs au format JSON et sélectionner un format de localisation dans le menu déroulant Format de **géolocalisation**. ------ #### [ SDK ] **Pour ajouter un attribut de géolocalisation à un jeu de données de séries chronologiques** À l'aide de cette [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)opération, définissez la valeur `GeolocationFormat` de sur l'une des valeurs suivantes : + **Latitude et longitude** (toutes les régions) : `"LAT_LONG"` + **Code postal** (États-Unis uniquement) : `"CC_POSTALCODE"` Par exemple, pour spécifier le format de latitude et de longitude, incluez les éléments suivants dans la `CreateDatasetImportJob` demande : ``` { ... "GeolocationFormat": "LAT_LONG" } ``` ------ ## Spécification des fuseaux horaires Vous pouvez soit laisser Amazon Forecast synchroniser automatiquement les informations de votre fuseau horaire avec votre attribut de géolocalisation, soit attribuer manuellement un seul fuseau horaire à l'ensemble de votre ensemble de données. **Topics** + [Synchronisation automatique des fuseaux horaires avec la géolocalisation](#timezones-automatic) + [Sélectionnez manuellement un seul fuseau horaire](#timezones-manual) ### Synchronisation automatique des fuseaux horaires avec la géolocalisation Cette option est idéale pour les ensembles de données contenant des horodatages dans plusieurs fuseaux horaires, et ces horodatages sont exprimés en heure locale. Forecast attribue un fuseau horaire à chaque élément du jeu de données de séries chronologiques cible en fonction de l'attribut de géolocalisation de l'élément. Vous pouvez synchroniser automatiquement vos horodatages avec votre attribut de géolocalisation à l'aide de la console Forecast ou du SDK Forecast. ------ #### [ Console ] **Pour synchroniser les fuseaux horaires avec l'attribut de géolocalisation** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans le volet de navigation, choisissez **Create dataset group**. 1. Dans **Détails de l'importation du jeu** de données, choisissez **Synchroniser le fuseau horaire avec le lieu**. ![\[Dataset import form with fields for name, time zone, S3 data location, and IAM role.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/sync-timezone-with-geolocation.PNG) ------ #### [ SDK ] **Pour synchroniser les fuseaux horaires avec l'attribut de géolocalisation** À l'aide de [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)l'opération, réglez `"UseGeolocationForTimeZone"` sur`"true"`. ``` { ... "UseGeolocationForTimeZone": "true" } ``` ------ ### Sélectionnez manuellement un seul fuseau horaire **Note** Vous pouvez sélectionner manuellement un fuseau horaire en dehors de la *région des États-Unis*, de la *région du Canada*, de *l'Amérique du Sud*, de l'*Amérique centrale*, de *la région Asie-Pacifique*, de *la région Europe* et de *la région Afrique et Moyen-Orient*. Cependant, toutes les valeurs de géolocalisation doivent toujours se situer dans l'une de ces régions. Cette option est idéale pour les ensembles de données dont tous les horodatages se situent dans un même fuseau horaire, ou si tous les horodatages sont normalisés sur un seul fuseau horaire. L'utilisation de cette option applique le même fuseau horaire à chaque élément du jeu de données. L'indice météo accepte les fuseaux horaires suivants : **Région des États-Unis** + America/Los\$1Angeles + America/Phoenix + America/Denver + America/Chicago + Amérique/New\$1York **Région du Canada** + Amérique/Vancouver + Amérique/Edmonton + Amérique/Regina + Amérique/Winnipeg + Amérique/Toronto + Amérique/Halifax + Amérique/St\$1Johns **Région Europe** + Europe/Londres + Europe/Paris + Europe/Helsinki **Région Amérique du Sud** + Amérique/Buenos\$1Aires + Amérique/Noronha + Amérique/Caracas **Région Asie-Pacifique** + Asie/Kaboul + Asie/Karachi + Asie/Kolkata + Asie/Katmandou + Asie/Dhaka + Asie/Rangoon + Asie/Bangkok + Asie/Singapour + Asie/Séoul + Australie/Adélaïde + Australie/Melbourne + Australie/Lord\$1Howe + Australie/Eucla + Pacifique/Norfolk + Pacifique/Auckland **Amérique centrale** + Amérique/Puerto\$1Rico **Afrique et Moyen-Orient** + Afrique/Nairobi + Asie/Tehran + Asie/Dubaï **Autre** + Pacifique/Midway + Pacifique/Honolulu + Pacifique/Marquises + Amérique/Anchorage + Atlantique/Cap-Vert + Asie/Anadyr + Pacifique/Chatham + Pacifique/Enderbury + Pacifique/Kiritimati Sélectionnez un fuseau horaire dans la liste **Autres** si les éléments de votre jeu de données sont situés dans l'une des régions acceptées, mais que vos horodatages sont normalisés selon un fuseau horaire en dehors de cette région. Pour une liste complète des noms de fuseaux horaires valides, consultez la bibliothèque [Joda-Time](http://joda-time.sourceforge.net/timezones.html). Vous pouvez définir manuellement un fuseau horaire pour vos ensembles de données à l'aide de la console Forecast ou du SDK Forecast. ------ #### [ Console ] **Pour sélectionner un seul fuseau horaire pour votre jeu de données** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans le volet de navigation, choisissez **Create dataset group**. 1. Dans **Détails de l'importation du jeu** de données, choisissez **Sélectionner le fuseau horaire**. Par exemple, utilisez ce qui suit pour appliquer l'heure de Los Angeles (heure normale du Pacifique) à vos ensembles de données. ![\[Dataset import form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/select-timezone.PNG) ------ #### [ SDK ] **Pour sélectionner un seul fuseau horaire pour votre jeu de données** À l'aide de [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)l'opération, définissez `"TimeZone"` un fuseau horaire valide. Par exemple, utilisez ce qui suit pour appliquer l'heure de Los Angeles (heure normale du Pacifique) à vos ensembles de données. ``` { ... "TimeZone": "America/Los_Angeles" } ``` ------ ## Conditions et restrictions Les conditions et restrictions suivantes s'appliquent lors de l'utilisation de l'indice météo : + **Algorithmes disponibles** : si vous utilisez un ancien prédicteur, l'indice météo peut être activé lorsque vous entraînez un prédicteur à l'aide des algorithmes CNN-QR, DeepAr\$1 et Prophet. L'indice météo n'est pas appliqué à ARIMA, ETS et NPTS. + **Fréquence des prévisions** : Les fréquences de prévision valides sont `Minutely``Hourly`, et`Daily`. + **Horizon de prévision** : L'horizon de prévision ne peut pas s'étendre sur plus de 14 jours dans le futur. Pour connaître les limites de l'horizon de prévision pour chaque fréquence de prévision, reportez-vous à la liste ci-dessous : + `1 minute`- 500 + `5 minutes`- 500 + `10 minutes`- 500 + `15 minutes`- 500 + `Hourly`- 330 + `Daily`- 14 + **Longueur des séries chronologiques** : lors de l'entraînement d'un modèle avec le Weather Index, Forecast tronque tous les ensembles de données de séries chronologiques avec des horodatages antérieurs à la date de début de la fonctionnalité du jeu de données météorologiques Forecast. La fonctionnalité du jeu de données météo Forecast contient les dates de début suivantes : + **Région des États-Unis** : 2 juillet 2018 + **Région Europe** : 2 juillet 2018 + **Région Asie-Pacifique** : 2 juillet 2018 + **Région du Canada** : 2 juillet 2019 + **Région Amérique du Sud** : 2 janvier 2020 + **Région Amérique centrale** : 2 septembre 2020 + **Région Afrique et Moyen-Orient** : 25 mars 2021 Lorsque l'indice météo est activé, les points de données horodatés avant la date de début ne seront pas utilisés pendant l'entraînement des prédicteurs. + **Nombre d'emplacements** : Le jeu de données de séries chronologiques cible ne peut pas dépasser 2 000 emplacements uniques. + **Limites régionales :** tous les éléments de vos ensembles de données doivent être situés dans une seule région. + **Longueur minimale des séries chronologiques** : En raison des exigences supplémentaires en matière de données lors du test de l'indice météorologique, la longueur minimale d'un jeu de données de séries chronologiques est la suivante : `3 × ForecastHorizon + (BacktestWindows + 1) × BacktestWindowOffset` Si vos ensembles de données de séries chronologiques ne répondent pas à cette exigence, envisagez de réduire les valeurs suivantes : + `ForecastHorizon`- Raccourcissez votre horizon de prévision. + `BacktestWindowOffset`- Raccourcissez la durée de l'ensemble de tests lors du backtesting. + `BacktestWindows`- Réduisez le nombre de backtests. # Fonctionnalité des fêtes Holidays est une fonctionnalité intégrée qui intègre à votre modèle un ensemble de données contenant des informations sur les fêtes nationales. Il fournit un support natif pour les calendriers des fêtes de plus de 250 pays. Amazon Forecast intègre à la fois la [bibliothèque d'API Holiday](https://holidayapi.com/countries) et l'[API Jollyday](https://jollyday.sourceforge.net/data.html) pour générer des calendriers de vacances. La fonctionnalité Vacances est particulièrement utile dans le domaine de la vente au détail, où les jours fériés peuvent avoir une incidence significative sur la demande. La fonctionnalité Vacances prend en charge une fréquence de prévision minimale de 5 minutes et un maximum d'un mois. **Topics** + [Activation de la fonctionnalité Fêtes](#enabling-holidays) + [Codes pays](#holidays-country-codes) + [Calendriers de vacances supplémentaires](#holiday-calendars) ## Activation de la fonctionnalité Fêtes La fonctionnalité Holidays est incluse dans Amazon Forecast en tant que jeu de [données supplémentaire](API_AdditionalDataset.md) et est activée avant l'entraînement d'un prédicteur. Il est recommandé que vos données historiques contiennent au moins deux ans de données. Cela permet à Forecast d'identifier les modèles de demande associés à des jours fériés spécifiques. Une fois que vous avez choisi un pays, Holidays applique le calendrier des fêtes de ce pays à chaque élément de votre ensemble de données pendant l'entraînement. Vous pouvez activer Holidays à l'aide de la console Amazon Forecast ou du kit de développement logiciel (SDK) Forecast. ------ #### [ Forecast SDK ] À l'aide de cette [`CreateAutoPredictor`](API_CreateAutoPredictor.md)opération, activez Holidays en ajoutant `"Name": "holiday` « » et en configurant `"Configuration"` pour mapper `"CountryCode"` un code de pays à deux lettres. Consultez [Codes pays](#holidays-country-codes). Par exemple, pour inclure le calendrier des vacances aux États-Unis, utilisez le code suivant. ``` "DataConfig": { "AdditionalDatasets": [ { "Name": "holiday", "Configuration": { "CountryCode" : ["US"] } }, ] }, ``` ------ #### [ Forecast Console ] Choisissez un pays dans le menu déroulant **Country for Holidays** pendant la phase **Train Predictor**. ![\[Toggle switch to activate holidays and dropdown menu to select a country for forecast accuracy.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/holidays-dropdown-2.png) ------ ## Codes pays Amazon Forecast fournit un support natif pour les calendriers des jours fériés des pays suivants. Utilisez le **code pays** lorsque vous spécifiez un pays avec l'API. **Pays pris en charge** | Country | Code pays | | --- | --- | | Afghanistan | AF | | Îles Åland | AX | | Albanie | AL | | Algérie | DZ | | Samoa américaines | AS | | Andorre | AD | | Angola | AO | | Anguilla | AI | | Antarctique | AQ | | Antigua et Barbuda | AG | | Argentine | AR | | Arménie | AM | | Aruba | AW | | Australie | AU | | Autriche | AT | | Azerbaïdjan | AZ | | Bahamas | BS | | Bahreïn | BH | | Bangladesh | BD | | Barbade | BB | | Biélorussie | BY | | Belgique | BE | | Belize | BZ | | Bénin | BJ | | Bermudes | BM | | Bhoutan | BT | | Bolivie | BO | | Bosnie-Herzégovine | BA | | Botswana | BW | | Île Bouvet | BV | | Brésil | BR | | Territoire Britannique de l’Océan Indien | IO | | Îles Vierges Britanniques | VG | | Brunéi Darussalam | BN | | Bulgarie | BG | | Burkina Faso | BF | | Burundi | BI | | Cambodge | KH | | Cameroun | CM | | Canada | CA | | Cap-Vert | CV | | Pays-Bas caribéens | BQ | | Iles Caïmans | KY | | République centrafricaine | CF | | Tchad | TD | | Chili | CL | | Chine | CN | | Île Christmas | CX | | Îles Cocos (Keeling) | CC | | Colombie | CO | | Comores | KM | | Iles Cook | CK | | Costa Rica | CR | | Croatie | HR | | Cuba | CU | | Curaçao | CW | | Chypre | CY | | Tchéquie | CZ | | République démocratique du Congo | CD | | Danemark | DK | | Djibouti | DJ | | Dominique | DM | | République Dominicaine | DO | | Equateur | EC | | Egypte | EG | | El Salvador | SV | | Guinée équatoriale | GQ | | Érythrée | ER | | Estonie | EE | | Eswatini | SZ | | Ethiopie | ET | | Îles Malouines | FK | | Iles Féroé | FO | | Fidji | FJ | | Finlande | FI | | France | FR | | Guyane française | GF | | Polynésie française | PF | | Terres australes et antarctiques françaises | TF | | Gabon | GA | | Gambie | GM | | Géorgie | GE | | Allemagne | DE | | Ghana | GH | | Gibraltar | GI | | Grèce | GR | | Groenland | GL | | Grenade | GD | | Guadeloupe | GP | | Guam | GU | | Guatemala | GT | | Guernesey | GG | | Guinée | GN | | Guinée-Bissau | GW | | Guyane | GY | | Haïti | HT | | Île Heard et McDonald îles | HM | | Honduras | HN | | Hong Kong | HK | | Hongrie | HU | | Islande | IS | | Inde | IN | | Indonésie | ID | | Iran | IR | | Irak | IQ | | Irlande | IE | | Île de Man | IM | | Israël | IL | | Italie | IT | | Côte d’Ivoire | CI | | Jamaïque | JM | | Japon | JP | | Jersey | JE | | Jordanie | JO | | Kazakhstan | KZ | | Kenya | KE | | Kiribati | KI | | Kosovo | XK | | Koweït | KW | | Kirghizstan | KG | | Laos | LA | | Lettonie | LV | | Liban | LB | | Lesotho | LS | | Liberia | LR | | Libye | LY | | Liechtenstein | LI | | Lituanie | LT | | Luxembourg | LU | | Macao | MO | | Madagascar | MG | | Malawi | MW | | Malaisie | MY | | Maldives | MV | | Mali | ML | | Malte | MT | | Îles Marshall | MH | | Martinique | MQ | | Mauritanie | MR | | Maurice | MU | | Mayotte | YT | | Mexique | MX | | Micronésie | FM | | Moldavie | MD | | Monaco | MC | | Mongolie | MN | | Monténégro | ME | | Montserrat | MS | | Maroc | MA | | Mozambique | MZ | | Birmanie | MM | | Namibie | NA | | Nauru | NR | | Népal | NP | | Pays-Bas | NL | | Nouvelle-Calédonie | NC | | Nouvelle-Zélande | NZ | | Nicaragua | NI | | Niger | NE | | Nigeria | NG | | Niué | NU | | Île Norfolk | NF | | Corée du Nord | KP | | Macédoine du Nord | MK | | Îles Mariannes du Nord | MP | | Norvège | NO | | Oman | OM | | Pakistan | PK | | Palaos | PW | | Palestine | PS | | Panama | PA | | Papouasie-Nouvelle-Guinée | PG | | Paraguay | PY | | Pérou | PE | | Philippines | PH | | Îles Pitcairn | PN | | Pologne | PL | | Portugal | PT | | Porto Rico | PR | | Qatar | QA | | République du Congo | CG | | La Réunion | RE | | Roumanie | RO | | Fédération de Russie | RU | | Rwanda | RW | | Saint-Barthélemy | BL | | « Sainte-Hélène, Ascension et Tristan da Cunha » | SH | | Saint Kitts et Nevis | KN | | Sainte-Lucie | LC | | Saint-Martin | MF | | Saint-Pierre-et-Miquelon | PM | | Saint-Vincent-et-les-Grenadines | VC | | Samoa | WS | | Saint-Marin | SM | | Sao Tomé et Principe | ST | | Arabie saoudite | SA | | Sénégal | SN | | Serbie | RS | | Seychelles | SC | | Sierra Leone | SL | | Singapour | SG | | Sint Maarten | SX | | Slovaquie | SK | | Slovénie | SI | | Iles Salomon | SB | | Somalie | SO | | Afrique du Sud | ZA | | Géorgie du Sud et îles Sandwich du Sud | GS | | Corée du Sud | KR | | Soudan du Sud | SS | | Espagne | ES | | Sri Lanka | LK | | Soudan | SD | | Suriname | SR | | Svalbard et Île Jan Mayen | SJ | | Suède | SE | | Suisse | CH | | République arabe syrienne | SY | | Taïwan | TW | | Tadjikistan | TJ | | Tanzanie | TZ | | Thaïlande | TH | | Timor-Leste | TL | | Togo | TG | | Tokélaou | TK | | Tonga | TO | | Trinidad et Tobago | TT | | Tunisie | TN | | Turquie | TR | | Turkménistan | TM | | Iles Turks et Caicos | TC | | Tuvalu | TV | | Ouganda | UG | | Ukraine | UA | | Emirats arabes unis | AE | | Royaume-Uni | GB | | Nations Unies | UN | | États-Unis | US | | Îles mineures éloignées des États-Unis | UM | | Îles Vierges des États-Unis | VI | | Uruguay | UY | | Ouzbékistan | UZ | | Vanuatu | VU | | Cité du Vatican | VA | | Venezuela | VE | | Vietnam | VN | | Wallis et Futuna | WF | | Sahara occidental | EH | | Yémen | YE | | Zambie | ZM | | Zimbabwe | ZW | ## Calendriers de vacances supplémentaires Amazon Forecast prend également en charge les vacances en Inde, en Corée et aux Émirats Arabes Unis. Leurs vacances sont listées ci-dessous. ------ #### [ India - "IN" ] 26 janvier - Fête de la République 15 août - Fête de l'indépendance 2 octobre - Gandhi Jayanti ------ #### [ Korea - "KR" ] 1er janvier - Nouvel An 1er mars - Journée du mouvement pour l'indépendance 5 mai - Journée des enfants 6 juin - Jour commémoratif 15 août - Jour de la libération 3 octobre - Journée nationale de la Fondation 9 octobre - Journée du Hangul 25 décembre - jour de Noël ------ #### [ United Arab Emirates - "AE" ] 1er janvier - Nouvel An 1er décembre - Journée de commémoration 2 et 3 décembre - Fête nationale Ramadan\$1 Aïd al-Fitr\$1 Aïd al-Adha\$1 Nouvel an islamique\$1 \$1Les fêtes islamiques sont déterminées par les cycles lunaires. ------ # Explicabilité des prédicteurs Predictor Explainability vous aide à mieux comprendre l'impact des attributs de vos ensembles de données sur votre variable cible. Forecast utilise une métrique appelée score d'impact pour quantifier l'impact relatif de chaque attribut et déterminer s'il augmente ou diminue les valeurs de prévision. Imaginons, par exemple, un scénario de prévisions dans lequel la cible est `sales` (ventes), associée à deux attributs : `price` (prix) et `color` (couleur). Forecast peut constater que le prix d'un article a un impact significatif sur les ventes (score d'impact élevé), tandis que la couleur de l'article a un effet négligeable (score d'impact faible). Pour activer l'explicabilité du prédicteur, votre prédicteur doit inclure au moins l'un des éléments suivants : des séries chronologiques associées, des métadonnées d'éléments ou des ensembles de données supplémentaires tels que les jours fériés et l'indice météorologique. Pour plus d’informations, consultez [Restrictions et meilleures pratiques](#predictor-explainability-best-practices). Pour créer des scores d'impact pour des séries chronologiques et des points temporels spécifiques, utilisez Forecast Explainability au lieu de Predictor Explainability. Voir [Forecast Explainability](forecast-explainability.md). **Topics** + [Interprétation des scores d'impact](#predictor-explainability-impact-scores) + [Création d'une explicabilité prédictive](#creating-predictor-explainability) + [Exporter l'explicabilité des prédicteurs](#exporting-predictor-explainability) + [Restrictions et meilleures pratiques](#predictor-explainability-best-practices) ## Interprétation des scores d'impact Les scores d’impact mesurent l’impact relatif des attributs sur les valeurs des prévisions. Par exemple, si l'attribut « prix » a un score d'impact deux fois plus élevé que l'attribut « emplacement du magasin », vous pouvez en conclure que le prix d'un article a deux fois plus d'impact sur les valeurs prévisionnelles que l'emplacement du magasin. Les scores d’impact fournissent également des informations indiquant si les attributs augmentent ou diminuent les valeurs des prévisions. Dans la console, cela est indiqué par les deux graphiques. Les attributs avec des barres bleues augmentent les valeurs de prévision, tandis que les attributs avec des barres rouges diminuent les valeurs de prévision. ![\[Bar graphs showing Price and Promo increasing impact scores, StoreLocation decreasing impact score.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/quicksight-unfiltered.png) Dans la console, les scores d'impact vont de 0 à 1, un score de 0 indiquant l'absence d'impact et un score proche de 1 indiquant un impact significatif. Dans le SDKs, les scores d'impact vont de -1 à 1, le signe indiquant la direction de l'impact. Il est important de noter que les scores d’impact mesurent l’impact relatif des attributs, et non l’impact absolu. Par conséquent, les scores d’impact ne peuvent pas être utilisés pour déterminer si des attributs particuliers améliorent la précision du modèle. Si un attribut a un faible score d’impact, cela ne signifie pas nécessairement qu’il a un faible impact sur les valeurs des prévisions ; cela signifie qu’il a un impact plus faible sur les valeurs des prévisions que les autres attributs utilisés par le prédicteur. ## Création d'une explicabilité prédictive **Note** Vous pouvez créer un maximum d'une explicabilité de prédicteur par prédicteur Lorsque vous activez Predictor Explainability, Amazon Forecast calcule les scores d'impact pour tous les attributs de vos ensembles de données. Les scores d'impact peuvent être interprétés comme les attributs d'impact sur les valeurs prévisionnelles globales. Vous pouvez activer l'explicabilité du prédicteur lorsque vous créez un prédicteur, ou vous pouvez activer la fonctionnalité après avoir créé le prédicteur. ### Activer l'explicabilité du prédicteur pour un nouveau prédicteur L'activation de l'explicabilité du prédicteur lors de la création d'un nouveau prédicteur créera à la fois une ressource de prédicteur et une ressource d'explicabilité. Vous pouvez activer Predictor Explainability pour un nouveau prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast. ------ #### [ Console ] **Pour activer l'explicabilité de Predictor** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez **Train new predictor.** 1. Dans la section **Configuration du prédicteur**, sélectionnez **Activer l'explicabilité**. 1. Entrez des valeurs pour les champs obligatoires suivants : + **Nom : nom** unique du prédicteur. + **Fréquence des prévisions** : granularité de vos prévisions. + **Horizon de prévision** : nombre d'étapes temporelles à prévoir. 1. Choisissez **Démarrer** ------ #### [ Python ] Pour permettre l'explicabilité d'un nouveau prédicteur avec le SDK pour Python (Boto3), utilisez la méthode et définissez-la sur true. `create_auto_predictor` ExplainPredictor Le code suivant crée un prédicteur automatique qui fait des prédictions pour 24 (`ForecastHorizon`) jours (`ForecastFrequency`) dans le futur et qui est `ExplainPredictor` défini sur true. Pour plus d'informations sur les paramètres obligatoires et facultatifs, voir[CreateAutoPredictor](API_CreateAutoPredictor.md). ``` import boto3 forecast = boto3.client('forecast') create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 24, ForecastFrequency = 'D', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, ExplainPredictor = True ) ``` ------ ### Activation de l'explicabilité des prédicteurs pour un prédicteur existant L'activation de l'explicabilité du prédicteur pour un prédicteur existant créera une ressource d'explicabilité pour cette ressource. Vous ne pouvez créer une ressource d'explicabilité que pour les prédicteurs qui ne contiennent pas déjà de ressource d'explicabilité. Pour afficher les scores d'impact d'un ensemble de données mis à jour, réentraînez ou recréez le prédicteur avec les données mises à jour. Vous pouvez activer Predictor Explainability pour un nouveau prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast. ------ #### [ Console ] **Pour activer l'explicabilité de Predictor** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez votre prédicteur. 1. **Dans la section **Explicabilité du prédicteur, sélectionnez Activer l'explicabilité**.** 1. Donnez un nom unique à l'explicabilité du prédicteur. 1. Choisissez **Démarrer** ------ #### [ Python ] Pour activer l'explicabilité du prédicteur pour un prédicteur existant avec le SDK pour Python (Boto3), utilisez la méthode. `create_explainability` **Spécifiez un nom pour l'explicabilité, l'ARN du prédicteur et pour`ExplainabilityConfig`, définissez les deux `TimePointGranularity` et `TimeSeriesGranularity` sur ALL.** **Pour créer une visualisation d'explicabilité visible dans la console, définissez `EnableVisualization` ce paramètre sur True.** Pour plus d'informations sur les paramètres obligatoires et facultatifs, voir[CreateExplainability](API_CreateExplainability.md). ``` import boto3 forecast = boto3.client('forecast') create_explainability_response = forecast.create_explainability( ExplainabilityName = 'explainability_name', ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName', ExplainabilityConfig = { "TimePointGranularity": "ALL", "TimeSeriesGranularity": "ALL" }, EnableVisualization = True ) ``` ------ ## Exporter l'explicabilité des prédicteurs **Note** Les fichiers d'exportation peuvent renvoyer directement les informations issues de l'importation du jeu de données. Cela rend les fichiers vulnérables aux injections CSV si les données importées contiennent des formules ou des commandes. C'est pourquoi les fichiers exportés peuvent provoquer des avertissements de sécurité. Pour éviter toute activité malveillante, désactivez les liens et les macros lors de la lecture des fichiers exportés. Forecast vous permet d'exporter un fichier CSV ou Parquet contenant les scores d'impact vers un emplacement S3. Les scores d’impact vont de -1 à 1, le signe indiquant la direction de l’impact. Vous pouvez exporter les scores d'impact à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast. ![\[Table showing normalized impact scores for price, promotion, weather index, and US holidays.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/explainability-global.png) ------ #### [ Console ] **Pour exporter Predictor Explainability** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez votre prédicteur. 1. **Dans la section **Explicabilité du prédicteur**, sélectionnez Exporter.** 1. Dans le champ **Nom de l'exportation**, indiquez un nom unique pour l'exportation. 1. Pour le champ d'**emplacement d'exportation de l'explicabilité S3**, indiquez un emplacement S3 pour exporter le fichier CSV. 1. Pour le champ **Rôle IAM**, indiquez un rôle ayant accès à l'emplacement S3 spécifié. 1. Choisissez **Créer une exportation.** ------ #### [ Python ] Pour exporter une explicabilité prédictive avec le SDK pour Python (Boto3), utilisez la méthode. `create_explainability_export` Donnez un nom à la tâche, spécifiez l'ARN de l'explicabilité et, dans l'`Destination`objet, spécifiez votre emplacement de destination Amazon S3 et votre rôle de service IAM. Pour plus d'informations sur les paramètres obligatoires et facultatifs, voir[CreateExplainabilityExport](API_CreateExplainabilityExport.md). ``` import boto3 forecast = boto3.client('forecast') export_response = forecast.create_explainability_export( Destination = { "S3Config": { "Path": "s3://bucketName/filename.csv", "RoleArn": "arn:aws:iam::accountNumber:role/roleName" } }, ExplainabilityArn = 'arn:aws:forecast:region:accountNumber:explainability/explainabilityName', ExplainabilityExportName = 'job_name' ) ``` ------ ## Restrictions et meilleures pratiques Tenez compte des restrictions et des meilleures pratiques suivantes lorsque vous utilisez Predictor Explainability. + L'**explicabilité des prédicteurs n'est disponible que pour certains prédicteurs créés avec AutoPredictor** - Vous ne pouvez pas activer l'explicabilité pour les anciens prédicteurs créés avec AutoML ou par sélection manuelle. Consultez la section [Mise à niveau vers AutoPredictor](howitworks-predictor.md#upgrading-autopredictor). + L'**explicabilité des prédicteurs n'est pas disponible pour tous les modèles. Les modèles** ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model) et NPTS (Non-Parametric Time Series) n'intègrent pas de données de séries chronologiques externes. Par conséquent, ces modèles ne créent pas de rapport d'explicabilité, même si vous incluez les ensembles de données supplémentaires. + L'**explicabilité nécessite des attributs** : votre prédicteur doit inclure au moins l'un des éléments suivants : les séries chronologiques associées, les métadonnées des articles, les jours fériés ou l'indice météorologique. + Les **prédicteurs sont limités à une seule ressource d'explicabilité**. Vous ne pouvez pas créer plusieurs ressources d'explicabilité pour un prédicteur. Si vous êtes intéressé par les scores d'impact d'un ensemble de données mis à jour, réentraînez votre prédicteur. + **Les scores d'impact nuls indiquent l'absence d'impact** : si un attribut a un score d'impact de 0, cet attribut n'a aucun impact significatif sur les valeurs de prévision. + **Réessayer des tâches Predictor Explainability qui ont échoué -** Si Forecast crée un Predictor avec succès mais que la tâche Predictor Explainability échoue, vous pouvez réessayer de créer Predictor Explainability dans la console ou lors de l'opération. CreateExplainability + **Vous ne pouvez pas créer de scores d'impact pour des points temporels ou des séries chronologiques spécifiques**. Pour consulter les scores d'impact pour des points temporels et des séries chronologiques spécifiques, consultez [Forecast Explainability](forecast-explainability.md). + Les **visualisations de l'explicabilité du prédicteur sont disponibles pendant 90 jours après leur création**. Pour afficher la visualisation après 90 jours, réentraînez le prédicteur. # Surveillance des prédicteurs **Note** Si vous activez la surveillance des prédicteurs, Amazon Forecast stockera les données de chacune de vos prévisions à des fins d'analyse des performances des prédicteurs, même après avoir supprimé les données de prévision. Pour supprimer ces données, supprimez la ressource de surveillance. La surveillance des prédicteurs vous permet de voir comment les performances de votre prédicteur évoluent au fil du temps. Divers facteurs peuvent entraîner des modifications des performances, tels que les développements économiques ou les modifications du comportement de vos clients. Imaginons, par exemple, un scénario de prévisions dans lequel la cible est `sales` (ventes), associée à deux attributs : `price` (prix) et `color` (couleur). Dans les mois qui suivent la création de votre premier prédicteur, certaines couleurs peuvent soudainement gagner en popularité auprès de vos clients. Cela peut faire augmenter les ventes d'articles dotés de cet attribut. Ces nouvelles données peuvent avoir un impact sur les performances de votre prédicteur et sur la précision des prévisions qu'il génère. Lorsque la surveillance des prédicteurs est activée, Forecast analyse les performances de votre prédicteur à mesure que vous générez des prévisions et que vous importez davantage de données. Forecast compare les nouvelles données aux prévisions précédentes afin de détecter toute modification des performances. Vous pouvez consulter des graphiques illustrant l'évolution des différentes mesures de précision au fil du temps dans la console Forecast. Ou vous pouvez obtenir des résultats de surveillance avec l'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)opération. La surveillance des prédicteurs peut vous aider à décider s'il est temps de réentraîner votre prédicteur. Si les performances se dégradent, vous souhaiterez peut-être réentraîner le prédicteur sur des données plus récentes. Si vous choisissez de réentraîner votre prédicteur, le nouveau prédicteur inclura les données de surveillance du précédent. Vous pouvez également utiliser la surveillance prédictive pour collecter des données contextuelles sur votre environnement de production ou pour effectuer des comparaisons pour différentes expériences. La surveillance prédictive n'est disponible que pour AutoPredictors. Vous pouvez mettre à niveau les anciens prédicteurs existants vers. AutoPredictor Consultez la section [Mise à niveau vers AutoPredictor](howitworks-predictor.md#upgrading-autopredictor). **Topics** + [Flux de travail de surveillance des prédicteurs](#predictor-monitoring-workflow) + [Activation de la surveillance des prédicteurs](enabling-predictor-monitoring.md) + [Affichage des résultats de surveillance](predictor-monitoring-results.md) + [Restrictions et meilleures pratiques](#predictor-monitoring-best-practices) ## Flux de travail de surveillance des prédicteurs Pour obtenir des résultats de surveillance des prédicteurs, vous devez d'abord utiliser votre prédicteur pour générer une prévision, puis importer d'autres données. Le flux de travail de surveillance est le suivant. 1. Activez la surveillance des prédicteurs pour un prédicteur automatique : + Créez un nouveau prédicteur avec la surveillance activée. Consultez [Activation de la surveillance des prédicteurs pour un nouveau prédicteur](enabling-predictor-monitoring.md#enabling-predictor-monitoring-new). + Vous pouvez également activer la surveillance d'un prédicteur existant. Consultez [Activation de la surveillance des prédicteurs pour un prédicteur existant](enabling-predictor-monitoring.md#enabling-predictor-monitoring-existing). 1. Utilisez le prédicteur pour générer une ou plusieurs prévisions. 1. Importer plus de données. Pour plus d'informations sur l'importation de données dans Forecast, consultez[Importation de jeux de données](howitworks-datasets-groups.md). 1. Afficher les résultats de la surveillance des prédicteurs : + Vous pouvez consulter les résultats dans l'onglet **Surveillance** de votre prédicteur. + Ou vous pouvez obtenir des résultats de surveillance avec l'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)opération. Pour de plus amples informations, veuillez consulter [Affichage des résultats de surveillance](predictor-monitoring-results.md). # Activation de la surveillance des prédicteurs Vous pouvez activer la surveillance des prédicteurs lorsque vous créez le prédicteur, ou vous pouvez l'activer pour un prédicteur existant. **Note** La surveillance prédictive n'est disponible que pour AutoPredictors. Vous pouvez mettre à niveau les anciens prédicteurs existants vers. AutoPredictor Consultez la section [Mise à niveau vers AutoPredictor](howitworks-predictor.md#upgrading-autopredictor). **Topics** + [Activation de la surveillance des prédicteurs pour un nouveau prédicteur](#enabling-predictor-monitoring-new) + [Activation de la surveillance des prédicteurs pour un prédicteur existant](#enabling-predictor-monitoring-existing) ## Activation de la surveillance des prédicteurs pour un nouveau prédicteur Vous pouvez activer la surveillance des prédicteurs pour un nouveau prédicteur à l'aide de la console, AWS CLI AWS SDKs, et de l'[CreateAutoPredictor](API_CreateAutoPredictor.md)opération. ------ #### [ Console ] **Pour activer la surveillance de Predictor** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez **Train new predictor.** 1. Dans la section **Configuration du prédicteur**, choisissez **Activer la surveillance**. 1. Entrez des valeurs pour les champs obligatoires suivants : + **Nom : nom** unique du prédicteur. + **Fréquence des prévisions** : granularité de vos prévisions. + **Horizon de prévision** : nombre d'étapes temporelles à prévoir. 1. Choisissez **Démarrer** pour créer un indicateur automatique avec la surveillance activée. Vous verrez les résultats de surveillance lorsque vous utiliserez le prédicteur pour générer des prévisions, puis que vous importerez davantage de données. ------ #### [ Python ] Pour activer la surveillance des prédicteurs pour un nouveau prédicteur avec le SDK pour Python (Boto3), `create_auto_predictor` utilisez la méthode et indiquez un nom de moniteur dans le. `MonitoringConfig` Le code suivant crée un prédicteur automatique qui fait des prédictions pour 24 (`ForecastHorizon`) jours (`ForecastFrequency`) dans le futur, et spécifie `MyPredictorMonitor` comme. `MonitorName` Après avoir généré une prévision, puis importé d'autres données, vous pouvez consulter les résultats de la surveillance des prédicteurs. Pour plus d'informations sur la récupération des résultats, consultez[Affichage des résultats de surveillance](predictor-monitoring-results.md). Pour plus d'informations sur les paramètres obligatoires et facultatifs pour la création d'un prédicteur, voir[CreateAutoPredictor](API_CreateAutoPredictor.md). ``` import boto3 forecast = boto3.client('forecast') create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 24, ForecastFrequency = 'D', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, MonitorConifg = { "MonitorName": "MyMonitorName" } ) ``` ------ ## Activation de la surveillance des prédicteurs pour un prédicteur existant Vous pouvez activer la surveillance des prédicteurs pour un prédicteur existant à l'aide de la console AWS CLI, et. AWS SDKs ------ #### [ Console ] **Pour activer la surveillance des prédicteurs** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez votre prédicteur. 1. Accédez à l'onglet **Surveillance**. 1. Dans la section **Détails de la surveillance**, choisissez **Démarrer la surveillance** Lorsque le **statut de surveillance** est actif, la surveillance des prédicteurs est activée. Après avoir généré une prévision, puis importé d'autres données, vous pouvez consulter les résultats de la surveillance des prédicteurs. Pour plus d'informations, consultez [Affichage des résultats de surveillance](predictor-monitoring-results.md). ------ #### [ Python ] Pour activer la surveillance d'un prédicteur existant avec le SDK pour Python (Boto3), utilisez la méthode. `create_monitor` Spécifiez un nom pour la surveillance et pour `ResourceArn` spécifier le nom de ressource Amazon (ARN) pour le prédicteur à surveiller. Utilisez la `describe_monitor` méthode et fournissez l'ARN du moniteur pour obtenir l'état du moniteur. Après avoir généré une prévision, puis importé d'autres données, vous pouvez consulter les résultats de la surveillance des prédicteurs. Pour de plus amples informations, veuillez consulter [Affichage des résultats de surveillance](predictor-monitoring-results.md). Pour plus d'informations sur les paramètres obligatoires et facultatifs, consultez le [CreateMonitor](API_CreateMonitor.md) et[DescribeMonitor](API_DescribeMonitor.md). ``` import boto3 forecast = boto3.client('forecast') create_monitor_response = forecast.create_monitor( MonitorName = 'monitor_name', ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName' ) monitor_arn = create_monitor_response['MonitorArn'] describe_monitor_response = forecast.describe_monitor( MonitorArn = monitor_arn ) print("Monitor status: " + describe_monitor_response['Status']) ``` ------ # Affichage des résultats de surveillance Après avoir généré une prévision, puis importé d'autres données, vous pouvez consulter les résultats de la surveillance des prédicteurs. Vous pouvez visualiser les résultats à l'aide de la console Forecast ou les récupérer par programmation avec l'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)opération. La console Forecast affiche des graphiques des résultats pour chaque [métrique prédictive](metrics.md). Les graphiques indiquent l'évolution de chaque métrique au cours de la durée de vie de votre prédicteur et les événements prédictifs, tels que le recyclage. L'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)opération renvoie des résultats métriques et des événements prédictifs pour différentes fenêtres temporelles. ------ #### [ Console ] **Pour afficher les résultats de la surveillance des prédicteurs** 1. Connectez-vous à la console Amazon Forecast AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Dans **Groupes de jeux de données**, choisissez votre groupe de jeux de données. 1. Dans le volet de navigation, sélectionnez **Predictors.** 1. Choisissez le prédicteur et cliquez sur l'onglet **Surveillance**. + La section **des résultats de surveillance** montre comment les différentes mesures de précision ont évolué au fil du temps. Utilisez la liste déroulante pour modifier la métrique suivie par le graphique. + La section **Historique du suivi** répertorie les détails des différents événements suivis dans les résultats. Voici un exemple de graphique illustrant l'évolution du `Avg wQL` score d'un prédicteur au fil du temps. Dans ce graphique, notez que la `Avg wQL` valeur augmente au fil du temps. Cette augmentation indique que la précision du prédicteur diminue. Utilisez ces informations pour déterminer si vous devez revalider le modèle et prendre des mesures. ![\[Graph showing increasing Avg wQL score over time, indicating decreasing predictor accuracy.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/predictor-drift.png) ------ #### [ SDK for Python (Boto3) ] Pour obtenir des résultats de surveillance avec le SDK pour Python (Boto3), utilisez la méthode. `list_monitor_evaluations` Indiquez le nom de ressource Amazon (ARN) du moniteur et spécifiez éventuellement le nombre maximum de résultats à récupérer à l'aide du `MaxResults` paramètre. Spécifiez éventuellement a `Filter` pour filtrer les résultats. Vous pouvez filtrer les évaluations en fonction `EvaluationState` de l'un `SUCCESS` ou de l'autre`FAILURE`. Le code suivant permet d'obtenir au maximum 20 évaluations de suivi réussies. ``` import boto3 forecast = boto3.client('forecast') monitor_results = forecast.list_monitor_evaluations( MonitorArn = 'monitor_arn', MaxResults = 20, Filters = [ { "Condition": "IS", "Key": "EvaluationState", "Value": "SUCCESS" } ] ) print(monitor_results) ``` Voici un exemple de réponse JSON : ``` { "NextToken": "string", "PredictorMonitorEvaluations": [ { "MonitorArn": "MonitorARN", "ResourceArn": "PredictorARN", "EvaluationTime": "2020-01-02T00:00:00Z", "EvaluationState": "SUCCESS", "WindowStartDatetime": "2019-01-01T00:00:00Z", "WindowEndDatetime": "2019-01-03T00:00:00Z", "PredictorEvent": { "Detail": "Retrain", "Datetime": "2020-01-01T00:00:00Z" }, "MonitorDataSource": { "DatasetImportJobArn": "arn:aws:forecast:region:accountNumber:dataset-import-job/*", "ForecastArn": "arn:aws:forecast:region:accountNumber:forecast/*", "PredictorArn": "arn:aws:forecast:region:accountNumber:predictor/*", }, "MetricResults": [ { "MetricName": "AverageWeightedQuantileLoss", "MetricValue": 0.17009070456599376 }, { "MetricName": "MAPE", "MetricValue": 0.250711322309796 }, { "MetricName": "MASE", "MetricValue": 1.6275608734888485 }, { "MetricName": "RMSE", "MetricValue": 3100.7125081405547 }, { "MetricName": "WAPE", "MetricValue": 0.17101159704738722} ] } ] } ``` ------ ## Restrictions et meilleures pratiques Tenez compte des restrictions et des meilleures pratiques suivantes lorsque vous travaillez avec la surveillance prédictive. + **La surveillance des prédicteurs n'est disponible que pour les prédicteurs automatiques** : vous ne pouvez pas activer la surveillance pour les anciens prédicteurs créés avec AutoML ou par sélection manuelle. Consultez la section [Mise à niveau vers AutoPredictor](howitworks-predictor.md#upgrading-autopredictor). + **La surveillance des prédicteurs est unique par prédicteur automatique** : vous ne pouvez créer qu'un seul moniteur par prédicteur automatique. + **La surveillance des prédicteurs nécessite de nouvelles données et la génération de prévisions** : lorsque vous importez de nouvelles données utilisées pour générer de nouvelles prévisions, les résultats de la surveillance des prédicteurs sont disponibles. Si vous n'importez pas de nouvelles données ou si les données récemment importées ne couvrent pas un horizon de prévision complet, les résultats du suivi ne s'afficheront pas. + **La surveillance des prédicteurs nécessite de nouvelles prévisions** : vous devez générer de nouvelles prévisions en permanence pour générer des résultats de surveillance. Si vous ne générez pas de nouvelles prévisions, les résultats de surveillance ne s'afficheront pas. + **Amazon Forecast stockera les données de chacune de vos prévisions à des fins d'analyse des performances des prédicteurs**. Forecast stocke ces données même si vous supprimez des prévisions. Pour supprimer ces données, supprimez le moniteur associé. + L'[StopResource](API_StopResource.md)opération mettra fin à toutes les évaluations en cours et à toutes les évaluations futures. + La métrique AvgQL n'est disponible que lorsque vous générez des prévisions pour des quantiles autres que la moyenne. + Les évaluations du moniteur en cours ne sont pas affichées dans l'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)opération. # Algorithmes d'Amazon Forecast Un prédicteur Amazon Forecast utilise un algorithme pour entraîner un modèle avec vos ensembles de données de séries chronologiques. Le modèle entraîné est ensuite utilisé pour générer des métriques et des prédictions. Si vous ne savez pas quel algorithme utiliser pour entraîner votre modèle, choisissez AutoML lors de la création d'un prédicteur et laissez Forecast entraîner le modèle optimal pour vos ensembles de données. Sinon, vous pouvez sélectionner manuellement l'un des algorithmes Amazon Forecast. **Carnets en Python** Pour un step-by-step guide sur l'utilisation d'AutoML, voir [Getting Started with AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb). ## Algorithmes de prévision intégrés Amazon Forecast propose six algorithmes intégrés parmi lesquels vous pouvez choisir. Il s'agit d'algorithmes statistiques couramment utilisés, tels que la moyenne mobile intégrée autorégressive (ARIMA), ou d'algorithmes de réseaux neuronaux complexes tels que CNN-QR et DeepAR\$1. ### [CNN-QR](aws-forecast-algo-cnnqr.md) `arn:aws:forecast:::algorithm/CNN-QR` Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, est un algorithme d'apprentissage automatique propriétaire permettant de prévoir des séries chronologiques à l'aide de réseaux neuronaux convolutifs causaux (). CNNs CNN-QR fonctionne mieux avec de grands ensembles de données contenant des centaines de séries chronologiques. Il accepte les métadonnées des éléments et est le seul algorithme de Forecast qui accepte les données de séries chronologiques associées sans valeurs futures. ### [DeepAR\$1](aws-forecast-recipe-deeparplus.md) `arn:aws:forecast:::algorithm/Deep_AR_Plus` Amazon Forecast DeepAr\$1 est un algorithme d'apprentissage automatique propriétaire permettant de prévoir des séries chronologiques à l'aide de réseaux neuronaux récurrents ()RNNs. DeepAr\$1 fonctionne mieux avec de grands ensembles de données contenant des centaines de séries chronologiques de fonctionnalités. L'algorithme accepte les séries chronologiques et les métadonnées des éléments liées à l'avenir. ### [Prophète](aws-forecast-recipe-prophet.md) `arn:aws:forecast:::algorithm/Prophet` Prophet est un algorithme de prévision de séries chronologiques basé sur un modèle additif dans lequel les tendances non linéaires sont ajustées à la saisonnalité annuelle, hebdomadaire et quotidienne. Cela fonctionne mieux avec des séries chronologiques présentant de forts effets saisonniers et plusieurs saisons de données historiques. ### [NPT](aws-forecast-recipe-npts.md) `arn:aws:forecast:::algorithm/NPTS` L'algorithme propriétaire d'Amazon Forecast Non-Parametric Time Series (NPTS) est un outil de prévision de référence probabiliste et évolutif. NPTS est particulièrement utile lorsque vous travaillez avec des séries temporelles fragmentées ou intermittentes. Forecast propose quatre variantes d'algorithmes : Standard NPTS, Seasonal NPTS, Climatological Forecaster et Seasonal Climatological Forecaster. ### [ARIMA](aws-forecast-recipe-arima.md) `arn:aws:forecast:::algorithm/ARIMA` La moyenne mobile intégrée autorégressive (ARIMA) est un algorithme statistique couramment utilisé pour les prévisions de séries chronologiques. L'algorithme est particulièrement utile pour les ensembles de données simples comportant moins de 100 séries chronologiques. ### [ETS](aws-forecast-recipe-ets.md) `arn:aws:forecast:::algorithm/ETS` Le lissage exponentiel (ETS) est un algorithme statistique couramment utilisé pour la prévision de séries chronologiques. Cet algorithme est particulièrement utile pour les jeux de données simples contenant moins de 100 séries temporelles et les jeux de données présentant des schémas de saisonnalité. ETS calcule une moyenne pondérée sur toutes les observations du jeu de données des séries temporelles comme prédiction, avec des poids diminuant de façon exponentielle au fil du temps. ## Comparaison des algorithmes de prévision Utilisez le tableau suivant pour trouver la meilleure option pour vos ensembles de données de séries chronologiques. | | Réseaux neuronaux | Algorithmes locaux flexibles | Algorithme de base | | CNN-QR | DeepAR\$1 | Prophet | NPTS | ARIMA | ETS | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | Processus de formation intensif en calculs | Élevé | Élevé | Moyen | Faible | Faible | Faible | | Accepte les séries chronologiques liées à l'historique\$1 | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | | Accepte les séries chronologiques prospectives\$1 | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | | Accepte les métadonnées des articles (couleur du produit, marque, etc.) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | | Accepte la fonctionnalité intégrée Weather Index | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | | Convient aux ensembles de données clairsemés | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | | Effectue l'optimisation des hyperparamètres (HPO) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | | Permet de remplacer les valeurs par défaut des hyperparamètres | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/icon-no.png) | \$1Pour plus d'informations sur les séries chronologiques connexes, voir Séries [chronologiques connexes](related-time-series-datasets.md). # Algorithme de moyenne mobile intégrée autorégressive (ARIMA) Autoregressive Integrated Moving Average ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) est un algorithme de statistiques locales couramment utilisé pour les prévisions chronologiques. Il capture les différentes structures temporelles standard (organisations de temps modélisées) dans les ensembles de données en entrée. L'algorithme Amazon Forecast ARIMA appelle la [fonction Arima](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1) dans le `Package 'forecast'` Comprehensive R Archive Network (CRAN). ## Fonctionnement d'ARIMA L'algorithme Ineko est particulièrement utile pour les ensembles de données qui peuvent être mappés aux séries chronologiques fixes. Les propriétés statistiques de séries chronologiques fixes, comme les auto-corrélations, sont indépendantes. Les ensembles de données avec des séries chronologiques fixes contiennent généralement une combinaison de signal et de bruit. Le signal peut présenter un modèle d'oscillation sinusoïdale ou un composant saisonnier. ARIMA fonctionne comme un filtre pour séparer le signal du bruit, puis extrapole le signal dans l'avenir pour faire des prévisions. ## Hyper-paramètres ARIMA et réglage Pour plus d'informations sur les hyper-paramètres ARIMA et le réglage, consultez la documentation de la fonction `Arima` dans le [package « prévision »](https://cran.r-project.org/web/packages/forecast/forecast.pdf) de [CRAN](https://cran.r-project.org). Amazon Forecast convertit le `DataFrequency` paramètre spécifié dans l'[CreateDataset](API_CreateDataset.md)opération en `frequency` paramètre de la fonction R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) à l'aide du tableau suivant : | DataFrequency (chaîne) | R ts frequency (entier) | | --- | --- | | Y | 1 | | M | 12 | | W | 52 | | D | 7 | | H | 24 | | 30 min | 2 | | 15 min | 4 | | 10 min | 6 | | 5 min | 12 | | 1 min | 60 | Pour les fréquences inférieures à 24 ou les séries chronologiques courtes, les hyperparamètres sont définis à l'aide de la fonction `auto.arima` du `Package 'forecast'` de [CRAN](https://cran.r-project.org). Pour les fréquences supérieures ou égales à 24 et les séries chronologiques de longue durée, nous utilisons une série de Fourier avec K = 4, comme décrit ici, [Prévisions avec de longues périodes saisonnières](https://robjhyndman.com/hyndsight/longseasonality/). Les fréquences de données prises en charge qui ne sont pas dans la table ont par défaut une fréquence `ts` égale à 1. # Algorithme CNN-QR Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, est un algorithme d'apprentissage automatique propriétaire permettant de prévoir des séries chronologiques scalaires (unidimensionnelles) à l'aide de réseaux neuronaux convolutifs causaux (). CNNs Cet algorithme d'apprentissage supervisé entraîne un modèle global à partir d'une vaste collection de séries chronologiques et utilise un décodeur quantile pour établir des prédictions probabilistes. **Topics** + [Commencer à utiliser CNN-QR](#aws-forecast-algo-cnnqr-getting-started) + [Comment fonctionne CNN-QR](#aws-forecast-algo-cnnqr-how-it-works) + [Utilisation de données associées avec CNN-QR](#aws-forecast-algo-cnnqr-using-rts) + [Hyperparamètres CNN-QR](#aws-forecast-algo-cnnqr-hyperparameters) + [Conseils et bonnes pratiques](#aws-forecast-algo-cnnqr-tips) ## Commencer à utiliser CNN-QR Vous pouvez entraîner un prédicteur avec CNN-QR de deux manières : 1. Sélection manuelle de l'algorithme CNN-QR. 1. Choisir AutoML (CNN-QR fait partie d'AutoML). Si vous ne savez pas quel algorithme utiliser, nous vous recommandons de sélectionner AutoML, et Forecast sélectionnera CNN-QR s'il s'agit de l'algorithme le plus précis pour vos données. Pour savoir si CNN-QR a été sélectionné comme le modèle le plus précis, utilisez l'[DescribePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html)API ou choisissez le nom du prédicteur dans la console. Voici quelques cas d'utilisation clés de CNN-QR : + **Forecast avec des ensembles de données volumineux et complexes** - CNN-QR fonctionne mieux lorsqu'il est entraîné avec des ensembles de données volumineux et complexes. Le réseau neuronal peut apprendre à partir de nombreux ensembles de données, ce qui est utile lorsque vous disposez de séries chronologiques et de métadonnées d'éléments connexes. + **Prévision avec séries chronologiques associées à l'historique** - CNN-QR n'exige pas que les séries chronologiques associées contiennent des points de données dans l'horizon de prévision. Cette flexibilité accrue vous permet d'inclure un plus large éventail de séries chronologiques et de métadonnées relatives aux articles, telles que le prix des articles, les événements, les statistiques Web et les catégories de produits. ## Comment fonctionne CNN-QR Le CNN-QR est un modèle sequence-to-sequence (Seq2Seq) de prévision probabiliste qui teste dans quelle mesure une prédiction reconstruit la séquence de décodage, en fonction de la séquence de codage. L'algorithme permet différentes fonctionnalités dans les séquences de codage et de décodage. Vous pouvez donc utiliser une série chronologique associée dans l'encodeur et l'omettre du décodeur (et vice versa). Par défaut, les séries chronologiques associées avec des points de données dans l'horizon de prévision seront incluses à la fois dans l'encodeur et dans le décodeur. Les séries chronologiques associées sans points de données dans l'horizon de prévision seront uniquement incluses dans l'encodeur. CNN-QR effectue une régression quantile à l'aide d'un CNN causal hiérarchique servant d'extracteur de caractéristiques pouvant être apprises. Pour faciliter l'apprentissage des modèles dépendants du temps, tels que les pics pendant les week-ends, CNN-QR crée automatiquement des séries chronologiques de fonctionnalités basées sur la granularité des séries chronologiques. Par exemple, CNN-QR crée deux séries chronologiques de fonctionnalités (day-of-month et day-of-year) à une fréquence hebdomadaire. L'algorithme utilise ces séries chronologiques de caractéristiques dérivées ainsi que les séries chronologiques de caractéristiques personnalisées fournies lors de l'entraînement et de l'inférence. L'exemple suivant montre une série chronologique cible et deux entités de série chronologique dérivées : `ui,1,t` représente l'heure du jour et `ui,2,t` représente le jour de la semaine. `zi,t` ![\[\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/cnnqr-time-frequencies.PNG) CNN-QR inclut automatiquement ces séries chronologiques de fonctionnalités en fonction de la fréquence des données et de la taille des données d'entraînement. Le tableau suivant répertorie les fonctions qui peuvent être obtenues pour chaque fréquence de temps prise en charge. **** | Fréquence des séries chronologiques | Caractéristiques dérivées | | --- | --- | | Minute | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year | | Heure | hour-of-day, day-of-week, day-of-month, day-of-year | | jour | day-of-week, day-of-month, day-of-year | | semaine | week-of-month, week-of-year | | Mois | month-of-year | Pendant l'entraînement, chaque série chronologique de l'ensemble de données d'entraînement se compose d'une paire de fenêtres contextuelles et de prévisions adjacentes avec des longueurs prédéfinies fixes. Cela est illustré dans la figure ci-dessous, où la fenêtre contextuelle est représentée en vert et la fenêtre de prévision est représentée en bleu. Vous pouvez utiliser un modèle entraîné sur un ensemble d'entraînement donné pour générer des prédictions pour les séries chronologiques du jeu d'entraînement et pour d'autres séries chronologiques. L'ensemble de données d'entraînement consiste en une série chronologique cible, qui peut être associée à une liste de séries chronologiques et de métadonnées d'éléments connexes. La figure ci-dessous montre comment cela fonctionne pour un élément d'un jeu de données d'entraînement indexé par`i`. L'ensemble de données d'entraînement se compose d'une série chronologique `zi,t` cible et de deux séries chronologiques connexes associées, `xi,1,t` et`xi,2,t`. La première série chronologique connexe est une série chronologique prospective, et la seconde est une série chronologique historique. `xi,1,t` `xi,2,t` ![\[\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/cnnqr-short-long-rts.png) CNN-QR apprend à travers les séries temporelles cibles et les séries chronologiques associées`xi,2,t`, `xi,1,t` et génère des prédictions dans la fenêtre de prévision, représentée par la ligne orange. `zi,t` ## Utilisation de données associées avec CNN-QR Le CNNQR prend en charge les ensembles de données de séries chronologiques connexes historiques et prospectifs. Si vous fournissez un ensemble de données de séries chronologiques connexes prospectives, toute valeur manquante sera remplie à l'aide de la [future méthode de remplissage](howitworks-missing-values.md). Pour plus d'informations sur les séries chronologiques associées historiques et prospectives, voir [Utilisation d'ensembles de données de séries chronologiques connexes](related-time-series-datasets.md). Vous pouvez également utiliser des ensembles de données de métadonnées d'articles avec CNN-QR. Il s'agit d'ensembles de données contenant des informations statiques sur les éléments de votre série chronologique cible. Les métadonnées des articles sont particulièrement utiles pour les scénarios de prévision démarrés à froid dans lesquels les données historiques sont limitées, voire inexistantes. Pour plus d'informations sur les métadonnées des articles, consultez la section [Métadonnées des articles.](item-metadata-datasets.md) ## Hyperparamètres CNN-QR Amazon Forecast optimise les modèles CNN-QR sur des hyperparamètres sélectionnés. Lorsque vous sélectionnez manuellement CNN-QR, vous avez la possibilité de transmettre des paramètres d'entraînement pour ces hyperparamètres. Le tableau suivant répertorie les hyperparamètres réglables de l'algorithme CNN-QR. | Nom du paramètre | Valeurs | Description | | --- | --- | --- | | context\$1length | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Nombre de points temporels que le modèle lit avant de faire des prédictions. En général, CNN-QR a des valeurs supérieures à `context_length` celles de DeepAr\$1, car CNN-QR n'utilise pas de décalage pour examiner d'autres données historiques. Si la valeur de `context_length` est en dehors d'une plage prédéfinie, CNN-QR définira automatiquement la valeur par défaut `context_length` sur une valeur appropriée. | | use\$1related\$1data | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Détermine les types de séries chronologiques connexes à inclure dans le modèle. Choisissez l'une des quatre options suivantes : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `HISTORICAL`inclut toutes les séries chronologiques liées à l'historique, ainsi `FORWARD_LOOKING` que toutes les séries chronologiques prospectives. Vous ne pouvez pas choisir un sous-ensemble `HISTORICAL` ou une série chronologique `FORWARD_LOOKING` associée. | | use\$1item\$1metadata | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Détermine si le modèle inclut les métadonnées des éléments. Choisissez l'une des deux options suivantes : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `use_item_metadata`inclut soit toutes les métadonnées des éléments fournies, soit aucune. Vous ne pouvez pas choisir un sous-ensemble de métadonnées d'article. | | epochs | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Nombre maximum de passages complets sur les données d'entraînement. Les petits ensembles de données nécessitent plus d'époques. Pour des valeurs élevées de `ForecastHorizon` et`context_length`, envisagez de diminuer les époques afin d'améliorer le temps d'entraînement. | ### Optimisation des hyperparamètres (HPO) L'optimisation des hyperparamètres (HPO) consiste à sélectionner les valeurs d'hyperparamètres optimales pour un objectif d'apprentissage spécifique. Avec Forecast, vous pouvez automatiser ce processus de deux manières : 1. Si vous choisissez AutoML, HPO s'exécutera automatiquement pour CNN-QR. 1. Sélection manuelle de CNN-QR et réglage. `PerformHPO = TRUE` Les séries chronologiques et les métadonnées d'articles connexes supplémentaires n'améliorent pas toujours la précision de votre modèle CNN-QR. Lorsque vous exécutez AutoML ou que vous activez HPO, CNN-QR teste la précision de votre modèle avec et sans les séries chronologiques et les métadonnées d'élément associées fournies, et sélectionne le modèle le plus précis. Amazon Forecast optimise automatiquement les trois hyperparamètres suivants pendant le HPO et vous fournit les valeurs apprises finales : + **context\$1length** - détermine jusqu'où le réseau peut voir dans le passé. Le processus HPO définit automatiquement une valeur `context_length` qui maximise la précision du modèle, tout en tenant compte du temps d'entraînement. + **use\$1related\$1data** : détermine les formes de séries chronologiques associées à inclure dans votre modèle. Le processus HPO vérifie automatiquement si les données de séries chronologiques associées améliorent le modèle et sélectionne le réglage optimal. + **use\$1item\$1metadata** : détermine s'il faut inclure les métadonnées des éléments dans votre modèle. Le processus HPO vérifie automatiquement si les métadonnées de votre article améliorent le modèle et choisit le réglage optimal. **Note** Si la fonction `Holiday` supplémentaire `use_related_data` est définie sur `NONE` ou `HISTORICAL` lorsque celle-ci est sélectionnée, cela signifie que l'inclusion des données relatives aux vacances n'améliore pas la précision du modèle. Vous pouvez définir la configuration HPO pour l'`context_length`hyperparamètre si vous l'avez définie `PerformHPO = TRUE` lors de la sélection manuelle. Cependant, vous ne pouvez modifier aucun aspect de la configuration HPO si vous choisissez AutoML. Pour plus d'informations sur la configuration HPO, reportez-vous à l'[IntergerParameterRange](https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html)API. ## Conseils et bonnes pratiques **Évitez les valeurs trop élevées pour ForecastHorizon** : l'utilisation de valeurs supérieures à 100 augmente le `ForecastHorizon` temps d'entraînement et peut réduire la précision du modèle. Si vous souhaitez procéder à des prévisions plus lointaines, envisagez de regrouper vos données à une fréquence plus élevée. Par exemple, utilisez `5min` plutôt que `1min`. **CNNs permettre une longueur de contexte plus élevée** - Avec CNN-QR, vous pouvez définir une valeur `context_length` légèrement supérieure à celle de DeepAr\$1, car CNNs ils sont généralement plus efficaces que. RNNs **Ingénierie des fonctionnalités des données associées** : testez différentes combinaisons de séries chronologiques et de métadonnées d'éléments associées lors de l'entraînement de votre modèle, et déterminez si les informations supplémentaires améliorent la précision. Les différentes combinaisons et transformations des séries chronologiques et des métadonnées des éléments connexes produiront des résultats différents. **CNN-QR ne prévoit pas au quantile moyen** : lorsque vous définissez `ForecastTypes` cette valeur `mean` avec l'[ CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html)API, les prévisions sont générées au quantile médian (ou). `0.5` `P50` # Algorithme DeepAR\$1 Amazon Forecast DeepAr\$1 est un algorithme d'apprentissage supervisé permettant de prévoir des séries chronologiques scalaires (unidimensionnelles) à l'aide de réseaux neuronaux récurrents (). RNNs Les méthodes de prévisions classiques, telles que la moyenne mobile intégrée autorégressive (ARIMA) ou le lissage exponentiel (ETS) adaptent un seul modèle par série chronologique individuelle, qui sera utilisé pour extrapoler la série chronologique dans l'avenir. Néanmoins, dans la plupart des applications, vous pouvez avoir de nombreuses séries chronologiques semblables dans un ensemble d'unités transversales Ces groupements en séries chronologiques peuvent demander différents produits, des charges de serveurs et des demandes de pages web. Dans ce cas, il peut être avantageux de former un seul modèle commun à toutes ces séries chronologiques. DeepAR\$1 adopte cette approche. Lorsque votre ensemble de données contient des centaines de séries chronologiques de fonctions, l’algorithme DeepAR\$1 surpasse les méthodes standard ARIMA et ETS. Vous pouvez également utiliser le modèle formé pour générer des prévisions pour les nouvelles séries chronologiques similaires à celles pour laquelle il avait été formé. **Carnets en Python** Pour un step-by-step guide sur l'utilisation de l'algorithme DeepAr\$1, consultez [Getting Started with](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb) DeepAr\$1. **Topics** + [Fonctionnement de DeepAR\$1](#aws-forecast-recipe-deeparplus-how-it-works) + [Hyperparamètres DeepAR\$1](#aws-forecast-recipe-deeparplus-hyperparameters) + [Réglage du modèle DeepAR\$1](#aws-forecast-recipe-deeparplus-tune-model) ## Fonctionnement de DeepAR\$1 Pendant la formation, DeepAR\$1 utilise un ensemble de données de formation et un ensemble de données de test facultatif. Il utilise l'ensemble de données de test pour évaluer le modèle formé. En général, les ensembles de données de formation et les ensembles de données de test ne doivent pas contenir le même ensemble de séries chronologiques. Vous pouvez utiliser un modèle entraîné sur un ensemble d'entraînement donné afin de générer des prévisions pour les séries chronologiques à venir dans l'ensemble d'entraînement, ainsi que pour les autres séries chronologiques. Les ensembles de données de formation et les ensembles de données de test se composent d'une (de préférence plusieurs) série chronologique cible. Ils peuvent éventuellement être associés à un vecteur de séries chronologiques de fonctionnalités et à un vecteur de caractéristiques catégorielles (pour plus de détails, voir l'interface [ Input/Output DeePar](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput) dans *SageMaker le guide du développeur d'IA*). L'exemple suivant illustre comment cela fonctionne pour un élément d'ensemble de données de formation indexé par `i`. L'ensemble des données de formation se compose d'une série chronologique cible, `zi,t` et de deux séries chronologiques de fonctions associées, `xi,1,t` et `xi,2,t`. ![\[\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.base.png) La série chronologique cible peut contenir des valeurs manquantes (représentées dans les graphiques par des ruptures de ligne dans les séries chronologiques). DeepAR\$1 prend uniquement en charge les séries chronologiques de fonctions connues dans le futur. Cela vous permet d'exécuter des scénarios « hypothético-déductifs ». Par exemple, « Que se passe-t-il si je modifie le prix d'un produit ? » Chaque série chronologique cible peut également être associée à un certain nombre de caractéristiques catégorielles. Vous pouvez l'utiliser pour encoder le groupement auquel appartient la série chronologique. Avec les fonctions de catégorie le modèle apprend le comportement normal de ce groupe, ce qui peut augmenter le niveau de précision. Un modèle implémente ceci en apprenant un vecteur d'intégration pour chaque groupe qui capture les propriétés courantes de toutes les séries chronologiques du groupe. Afin de faciliter les schémas d'apprentissage liés au temps, tels que les pics durant les week-ends, DeepAR\$1 crée automatiquement des séries chronologiques de fonctions basées sur la granularité. Par exemple, DeepAR\$1 crée deux séries chronologiques de fonctions (jour du mois et jour de l'année) à une fréquence hebdomadaire. Il utilise ces séries chronologiques de fonctions dérivées avec les séries chronologiques de fonctions personnalisées que vous fournissez au cours de la formation et de l'inférence. L'exemple suivant montre deux fonctions de séries chronologiques dérivées : `ui,1,t` représente l'heure de la journée et `ui,2,t` le jour de la semaine. ![\[\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.derived.png) DeepAR\$1 inclut automatiquement ces séries chronologiques de fonctions basées sur la fréquence des données et la taille des données de formation. Le tableau suivant répertorie les fonctions qui peuvent être obtenues pour chaque fréquence de temps prise en charge. **** | Fréquence des séries chronologiques | Caractéristiques dérivées | | --- | --- | | Minute | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year | | Heure | hour-of-day, day-of-week, day-of-month, day-of-year | | jour | day-of-week, day-of-month, day-of-year | | semaine | week-of-month, week-of-year | | Mois | month-of-year | Un modèle DeepAR\$1 est formé par plusieurs exemples de formation échantillonnés de façon aléatoire à partir de chacune des séries chronologiques de l'ensemble de données de formation. Chaque exemple d'entraînement se compose d'une paire de fenêtres de contexte et de prédiction adjacentes avec des longueurs prédéfinies fixes. L'hyperparamètre `context_length` contrôle jusqu'où peut remonter le réseau dans le passé et le paramètre `ForecastHorizon` contrôle jusqu'où peuvent porter les prévisions sur le futur. Pendant la formation, Amazon Forecast ignore les éléments de l'ensemble de données de formation dont la série chronologique est plus courte que la longueur de prévision spécifiée. L'exemple suivant illustre cinq échantillons avec une longueur de contexte (surlignée en vert) de 12 heures et une longueur de prévisions (surlignée en bleu) de 6 heures, tracés à partir de l'élément `i`. Pour simplifier, nous avons exclu les séries chronologiques de fonctions `xi,1,t` et `ui,2,t`. ![\[\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.sampled.png) Afin de capturer les variations saisonnières, DeepAR\$1 alimente automatiquement les valeurs décalées (période passée) issues des séries chronologiques cibles. Dans notre exemple d'échantillons pris sur une fréquence horaire, pour chaque index de temps `t = T`, le modèle prend les valeurs `zi,t`, qui se sont produites environ un, deux et trois jours par le passé (surlignées en rose). ![\[\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.lags.png) Pour l'inférence, le modèle formé utilise en entrée la série chronologique cible, qui peut ou non avoir été utilisée pendant la formation, puis prévoit une distribution de probabilités pour les prochaines valeurs `ForecastHorizon`. Puisque DeepAR\$1 est formé sur la totalité de l'ensemble de données, la prévision tient compte des modèles appris à partir de séries chronologiques similaires. Pour plus d'informations sur les mathématiques derrière DeepAR\$1, consultez [DeepAR : prévisions probabilistes avec réseaux récurrents autorégressifs](https://arxiv.org/abs/1704.04110) sur le site web de la bibliothèque de l'université de Cornell. ## Hyperparamètres DeepAR\$1 Le tableau suivant répertorie les hyperparamètres que vous pouvez utiliser dans l’algorithme DeepAR\$1. Les paramètres en gras participent à l'optimisation des hyperparamètres (HPO). | Nom du paramètre | Description | | --- | --- | | context\$1length | Le nombre de points temporels fournis au modèle avant de procéder à la prévision. La valeur de ce paramètre doit être à peu près la même que la `ForecastHorizon`. Comme le modèle reçoit également les entrées décalées de la cible, `context_length` peut être nettement plus petit que les saisonnalités classiques. Par exemple, une série chronologique quotidienne peut avoir une saisonnalité annuelle. Le modèle inclut automatiquement un décalage d'un an. La longueur du contexte peut donc être plus courte qu'un an. Les valeurs de décalage sélectionnées par le modèle dépendent de la fréquence des séries chronologiques. Par exemple, les valeurs de décalage pour la fréquence quotidienne sont : la semaine , les 2 semaines, les 3 semaines, les 4 semaines et l'année précédente. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | epochs | Nombre maximal de passages sur les données de formation. La valeur optimale dépend de la taille des données et du taux d'apprentissage. Des jeux de données plus petits et des taux d'apprentissage plus faibles nécessitent plus de valeurs epoch pour obtenir de bons résultats. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | learning\$1rate | Le taux d'apprentissage utilisé dans l'entraînement. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | learning\$1rate\$1decay | Taux de diminution du taux d'apprentissage. Au maximum, le taux d'apprentissage est réduit `max_learning_rate_decays` fois, puis la formation s'arrête. Ce paramètre ne sera utilisé que si la valeur `max_learning_rate_decays` est supérieure à 0. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | likelihood | Le modèle génère une prévision probabiliste, et peut fournir des quantiles de la distribution et renvoyer des échantillons. En fonction de vos données, sélectionnez une probabilité appropriée (modèle de bruit) qui est utilisée pour les estimations d'incertitude. Valeurs valides [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | max\$1learning\$1rate\$1decays | Le nombre maximal de réductions de taux d'apprentissage qui devraient se produire. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | num\$1averaged\$1models | Dans DeepAR \$1, une trajectoire de formation peut rencontrer plusieurs modèles. Chaque modèle peut avoir des forces et des faiblesses de prévisions différentes. DeepAR\$1 peut faire une moyenne des comportements de modèle pour profiter des forces de tous les modèles. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | num\$1cells | Le nombre de cellules à utiliser dans chaque couche masquée du réseau RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | | num\$1layers | Nombre de couches masquées du réseau RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | ## Réglage du modèle DeepAR\$1 Pour régler des modèles Amazon Forecast DeepAR\$1, suivez ces recommandations pour optimiser le processus de formation et la configuration matérielle. ### Bonnes pratiques d'optimisation de processus Pour obtenir les meilleurs résultats, suivez les recommandations suivantes : + Sauf lorsque vous fractionnez les ensembles de données, vous devez toujours fournir l'ensemble des séries chronologiques pour la formation et les tests, ainsi que lorsque vous appelez le modèle pour l'inférence. Quelle que soit la façon dont vous définissez `context_length`, ne fractionnez pas la série chronologique et fournissez-la dans son intégralité. Le modèle utilisera les points de données d'un passé plus lointain que `context_length` pour la fonction des valeurs décalées. + Pour le réglage du modèle, vous pouvez diviser l'ensemble de données en ensembles de données de test et de formation. Dans un scénario d'évaluation typique, vous devez tester le modèle sur les mêmes séries chronologiques que celles utilisées dans les formations, mais sur les points temporels futurs `ForecastHorizon` immédiatement après le dernier point visible. Pour créer des ensembles de données de formation et de test qui répondent à ces critères, utilisez tout l'ensemble de données (toutes les séries chronologiques) en tant qu'ensemble de données de test et supprimez les derniers points `ForecastHorizon` de chaque série chronologique. De cette façon, lors de la formation, le modèle ne détecte pas les valeurs cibles pour les points temps sur lesquels il est évalué pendant le test. Dans cette phase de test, les derniers points `ForecastHorizon` de chaque série chronologique de l'ensemble de données de test sont supprimées et une prévision est générée. La prévision est ensuite comparée aux valeurs réelles pour les derniers points `ForecastHorizon`. Vous pouvez créer des évaluations plus complexes en répétant les séries chronologiques à plusieurs reprises dans l'ensemble de données de test, mais en les coupant à différents points de terminaison. Cela produit des métriques de précision qui sont calculées sur une moyenne de plusieurs prévisions à partir de différents points temps. + Évitez d'utiliser des valeurs très grandes (> 400) pour le `ForecastHorizon` car cela ralentit le modèle et le rend moins précis. Si vous souhaitez procéder à des prévisions plus lointaines, envisagez de regrouper vos données à une fréquence plus élevée. Par exemple, utilisez `5min` plutôt que `1min`. + En raison des décalages, le modèle peut rechercher dans un passé plus lointain `context_length`. Par conséquent, vous n'avez pas à définir ce paramètre sur une grande valeur. Un bon point de départ pour ce paramètre est la même valeur que `ForecastHorizon`. + Former des modèles DeepAR\$1 avec autant de séries chronologiques qui sont disponibles. Même si un modèle DeepAR\$1 formé sur une seule série chronologique peut déjà bien fonctionner, des méthodes de prévisions standard tels que ARIMA ou ETS peuvent être plus précises et sont plus adaptées à ce cas d'utilisation. DeepAR\$1 commence à surpasser les méthodes standard lorsque votre ensemble de données contient des centaines de séries chronologiques de fonctions. Actuellement, DeepAR\$1 exige qu'il y ait au moins 300 observations disponibles sur l'ensemble des séries chronologiques de formation. # Algorithme de lissage exponentiel (ETS) Le lissage exponentiel [(ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) est un algorithme de statistiques local couramment utilisé pour les prévisions chronologiques. L'algorithme Amazon Forecast ETS appelle la [fonction ets](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1) dans le `Package 'forecast'` Comprehensive R Archive Network (CRAN). ## Fonctionnement d'ETS L'algorithme SCEQE est particulièrement utile pour les ensembles de données avec des variations saisonnières et d'autres hypothèses antérieures sur les données. ETS calcule une moyenne pondérée sur toutes les observations du jeu de données en séries chronologiques d'entrée comme prédiction. Les pondérations diminuent de façon exponentielle au fil du temps, contrairement aux pondérations constantes des méthodes de moyenne mobile simple. Les pondérations dépendent d'un paramètre constant, connu sous le nom de paramètre de lissage. ## Hyper-paramètres ETS et réglage Pour plus d'informations sur les hyper-paramètres ETS et le réglage, consultez la documentation sur la fonction `ets` dans le [package « prévision »](https://cran.r-project.org/web/packages/forecast/forecast.pdf) du [CRAN](https://cran.r-project.org). Amazon Forecast convertit le `DataFrequency` paramètre spécifié dans l'[CreateDataset](API_CreateDataset.md)opération en `frequency` paramètre de la fonction R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) à l'aide du tableau suivant : | DataFrequency (chaîne) | R ts frequency (entier) | | --- | --- | | Y | 1 | | M | 12 | | W | 52 | | D | 7 | | H | 24 | | 30 min | 2 | | 15 min | 4 | | 10 min | 6 | | 5 min | 12 | | 1 min | 60 | Les fréquences de données prises en charge qui ne sont pas dans la table ont par défaut une fréquence `ts` égale à 1. # Algorithme de séries chronologiques non paramétriques (NPTS) L’algorithme de séries chronologiques non paramétriques (NTPS) Amazon Forecast est une recette de prévision évolutive de base probabiliste. Elle prévoie la distribution de valeurs futures d'une série chronologique basée sur l'échantillonnage d'observations passées. Les prévisions sont délimitées par les valeurs observées. NPTS est particulièrement utile lorsque la série chronologique est intermittente (ou éparse, contenant beaucoup de 0) et sporadique. Par exemple, la demande prévisionnelle pour des éléments individuels où la série chronologique a des comptes très bas. Amazon Forecast fournit des variantes de NPTS qui diffèrent de celles des observations passées échantillonnées et de la façon dont elles le sont. Pour utiliser une variante NPTS, vous choisissez de définir un hyperparamètre. ## Fonctionnement de NPTS A l'instar des méthodes de prévisions classiques, telles que le lissage exponentiel (FTS) et la moyenne mobile intégrée autorégressive (ARIMA), NPTS génère des prévisions pour chaque série chronologique individuellement. Les séries chronologiques de l'ensemble de données peuvent avoir des longueurs différentes. Les points temps où les observations sont disponibles sont appelés la plage de formation et les points temps où la prévision est souhaitée sont appelés la plage de prévision. Les prédicteurs NTPS d'Amazon Forecast ont les variantes suivantes : NTPS, prédicteur climatologique, NTPS saisonnier, et prédicteur climatologique par saison. **Topics** + [NPTS](#aws-forecast-recipe-npts-variants-npts) + [NPTS saisonnier](#aws-forecast-recipe-npts-variants-seasonal) + [Prédicteur climatologique](#aws-forecast-recipe-npts-variants-climatological) + [Prédicteur climatologique saisonnier](#aws-forecast-recipe-npts-variants-seasonal-climatological) + [Fonctions saisonnières](#aws-forecast-recipe-npts-seasonal-features) + [Bonnes pratiques](#aws-forecast-recipe-npts-recommended-practices) ### NPTS Dans cette variante, les prévisions sont générées par l'échantillonnage de toutes les observations dans la plage de formation des séries chronologiques. Cependant, au lieu d'un échantillonnage uniforme de toutes les observations, cette variante attribue une pondération à chacune des observations passées en fonction du moment où la prévision est nécessaire. En particulier, elle utilise des pondérations avec réduction exponentielle en fonction de l'éloignement des observations passées. De cette manière, les observations d'un passé récent sont échantillonnées avec une probabilité beaucoup plus élevée que les observations d'un passé plus éloigné. Cela suppose que le passé proche est plus révélateur pour l'avenir qu'un passé éloigné. Vous pouvez contrôler les valeurs de décalage dans la pondération avec l'hyperparamètre `exp_kernel_weights`. Pour utiliser cette variante NPTS dans Amazon Forecast, définissez l'hyper-paramètre `use_seasonal_model` pour `False` et acceptez tous les autres paramètres par défaut. ### NPTS saisonnier La variante NPTS saisonnière est similaire à NTPS à l'exception du fait qu'au lieu d'échantillonner toutes les observations, elle n'utilise que les observations des *saisons * passées. Par défaut, la saison est déterminée par la granularité des séries chronologiques. Par exemple, concernant une série chronologique à l'heure, pour faire des prévisions à l'heure *t*, cette variante échantillone les observations correspondant à l'heure *t* des jours précédents. Semblable à NPTS, les observations à l'heure *t* du jour précédent ont plus de poids que les observations à l'heure *t* des jours bien antérieurs. Pour plus d'informations sur la façon de déterminer les variations saisonnières en fonction de la granularité de la série chronologique, consultez [Fonctions saisonnières](#aws-forecast-recipe-npts-seasonal-features). ### Prédicteur climatologique La variante du prédicteur climatologique échantillonne toutes les observations passées avec une probabilité uniforme. Pour utiliser le prédicteur climatologique, définissez l'hyperparamètre `kernel_type`sur `uniform` et l'hyperparamètre `use_seasonal_model` sur `False`. Acceptez les paramètres par défaut pour tous les autres hyperparamètres. ### Prédicteur climatologique saisonnier Semblable au NPTS saisonnier, le prédicteur climatologique saisonnier échantillonne les observations des saisons passées avec une probabilité uniforme. Pour utiliser le prédicteur climatologique saisonnier, définissez l'hyperparamètre `kernel_type` sur `uniform`. Acceptez toutes les valeurs par défaut pour tous les autres hyperparamètres. ### Fonctions saisonnières Pour déterminer ce qui correspond à une saison pour le NTPS saisonnier et pour le prédicteur climatologique saisonnier, utilisez les fonctions répertoriées dans le tableau suivant. Le tableau suivant répertorie les fonctions dérivées pour les fréquences de temps prises en charge, basées sur la granularité. Amazon Forecast inclut ces séries chronologiques de fonctions ; vous n'avez donc pas à les fournir. **** | Fréquence des séries chronologiques | Fonction pour déterminer la saisonnalité | | --- | --- | | Minute | minute-of-hour | | Heure | hour-of-day | | jour | day-of-week | | semaine | day-of-month | | Mois | month-of-year | ### Bonnes pratiques Lorsque vous utilisez les algorithmes NPTS Amazon Forecast, suivez les bonnes pratiques suivantes pour préparer les données et obtenir des résultats optimaux : + Comme NPTS génère des prévisions pour chaque séries chronologiques individuellement, fournissez les séries chronologiques complètes pour appeler le modèle de prévisions. De plus, acceptez la valeur par défaut des hyperparamètres `context_length`. Cela conduit l'algorithme à utiliser l'ensemble de la série chronologique. + Si vous modifiez le `context_length` (parce que les données de formation sont trop longues), assurez-vous qu'il est suffisamment grand et couvre plusieurs saisons passées. Par exemple, pour une série chronologique à la journée, cette valeur doit être au moins de 365 jours (sous réserve que vous ayez cette quantité de données). ## Hyperparamètres NPTS Le tableau suivant répertorie les hyperparamètres que vous pouvez utiliser dans l’algorithme NPTS. | Nom du paramètre | Description | | --- | --- | | context\$1length | Le nombre de points temporels sur le passé utilisés par le modèle pour faire les prévisions. Par défaut, elle utilise toutes les points temporels de la plage de formation. En général, la valeur de cet hyperparamètre doit être grande et doit couvrir plusieurs saisons passées. Par exemple, pour la série chronologique à la journée, cette valeur doit être au moins de 365 jours. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-npts.html) | | kernel\$1type | Le noyau à utiliser pour définir les pondérations utilisées pour l'échantillonnage sur les observations passées. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-npts.html) | | exp\$1kernel\$1weights | Valide uniquement lorsque `kernel_type` est `exponential`. Paramètre de mise à l'échelle du noyau. Pour un décalage (exponentielle) plus rapide (exponentielle) dans la pondération des observations d'un passé plus éloigné, utilisez une grande valeur. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-npts.html) | | use\$1seasonal\$1model | S'il convient d'utiliser une variante saisonnière. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-npts.html) | | use\$1default\$1time\$1features | Valide uniquement pour les *NTPS saisonniers* et les variantes de *prédicteur climatologique saisonnier*. S'il faut utiliser les fonctions de saison en fonction de la granularité de la série chronologique pour déterminer la saisonnalité. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/aws-forecast-recipe-npts.html) | # Algorithme Prophet [Prophet](https://facebook.github.io/prophet/) est un célèbre modèle bayésien de séries structurelles chronologiques. L'algorithme Amazon Forecast Prophet utilise la [classe Prophet](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) de l'implémentation Python de Prophet. ## Fonctionnement de Prophet Prophet est particulièrement utile pour les ensembles de données qui : + Contiennent des observations historiques détaillées (par heure, par journée ou par semaine) sur une longue période (des mois ou des années) + ont plusieurs saisonnalités fiables + Incluent des événements importants, mais irréguliers précédemment connus + ont des points de données manquants ou des valeurs aberrantes très grandes + affichent des tendances de croissance non linéaire qui s'approchent d'une limite Prophète est un modèle de régression supplémentaire sous forme d'une courbe tendancielle de croissance logistique ou linéaire. Il inclut un composant saisonnier annuel modélisé sur les séries de Fourier et un composant saisonnier hebdomadaire modélisé modélisée à l'aide de variables fictives. Pour plus d'informations, consultez [Prophet : prévision à l'échelle](https://research.facebook.com/blog/2017/2/prophet-forecasting-at-scale/). ## Hyperparamètres Prophet et séries chronologiques connexes Amazon Forecast utilise les [hyperparamètres](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) Prophet par défaut. Prophet prend également en charge les séries chronologiques associées en tant que fonctionnalités, fournies à Amazon Forecast dans le fichier CSV de séries chronologiques correspondant.