Amazon Forecast tidak lagi tersedia untuk pelanggan baru. Pelanggan Amazon Forecast yang ada dapat terus menggunakan layanan seperti biasa. [Pelajari lebih lanjut”](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mengimpor Dataset
*Dataset* [berisi data yang digunakan untuk melatih prediktor.](howitworks-predictor.md) Anda membuat satu atau beberapa kumpulan data Amazon Forecast dan mengimpor data pelatihan Anda ke dalamnya. Grup *dataset adalah kumpulan kumpulan data* komplementer yang merinci serangkaian parameter yang berubah selama serangkaian waktu. Setelah membuat grup kumpulan data, Anda menggunakannya untuk melatih prediktor.
Setiap grup kumpulan data dapat memiliki hingga tiga kumpulan data, satu dari setiap jenis [kumpulan data](#howitworks-dataset-domainstypes): deret waktu target, deret waktu terkait, dan metadata item.
Untuk membuat dan mengelola kumpulan data Forecast dan grup kumpulan data, Anda dapat menggunakan konsol Forecast, AWS Command Line Interface (AWS CLI), atau SDK. AWS
Misalnya kumpulan data Forecast, lihat repositori [Amazon Forecast Sample GitHub](https://github.com/aws-samples/amazon-forecast-samples).
**Topics**
+ [Set data](#howitworks-dataset)
+ [Grup Dataset](#howitworks-datasetgroup)
+ [Menyelesaikan Konflik dalam Frekuensi Pengumpulan Data](#howitworks-data-alignment)
+ [Menggunakan Kumpulan Data Deret Waktu Terkait](related-time-series-datasets.md)
+ [Menggunakan Set Data Metadata Item](item-metadata-datasets.md)
+ [Domain Dataset dan Jenis Dataset yang Telah Ditetapkan](howitworks-domains-ds-types.md)
+ [Memperbarui Data](updating-data.md)
+ [Menangani Nilai yang Hilang](howitworks-missing-values.md)
+ [Pedoman Dataset untuk Forecast](dataset-import-guidelines-troubleshooting.md)
## Set data
Untuk membuat dan mengelola kumpulan data Forecast, Anda dapat menggunakan Forecast APIs, termasuk [CreateDataset](API_CreateDataset.md) dan [DescribeDataset](API_DescribeDataset.md) operasi. Untuk daftar lengkap Forecast APIs, lihat[Referensi API](api-reference.md).
Saat membuat kumpulan data, Anda memberikan informasi, seperti berikut ini:
+ frequency/interval Di mana Anda merekam data Anda. Misalnya, Anda dapat mengumpulkan dan mencatat penjualan barang ritel setiap minggu. Dalam [Memulai](getting-started.md) latihan, Anda menggunakan listrik rata-rata yang digunakan per jam.
+ Format prediksi (*domain*) dan jenis dataset (dalam domain). Domain kumpulan data menentukan jenis perkiraan yang ingin Anda lakukan, sementara jenis kumpulan data membantu Anda mengatur data pelatihan Anda ke dalam kategori ramah-Forecast.
+ *Skema dataset.* Skema memetakan header kolom dari kumpulan data Anda. Misalnya, saat memantau permintaan, Anda mungkin telah mengumpulkan data per jam tentang penjualan barang di beberapa toko. Dalam hal ini, skema Anda akan menentukan urutan, dari kiri ke kanan, di mana stempel waktu, lokasi, dan penjualan per jam muncul di file data pelatihan Anda. Skema juga menentukan tipe data setiap kolom, seperti `string` atau`integer`.
+ Informasi geolokasi dan zona waktu. Atribut geolokasi didefinisikan dalam skema dengan tipe atribut. `geolocation` Informasi zona waktu ditentukan dengan [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operasi. Data geolokasi dan zona waktu harus disertakan untuk mengaktifkan [Indeks Cuaca](weather.md).
Setiap kolom dalam kumpulan data Forecast Anda mewakili *dimensi* atau *fitur* perkiraan. Dimensi Forecast menggambarkan aspek data Anda yang tidak berubah seiring waktu, seperti `store` atau`location`. Fitur Forecast mencakup parameter apa pun dalam data Anda yang bervariasi sepanjang waktu, seperti `price` atau`promotion`. Beberapa dimensi, seperti `timestamp` atau`itemId`, diperlukan dalam deret waktu target dan kumpulan data deret waktu terkait.
### Dataset Domain dan Jenis Dataset
Saat membuat kumpulan data Forecast, Anda memilih domain dan jenis kumpulan data. Forecast menyediakan domain untuk sejumlah kasus penggunaan, seperti memperkirakan permintaan ritel atau lalu lintas web. Anda juga dapat membuat domain khusus. Untuk daftar lengkap domain Forecast, lihat[Domain Dataset dan Jenis Dataset yang Telah Ditetapkan](howitworks-domains-ds-types.md).
Dalam setiap domain, pengguna Forecast dapat menentukan jenis kumpulan data berikut:
+ Kumpulan data deret waktu target (wajib) - Gunakan jenis kumpulan data ini saat data pelatihan Anda adalah deret waktu *dan* mencakup bidang yang ingin Anda hasilkan perkiraan. Bidang ini disebut *bidang target*.
+ Kumpulan data deret waktu terkait (opsional) - Pilih jenis kumpulan data ini saat data pelatihan Anda adalah deret waktu, tetapi *tidak* termasuk bidang target. Misalnya, jika Anda memperkirakan permintaan item, kumpulan data deret waktu terkait `price` mungkin memiliki bidang, tetapi tidak. `demand`
+ Set data metadata item (opsional) — Pilih jenis kumpulan data ini jika data pelatihan Anda *bukan* data deret waktu, tetapi menyertakan informasi metadata tentang item dalam deret waktu target atau kumpulan data deret waktu terkait. Misalnya, jika Anda memperkirakan permintaan item, kumpulan data metadata item mungkin memiliki `color` atau sebagai dimensi. `brand`
[Forecast hanya mempertimbangkan data yang disediakan oleh jenis dataset metadata item saat Anda menggunakan algoritma [CNN-QR](aws-forecast-algo-cnnqr.md) atau DeepAR\$1.](aws-forecast-recipe-deeparplus.md)
Metadata item sangat berguna dalam skenario peramalan coldstart, di mana Anda memiliki sedikit data historis langsung untuk membuat prediksi, tetapi memiliki data historis pada item dengan atribut metadata serupa. Saat Anda menyertakan metadata item, Forecast membuat perkiraan coldstart berdasarkan deret waktu yang serupa, yang dapat membuat perkiraan yang lebih akurat.
Bergantung pada informasi dalam data pelatihan Anda dan apa yang ingin Anda perkirakan, Anda dapat membuat lebih dari satu kumpulan data.
Misalnya, anggaplah Anda ingin membuat perkiraan untuk permintaan barang eceran, seperti sepatu dan kaus kaki. Anda dapat membuat kumpulan data berikut di domain RETAIL:
+ Kumpulan data deret waktu target - Termasuk data permintaan deret waktu historis untuk item ritel (`item_id`,`timestamp`, dan bidang `demand` target). Karena ini menunjuk bidang target yang ingin Anda perkirakan, Anda harus memiliki setidaknya satu kumpulan data deret waktu target dalam grup kumpulan data.
Anda juga dapat menambahkan hingga sepuluh dimensi lain ke kumpulan data deret waktu target. Jika Anda hanya menyertakan kumpulan data deret waktu target dalam grup kumpulan data Anda, Anda dapat membuat prakiraan baik di tingkat item atau tingkat perincian dimensi perkiraan saja. Untuk informasi selengkapnya, lihat [CreatePredictor](API_CreatePredictor.md).
+ Kumpulan data deret waktu terkait - Termasuk data deret waktu historis selain bidang target, seperti `price` atau. `revenue` Karena data deret waktu terkait harus dapat dipetakan untuk menargetkan data deret waktu, setiap kumpulan data deret waktu terkait harus berisi bidang pengidentifikasi yang sama. Dalam domain RETAIL, ini akan menjadi `item_id` dan`timestamp`.
Kumpulan data deret waktu terkait mungkin berisi data yang menyempurnakan perkiraan yang dibuat dari kumpulan data deret waktu target Anda. Misalnya, Anda mungkin menyertakan `price` data dalam kumpulan data deret waktu terkait pada tanggal masa depan yang ingin Anda hasilkan perkiraan. Dengan cara ini, Forecast dapat membuat prediksi dengan dimensi konteks tambahan. Untuk informasi selengkapnya, lihat [Menggunakan Kumpulan Data Deret Waktu Terkait](related-time-series-datasets.md).
+ Set data metadata item — Termasuk metadata untuk item ritel. Contoh metadata meliputi`brand`,, `category``color`, dan. `genre`
**Contoh Dataset dengan Dimensi Forecast**
Melanjutkan dengan contoh sebelumnya, bayangkan Anda ingin memperkirakan permintaan sepatu dan kaus kaki berdasarkan penjualan toko sebelumnya. Dalam kumpulan data deret waktu target berikut, `store` adalah dimensi perkiraan deret waktu, sedangkan `demand` bidang target. Kaus kaki dijual di dua lokasi toko (NYC dan SFO), dan sepatu hanya dijual di ORD.
Tiga baris pertama tabel ini berisi data penjualan pertama yang tersedia untuk toko NYC, SFO, dan ORD. Tiga baris terakhir berisi data penjualan terakhir yang tercatat untuk setiap toko. `...`Baris mewakili semua data penjualan item yang direkam antara entri pertama dan terakhir.
| `timestamp` | `item_id` | `store` | `demand` |
| --- | --- | --- | --- |
| 2019-01-01 | socks | NYC | 25 |
| 2019-01-05 | socks | SFO | 45 |
| 2019-02-01 | shoes | ORD | 10 |
| ... |
| 2019-06-01 | socks | NYC | 100 |
| 2019-06-05 | socks | SFO | 5 |
| 2019-07-01 | shoes | ORD | 50 |
### Skema Dataset
Setiap kumpulan data memerlukan skema, pemetaan JSON yang disediakan pengguna dari bidang dalam data pelatihan Anda. Di sinilah Anda mencantumkan dimensi dan fitur yang diperlukan dan opsional yang ingin Anda sertakan dalam kumpulan data Anda.
Jika dataset Anda menyertakan atribut geolocation, tentukan atribut dalam skema dengan tipe atribut. `geolocation` Untuk informasi selengkapnya, lihat [Menambahkan informasi Geolokasi](weather.md#adding-geolocation). Untuk menerapkan [Indeks Cuaca](weather.md), Anda harus menyertakan atribut geolokasi dalam deret waktu target Anda dan kumpulan data deret waktu terkait.
Beberapa domain memiliki dimensi opsional yang kami sarankan termasuk. Dimensi opsional tercantum dalam deskripsi setiap domain nanti dalam panduan ini. Sebagai contoh, lihat [Domain RITEL](retail-domain.md). Semua dimensi opsional mengambil tipe data`string`.
Skema diperlukan untuk setiap dataset. Berikut ini adalah skema yang menyertainya untuk contoh kumpulan data deret waktu target di atas.
```
{
"attributes": [
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "store",
"AttributeType": "string"
},
{
"AttributeName": "demand",
"AttributeType": "float"
}
]
}
```
Saat Anda mengunggah data latihan ke kumpulan data yang menggunakan skema ini, Forecast mengasumsikan bahwa `timestamp` bidangnya adalah kolom 1, `item_id` bidangnya adalah kolom 2, `store` bidangnya adalah kolom 3, dan `demand` bidang, bidang *target*, adalah kolom 4.
Untuk jenis kumpulan data deret waktu terkait, semua fitur terkait harus memiliki tipe atribut float atau integer. Untuk jenis dataset metadata item, semua fitur harus memiliki tipe atribut string. Untuk informasi selengkapnya, lihat [SchemaAttribute](API_SchemaAttribute.md).
**catatan**
Sebuah `attributeName` dan `attributeType` pasangan diperlukan untuk setiap kolom dalam dataset. Forecast menyimpan sejumlah nama yang tidak dapat digunakan sebagai nama atribut skema. Untuk daftar nama yang dipesan, lihat[Nama Bidang Cadangan](reserved-field-names.md).
## Grup Dataset
Grup *dataset adalah kumpulan* dari satu hingga tiga kumpulan data gratis, salah satu dari setiap jenis dataset. Anda mengimpor kumpulan data ke grup kumpulan data, lalu menggunakan grup kumpulan data untuk melatih prediktor.
Forecast mencakup operasi berikut untuk membuat grup kumpulan data dan menambahkan kumpulan data ke grup tersebut:
+ [CreateDatasetGroup](API_CreateDatasetGroup.md)
+ [UpdateDatasetGroup](API_UpdateDatasetGroup.md)
## Menyelesaikan Konflik dalam Frekuensi Pengumpulan Data
Forecast dapat melatih prediktor dengan data yang tidak selaras dengan frekuensi data yang Anda tentukan dalam operasi. [CreateDataset](API_CreateDataset.md) Misalnya, Anda dapat mengimpor data yang direkam dalam interval per jam meskipun beberapa data tidak diberi stempel waktu di bagian atas jam (02:20, 02:45). Forecast menggunakan frekuensi data yang Anda tentukan untuk mempelajari data Anda. Kemudian Forecast mengumpulkan data selama pelatihan prediktor. Untuk mengetahui informasi selengkapnya, lihat [Agregasi data untuk frekuensi perkiraan yang berbeda](data-aggregation.md).
# Menggunakan Kumpulan Data Deret Waktu Terkait
Kumpulan data deret waktu terkait mencakup data deret waktu yang tidak disertakan dalam kumpulan data deret waktu target dan dapat meningkatkan akurasi prediktor Anda.
Misalnya, dalam domain peramalan permintaan, kumpulan data deret waktu target akan berisi `timestamp` dan `item_id` dimensi, sedangkan kumpulan data deret waktu terkait pelengkap juga mencakup fitur tambahan berikut:,, dan. `item price` `promotion` `weather`
Kumpulan data deret waktu terkait dapat berisi hingga 10 dimensi perkiraan (yang sama dalam kumpulan data deret waktu target Anda) dan hingga 13 fitur deret waktu terkait.
**Notebook Python**
Untuk step-by-step panduan tentang penggunaan kumpulan data deret waktu terkait, lihat [Memasukkan](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb) Deret Waktu Terkait.
**Topics**
+ [Seri Waktu Terkait Sejarah dan Berwawasan ke Depan](#related-time-series-historical-futurelooking)
+ [Validasi Set Data Deret Waktu Terkait](#related-time-series-dataset-validation)
+ [Contoh: File Seri Waktu Terkait Berwawasan ke Depan](#related-time-series-example)
+ [Contoh: Peramalan Granularitas](#related-time-series-granularity)
+ [Prediktor Warisan dan Deret Waktu Terkait](#related-time-series-legacy)
## Seri Waktu Terkait Sejarah dan Berwawasan ke Depan
**catatan**
Deret waktu terkait yang berisi nilai apa pun dalam cakrawala perkiraan diperlakukan sebagai deret waktu berwawasan ke depan.
Deret waktu terkait datang dalam dua bentuk:
+ **Deret waktu historis**: deret waktu *tanpa* titik data dalam cakrawala perkiraan.
+ Deret waktu **berwawasan ke depan: deret waktu** *dengan* titik data dalam cakrawala perkiraan.
Deret waktu terkait historis berisi titik data hingga cakrawala perkiraan, dan tidak mengandung titik data apa pun dalam cakrawala perkiraan. Deret waktu terkait berwawasan ke depan berisi titik data hingga *dan* di dalam cakrawala perkiraan.
![\[Time series graph showing target, forward-looking, and historical related data with forecast window.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/short-long-rts.png)
## Validasi Set Data Deret Waktu Terkait
Kumpulan data deret waktu terkait memiliki batasan berikut:
+ Itu tidak dapat menyertakan nilai target dari deret waktu target.
+ Ini harus mencakup `item_id` dan `timestamp` dimensi, dan setidaknya satu fitur terkait (seperti`price`).
+ Data fitur deret waktu terkait harus dari `float` tipe `int` atau tipe data.
+ Untuk menggunakan seluruh deret waktu target, semua item dari kumpulan data deret waktu target juga harus disertakan dalam kumpulan data deret waktu terkait. Jika deret waktu terkait hanya berisi subset item dari deret waktu target, maka pembuatan model dan pembuatan perkiraan akan terbatas pada subset item tertentu.
Misalnya, jika deret waktu target berisi 1000 item dan kumpulan data deret waktu terkait hanya berisi 100 item, maka model dan prakiraan hanya akan didasarkan pada 100 item tersebut.
+ Frekuensi di mana data direkam dalam kumpulan data deret waktu terkait harus sesuai dengan interval di mana Anda ingin menghasilkan prakiraan (*perincian* peramalan).
Misalnya, jika Anda ingin menghasilkan prakiraan pada perincian mingguan, frekuensi di mana data direkam dalam deret waktu terkait juga harus mingguan, bahkan jika frekuensi di mana data direkam dalam deret waktu target adalah harian.
+ Data untuk setiap item dalam kumpulan data deret waktu terkait harus dimulai pada atau sebelum awal `timestamp` yang sesuai `item_id` dalam kumpulan data deret waktu target.
Misalnya, jika data deret waktu target `socks` dimulai pada 2019-01-01 dan data deret waktu target untuk `shoes` dimulai pada 2019-02-01, data deret waktu terkait untuk harus dimulai pada atau sebelum 2019-01-01 dan data untuk `socks` harus dimulai pada atau sebelum 2019-02-01. `shoes`
+ *Untuk kumpulan data deret waktu terkait berwawasan ke depan, stempel waktu terakhir untuk setiap item harus berada pada stempel waktu terakhir di jendela perkiraan yang ditentukan pengguna (disebut cakrawala perkiraan).*
*Dalam contoh file deret waktu terkait di bawah ini, `timestamp` data untuk kaus kaki dan sepatu harus berakhir pada atau setelah 2019-07-01 (stempel waktu terakhir yang direkam) ditambah cakrawala perkiraan.* Jika frekuensi data dalam deret waktu target adalah harian dan cakrawala perkiraan adalah 10 hari, titik data harian harus disediakan dalam file deret waktu terkait berwawasan ke depan hingga 2019-07-11.
+ Untuk kumpulan data deret waktu terkait historis, stempel waktu terakhir untuk setiap item harus cocok dengan stempel waktu terakhir dalam deret waktu target.
Dalam contoh file deret waktu terkait di bawah ini, `timestamp` data untuk kaus kaki dan sepatu harus berakhir pada 2019-07-01 (stempel waktu terakhir yang direkam).
+ Dimensi Forecast yang disediakan dalam kumpulan data deret waktu terkait harus sama dengan atau sebagian dari dimensi yang ditentukan dalam kumpulan data deret waktu target.
+ Deret waktu terkait tidak dapat memiliki nilai yang hilang. Untuk informasi tentang nilai yang hilang dalam kumpulan data deret waktu terkait, lihat [Menangani Nilai yang Hilang](howitworks-missing-values.md).
## Contoh: File Seri Waktu Terkait Berwawasan ke Depan
Tabel berikut menunjukkan file dataset deret waktu terkait yang dikonfigurasi dengan benar. Untuk contoh ini, asumsikan yang berikut:
+ Titik data terakhir dicatat dalam dataset deret waktu target pada 2019-07-01.
+ Cakrawala prakiraan adalah 10 hari.
+ Perincian prakiraan adalah harian ()`D`.
Baris `…` "" menunjukkan semua titik data di antara baris sebelumnya dan berikutnya.
| `timestamp` | `item_id` | `store` | `price` |
| --- | --- | --- | --- |
| 2019-01-01 | kaus kaki | NYC | 10 |
| 2019-01-02 | kaus kaki | NYC | 10 |
| 2019-01-03 | kaus kaki | NYC | 15 |
| ... |
| 2019-06-01 | kaus kaki | NYC | 10 |
| ... |
| 2019-07-01 | kaus kaki | NYC | 10 |
| ... |
| 2019-07-11 | kaus kaki | NYC | 20 |
| 2019-01-05 | kaus kaki | SFO | 45 |
| ... |
| 2019-06-05 | kaus kaki | SFO | 10 |
| ... |
| 2019-07-01 | kaus kaki | SFO | 10 |
| ... |
| 2019-07-11 | kaus kaki | SFO | 30 |
| 2019-02-01 | sepatu | ORD | 50 |
| ... |
| 2019-07-01 | sepatu | ORD | 75 |
| ... |
| 2019-07-11 | sepatu | ORD | 60 |
## Contoh: Peramalan Granularitas
Tabel berikut menunjukkan frekuensi perekaman data yang kompatibel untuk deret waktu target dan deret waktu terkait untuk diramalkan pada perincian mingguan. Karena data dalam kumpulan data deret waktu terkait tidak dapat digabungkan, Forecast hanya menerima frekuensi data deret waktu terkait yang sama dengan perincian peramalan yang dipilih.
| Frekuensi Data Masukan Target | Frekuensi Deret Waktu Terkait | Peramalan Granularitas | Didukung oleh Forecast? |
| --- | --- | --- | --- |
| Harian | Mingguan | Mingguan | Ya |
| Mingguan | Mingguan | Mingguan | Ya |
| N/A | Mingguan | Mingguan | Ya |
| Harian | Harian | Mingguan | Tidak |
## Prediktor Warisan dan Deret Waktu Terkait
**catatan**
Untuk memutakhirkan prediktor yang ada ke AutoPredictor, lihat [Upgrade ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
[[Saat menggunakan prediktor lama, Anda dapat menggunakan kumpulan data deret waktu terkait saat melatih prediktor dengan algoritma [CNN-QR](aws-forecast-algo-cnnqr.md), DeepAR\$1, dan Prophet.](aws-forecast-recipe-prophet.md)](aws-forecast-recipe-deeparplus.md) [NPTS](aws-forecast-recipe-npts.md), [ARIMA](aws-forecast-recipe-arima.md), dan [ETS](aws-forecast-recipe-ets.md) tidak menerima data deret waktu terkait.
Tabel berikut menunjukkan jenis deret waktu terkait yang diterima oleh setiap algoritma Amazon Forecast.
| | CNN-QR | DeepAR\$1 | Nabi | NPTS | ARIMA | ETS |
| --- | --- | --- | --- | --- | --- | --- |
| Deret waktu terkait sejarah | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Deret waktu terkait berwawasan ke depan | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
Saat menggunakan AutoML, Anda dapat memberikan data deret waktu terkait historis dan berwawasan ke depan, dan Forecast hanya akan menggunakan deret waktu tersebut jika berlaku.
Jika Anda memberikan data deret waktu terkait *berwawasan ke depan*, Forecast akan menggunakan data terkait dengan CNN-QR, DeepAR\$1, dan Prophet, dan tidak akan menggunakan data terkait dengan NPTS, ARIMA, dan ETS. Jika diberikan data deret waktu terkait *historis*, Forecast akan menggunakan data terkait dengan CNN-QR, dan tidak akan menggunakan data terkait dengan DeepAR\$1, Prophet, NPTS, ARIMA, dan ETS.
# Menggunakan Set Data Metadata Item
Kumpulan data *metadata item berisi data* kategoris yang memberikan konteks berharga untuk item dalam kumpulan data deret waktu target. Tidak seperti kumpulan data deret waktu terkait, kumpulan data metadata item memberikan informasi yang statis. Artinya, nilai data tetap konstan dari waktu ke waktu, seperti warna atau merek item. Kumpulan data metadata item adalah tambahan opsional untuk grup kumpulan data Anda. Anda dapat menggunakan metadata item hanya jika setiap item dalam kumpulan data deret waktu target Anda ada dalam kumpulan data metadata item yang sesuai.
Metadata item dapat mencakup merek, warna, model, kategori, tempat asal, atau fitur tambahan lainnya dari item tertentu. Misalnya, kumpulan data metadata item mungkin memberikan konteks untuk beberapa data permintaan yang ditemukan dalam kumpulan data deret waktu target yang mewakili penjualan e-reader Amazon hitam dengan penyimpanan 32 GB. Karena karakteristik ini tidak berubah dari day-to-day atau hour-to-hour, mereka termasuk dalam kumpulan data metadata item.
Metadata item berguna untuk menemukan dan melacak pola deskriptif di seluruh data deret waktu Anda. Jika Anda menyertakan kumpulan data metadata item dalam grup kumpulan data Anda, Forecast dapat melatih model untuk membuat prediksi yang lebih akurat berdasarkan kesamaan di seluruh item. Misalnya, Anda mungkin menemukan bahwa produk asisten virtual yang dibuat oleh Amazon lebih mungkin terjual habis daripada yang dibuat oleh perusahaan lain, dan kemudian rencanakan rantai pasokan Anda sesuai dengan itu.
Metadata item sangat berguna dalam skenario peramalan coldstart, di mana Anda tidak memiliki data historis untuk membuat prediksi, tetapi memiliki data historis pada item dengan atribut metadata serupa. Metadata item memungkinkan Forecast untuk memanfaatkan item serupa ke item coldstart Anda untuk menghasilkan perkiraan.
Saat Anda menyertakan metadata item, Forecast membuat perkiraan coldstart berdasarkan deret waktu yang serupa, yang dapat membuat perkiraan yang lebih akurat. Prakiraan Coldstart dibuat untuk item yang ada dalam kumpulan data metadata item tetapi tidak dalam deret waktu tambahan. Pertama, Forecast menghasilkan perkiraan untuk item non-coldstart, yang merupakan item dengan data historis dalam deret waktu tambahan. Selanjutnya, untuk setiap item coldstart, tetangga terdekatnya ditemukan menggunakan dataset metadata item. Kemudian, tetangga terdekat ini digunakan untuk membuat ramalan coldstart.
Setiap baris dalam kumpulan data metadata item dapat berisi hingga 10 bidang metadata, salah satunya harus berupa bidang identifikasi untuk mencocokkan metadata dengan item dalam deret waktu target. Seperti semua jenis kumpulan data, nilai setiap bidang ditentukan oleh skema kumpulan data.
**Notebook Python**
Untuk step-by-step panduan tentang penggunaan metadata item, lihat [Memasukkan](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb) Metadata Item.
**Topics**
+ [Contoh: Item Metadata File dan Skema](#item-metadata-example)
+ [Prediktor Warisan dan Metadata Item](#item-metadata-legacy)
+ [Lihat Juga](#item-metadata-see-also)
## Contoh: Item Metadata File dan Skema
Tabel berikut menunjukkan bagian dari file dataset metadata item yang dikonfigurasi dengan benar yang menjelaskan e-reader Amazon. Untuk contoh ini, asumsikan bahwa baris header mewakili skema kumpulan data, dan bahwa setiap item yang terdaftar berada dalam kumpulan data deret waktu target yang sesuai.
| `item_id` | `brand` | `model` | `color` | `waterproof` |
| --- | --- | --- | --- | --- |
| 1 | amazon | kertas putih | hitam | Ya |
| 2 | amazon | kertas putih | biru | Ya |
| 3 | amazon | base\$1model | hitam | tidak |
| 4 | amazon | base\$1model | putih | tidak |
| ... |
Berikut ini adalah informasi yang sama yang direpresentasikan dalam format CSV.
```
1,amazon,paperwhite,black,yes
2,amazon,paperwhite,blue,yes
3,amazon,base_model,black,no
4,amazon,base_model,white,no
...
```
Berikut ini adalah skema untuk contoh dataset ini.
```
{
"attributes": [
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "brand",
"AttributeType": "string"
},
{
"AttributeName": "model",
"AttributeType": "string"
},
{
"AttributeName": "color",
"AttributeType": "string"
},
{
"AttributeName": "waterproof",
"AttributeType": "string"
}
]
}
```
## Prediktor Warisan dan Metadata Item
**catatan**
Untuk memutakhirkan prediktor yang ada ke AutoPredictor, lihat [Upgrade ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
[[Saat menggunakan prediktor lama, Anda dapat menggunakan metadata item saat melatih prediktor dengan algoritma CNN-QR atau DeepAR\$1.](aws-forecast-recipe-deeparplus.md)](aws-forecast-algo-cnnqr.md) Saat menggunakan AutoML, Anda dapat memberikan metadata Item dan Forecast hanya akan menggunakan deret waktu tersebut jika berlaku
## Lihat Juga
[Untuk panduan mendalam tentang penggunaan kumpulan data metadata item, lihat [Memasukkan Kumpulan Data Metadata Item ke dalam Prediktor Anda di Repositori Sampel Amazon Forecast](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb). GitHub ](https://github.com/aws-samples/amazon-forecast-samples)
# Domain Dataset dan Jenis Dataset yang Telah Ditetapkan
Untuk melatih prediktor, Anda membuat satu atau beberapa kumpulan data, menambahkannya ke grup kumpulan data, dan menyediakan grup kumpulan data untuk pelatihan.
Untuk setiap kumpulan data yang Anda buat, Anda mengaitkan domain dataset dan tipe dataset. *Domain dataset* menentukan skema dataset yang telah ditentukan sebelumnya untuk kasus penggunaan umum, dan tidak memengaruhi algoritme model atau hiperparameter.
Amazon Forecast mendukung domain dataset berikut:
+ [Domain RITEL](retail-domain.md)— Untuk peramalan permintaan ritel
+ [Domain INVENTORY\$1PLANNING](inv-planning-domain.md)— Untuk rantai pasokan dan perencanaan inventaris
+ [Domain KAPASITAS EC2](ec2-capacity-domain.md)- Untuk memperkirakan kapasitas Amazon Elastic Compute Cloud (Amazon EC2)
+ [Domain WORK\$1FORCE](workforce-domain.md)— Untuk perencanaan angkatan kerja
+ [Web\$1TRAFFIC Domain](webtraffic-domain.md)— Untuk memperkirakan lalu lintas web future
+ [METRIK Domain](metrics-domain.md)— Untuk metrik peramalan, seperti pendapatan dan arus kas
+ [Domain KUSTOM](custom-domain.md)— Untuk semua jenis peramalan deret waktu lainnya
Setiap domain dapat memiliki satu hingga tiga *jenis dataset*. Jenis kumpulan data yang Anda buat untuk domain didasarkan pada jenis data yang Anda miliki dan apa yang ingin Anda sertakan dalam pelatihan.
Setiap domain memerlukan kumpulan data deret waktu target, dan secara opsional mendukung deret waktu terkait dan jenis kumpulan data metadata item.
Jenis dataset adalah:
+ Deret waktu target - Satu-satunya jenis kumpulan data yang diperlukan. Jenis ini mendefinisikan bidang *target* yang ingin Anda hasilkan prakiraannya. Misalnya, jika Anda ingin memperkirakan penjualan untuk satu set produk, maka Anda harus membuat kumpulan data data deret waktu historis untuk setiap produk yang ingin Anda perkirakan. Demikian pula, Anda dapat membuat kumpulan data deret waktu target untuk metrik — seperti pendapatan, arus kas, dan penjualan — yang mungkin ingin Anda perkirakan.
+ Deret waktu terkait — Data deret waktu yang terkait dengan data deret waktu target. Misalnya, harga terkait dengan data penjualan produk, jadi Anda dapat memberikannya sebagai deret waktu terkait.
+ Metadata item — Metadata yang berlaku untuk data deret waktu target. Misalnya, jika Anda memperkirakan penjualan untuk produk tertentu, atribut produk — seperti merek, warna, dan genre — akan menjadi bagian dari metadata item. Saat memprediksi kapasitas EC2 untuk instans EC2, metadata mungkin mencakup CPU dan memori dari jenis instans.
Untuk setiap jenis kumpulan data, data input Anda harus berisi bidang wajib tertentu. Anda juga dapat menyertakan bidang opsional yang disarankan Amazon Forecast yang Anda sertakan.
Contoh berikut menunjukkan cara memilih domain dataset dan jenis dataset yang sesuai.
**Example Contoh 1: Jenis Dataset di Domain RETAIL**
Jika Anda adalah pengecer yang tertarik untuk memperkirakan permintaan barang, Anda dapat membuat kumpulan data berikut di domain RETAIL:
+ Deret waktu target adalah kumpulan data yang diperlukan dari data permintaan deret waktu historis (penjualan) untuk setiap item (setiap produk yang dijual pengecer). Dalam domain RETAIL, jenis kumpulan data ini mengharuskan kumpulan data menyertakan`item_id`,`timestamp`, dan bidang. `demand` `demand`Bidang adalah target perkiraan, dan biasanya jumlah barang yang dijual oleh pengecer dalam minggu atau hari tertentu.
+ Secara opsional, kumpulan data dari jenis deret waktu terkait. Dalam domain RETAIL, jenis ini dapat mencakup opsional, tetapi disarankan, informasi deret waktu seperti`price`,`inventory_onhand`, dan`webpage_hits`.
+ Secara opsional, kumpulan data dari jenis metadata item. Di domain RETAIL, Amazon Forecast menyarankan untuk memberikan informasi metadata yang terkait dengan item yang Anda berikan dalam deret waktu target, seperti`brand`,, `color``category`, dan. `genre`
**Example Contoh 2: Jenis Dataset di Domain METRIK**
Jika Anda ingin memperkirakan metrik utama untuk organisasi Anda—seperti pendapatan, penjualan, dan arus kas—Anda dapat memberikan Amazon Forecast dengan kumpulan data berikut:
+ Kumpulan data deret waktu target yang menyediakan data deret waktu historis untuk metrik yang ingin Anda perkirakan. Jika minat Anda adalah memperkirakan pendapatan semua unit bisnis di organisasi Anda, Anda dapat membuat `target time series` kumpulan data dengan`metric`,`business unit`, dan `metric_value` bidang.
+ Jika Anda memiliki metadata untuk setiap metrik yang tidak diperlukan, seperti `category` atau`location`, Anda dapat memberikan kumpulan data dari deret waktu terkait dan jenis metadata item.
Minimal, Anda harus menyediakan kumpulan data deret waktu target untuk Forecast untuk menghasilkan perkiraan untuk metrik target Anda.
**Example Contoh 3: Jenis Dataset di Domain KUSTOM**
Data pelatihan untuk aplikasi peramalan Anda mungkin tidak sesuai dengan domain Amazon Forecast mana pun. Jika itu masalahnya, pilih domain CUSTOM. Anda harus menyediakan kumpulan data deret waktu target, tetapi Anda dapat menambahkan bidang kustom Anda sendiri.
[Memulai](getting-started.md)Latihan ini memperkirakan penggunaan listrik untuk klien. Data pelatihan penggunaan listrik tidak sesuai dengan domain dataset mana pun, jadi kami menggunakan domain CUSTOM. Dalam latihan, kami hanya menggunakan satu jenis kumpulan data, tipe deret waktu target. Kami memetakan bidang data ke bidang minimum yang diperlukan oleh tipe dataset.
# Domain RITEL
Domain RETAIL mendukung jenis kumpulan data berikut. Untuk setiap jenis kumpulan data, kami mencantumkan bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
**Topics**
+ [Jenis Dataset Seri Waktu Target](#target-time-series-type-retail-domain)
+ [Jenis Dataset Seri Waktu Terkait](#related-time-series-type-retail-domain)
+ [Jenis Dataset Metadata Barang](#item-metadata-type-retail-domain)
## Jenis Dataset Seri Waktu Target
Deret waktu target adalah data deret waktu historis untuk setiap item atau produk yang dijual oleh organisasi ritel. Bidang berikut diperlukan:
+ `item_id `(string) — Pengidentifikasi unik untuk item atau produk yang ingin Anda prediksi permintaannya.
+ `timestamp`(stempel waktu)
+ `demand`(float) — Jumlah penjualan untuk item tersebut pada stempel waktu. Ini juga merupakan bidang *target* yang Amazon Forecast menghasilkan perkiraan.
Dimensi berikut adalah opsional dan dapat digunakan untuk mengubah granularitas peramalan:
+ `location`(string) — Lokasi toko tempat barang tersebut dijual. Ini hanya boleh digunakan jika Anda memiliki beberapa toko/lokasi.
Idealnya, hanya bidang yang diperlukan dan dimensi opsional yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Anda dapat memberikan Amazon Forecast dengan kumpulan data deret waktu terkait, seperti harga atau jumlah klik web item yang diterima pada tanggal tertentu. Semakin banyak informasi yang Anda berikan, semakin akurat ramalannya. Bidang berikut diperlukan:
+ `item_id `(tali)
+ `timestamp `(stempel waktu)
Bidang berikut bersifat opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `price`(float) — Harga barang pada saat stempel waktu.
+ `promotion_applied`(integer; 1=true, 0=false) - Bendera yang menentukan apakah ada promosi pemasaran untuk item tersebut pada stempel waktu.
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
## Jenis Dataset Metadata Barang
Dataset ini menyediakan Amazon Forecast dengan informasi tentang metadata (atribut) dari item yang permintaannya sedang diperkirakan. Bidang berikut diperlukan:
+ `item_id `(tali)
Bidang berikut bersifat opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `category`(tali)
+ `brand`(tali)
+ `color`(tali)
+ `genre`(tali)
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# Domain KUSTOM
Domain CUSTOM mendukung jenis kumpulan data berikut. Untuk setiap jenis kumpulan data, kami mencantumkan bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
**Topics**
+ [Jenis Dataset Seri Waktu Target](#target-time-series-type-custom-domain)
+ [Jenis Dataset Seri Waktu Terkait](#related-time-series-type-custom-domain)
+ [Jenis Dataset Metadata Barang](#item-metadata-type-custom-domain)
## Jenis Dataset Seri Waktu Target
Bidang berikut diperlukan:
+ `item_id `(tali)
+ `timestamp`(stempel waktu)
+ `target_value`(Floating-point integer) — Ini adalah `target` bidang yang Amazon Forecast menghasilkan perkiraan.
Idealnya, hanya bidang wajib ini yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Bidang berikut diperlukan:
+ `item_id`(tali)
+ `timestamp`(stempel waktu)
Selain bidang yang diperlukan, data pelatihan Anda dapat mencakup bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
## Jenis Dataset Metadata Barang
Bidang berikut diperlukan:
+ `item_id`(tali)
Bidang berikut adalah opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `category`(tali)
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# Domain INVENTORY\$1PLANNING
Gunakan domain INVENTORY\$1PLANNING untuk memperkirakan permintaan bahan baku dan menentukan berapa banyak persediaan barang tertentu yang akan disimpan. Ini mendukung jenis dataset berikut. Untuk setiap jenis kumpulan data, kami mencantumkan bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
**Topics**
+ [Jenis Dataset Seri Waktu Target](#target-time-series-type-inv-planning-domain)
+ [Jenis Dataset Seri Waktu Terkait](#related-time-series-type-related-time-series-domain)
+ [Jenis Dataset Metadata Barang](#item-metadata-type-related-time-series-domain)
## Jenis Dataset Seri Waktu Target
Bidang berikut diperlukan:
+ `item_id`(tali)
+ `timestamp`(stempel waktu)
+ `demand`(float) - Ini adalah `target` bidang di mana Amazon Forecast menghasilkan perkiraan.
Dimensi berikut adalah opsional dan dapat digunakan untuk mengubah granularitas peramalan:
+ `location`(string) — Lokasi pusat distribusi tempat barang disimpan. Ini hanya boleh digunakan jika Anda memiliki beberapa toko/lokasi.
Idealnya, hanya bidang yang diperlukan dan dimensi opsional yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Bidang berikut diperlukan:
+ `item_id`(tali)
+ `timestamp`(stempel waktu)
Bidang berikut bersifat opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `price`(float) — Harga barang
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
## Jenis Dataset Metadata Barang
Bidang berikut diperlukan:
+ `item_id`(tali)
Bidang berikut bersifat opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `category`(string) — Kategori item.
+ `brand`(string) — Merek item.
+ `lead_time`(string) — Lead time, dalam beberapa hari, untuk memproduksi item.
+ `order_cycle`(string) - Siklus pesanan dimulai saat pekerjaan dimulai dan berakhir saat barang siap dikirim.
+ `safety_stock`(string) — Jumlah minimum stok yang harus disimpan untuk item itu.
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# Domain KAPASITAS EC2
Gunakan domain KAPASITAS EC2 untuk memperkirakan kapasitas Amazon EC2. Ini mendukung jenis dataset berikut. Untuk setiap jenis kumpulan data, kami mencantumkan bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
## Jenis Dataset Seri Waktu Target
Bidang berikut diperlukan:
+ `instance_type`(string) - Jenis contoh (misalnya, c5.xlarge).
+ `timestamp`(stempel waktu)
+ `number_of_instances`(integer) — Jumlah instance dari jenis instance tertentu yang dikonsumsi pada stempel waktu. Ini adalah `target` bidang di mana Amazon Forecast menghasilkan perkiraan.
Dimensi berikut adalah opsional dan dapat digunakan untuk mengubah granularitas peramalan:
+ `location`(string) — Anda dapat memberikan Wilayah AWS, seperti us-west-2 atau us-east-1. Ini hanya boleh digunakan jika Anda memodelkan beberapa Wilayah.
Idealnya, hanya bidang opsional yang diperlukan dan disarankan ini yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Bidang berikut diperlukan:
+ `instance_type`(tali)
+ `timestamp`(stempel waktu)
Selain bidang yang diperlukan, data pelatihan Anda dapat mencakup bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# Domain WORK\$1FORCE
Gunakan domain WORK\$1FORCE untuk memperkirakan permintaan tenaga kerja. Ini mendukung jenis dataset berikut. Untuk setiap jenis kumpulan data, kami mencantumkan bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
**Topics**
+ [Jenis Dataset Seri Waktu Target](#target-time-series-type-workforce-domain)
+ [Jenis Dataset Seri Waktu Terkait](#related-time-series-type-workforce-domain)
+ [Jenis Dataset Metadata Barang](#item-metadata-type-workforce-domain)
## Jenis Dataset Seri Waktu Target
Bidang berikut diperlukan:
+ `workforce_type`(string) — Jenis tenaga kerja yang diperkirakan. Misalnya, permintaan pusat panggilan atau permintaan tenaga kerja pusat pemenuhan.
+ `timestamp`(stempel waktu)
+ `workforce_demand`(Floating-point integer) — Ini adalah `target` bidang yang Amazon Forecast menghasilkan perkiraan.
Dimensi berikut adalah opsional dan dapat digunakan untuk mengubah granularitas peramalan:
+ `location`(string) — Lokasi di mana sumber daya tenaga kerja dicari. Ini harus digunakan jika Anda memiliki beberapa toko/lokasi.
Idealnya, hanya bidang yang diperlukan dan dimensi opsional yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Bidang berikut diperlukan:
+ `workforce_type`(tali)
+ `timestamp`(stempel waktu)
Selain bidang yang diperlukan, data pelatihan Anda dapat mencakup bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
## Jenis Dataset Metadata Barang
Bidang berikut diperlukan:
+ `workforce_type`(tali)
Bidang berikut bersifat opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `wages`(float) — Upah rata-rata untuk jenis tenaga kerja tertentu.
+ `shift_length`(string) — Panjang shift.
+ `location`(string) — Lokasi tenaga kerja.
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# Web\$1TRAFFIC Domain
Gunakan domain WEB\$1TRAFFIC untuk memperkirakan lalu lintas web ke properti web atau sekumpulan properti web. Ini mendukung jenis dataset berikut. Topik yang relevan menjelaskan bidang wajib dan opsional yang didukung oleh jenis kumpulan data. Untuk informasi tentang cara memetakan bidang ini ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
**Topics**
+ [Jenis Dataset Seri Waktu Target](#target-time-series-type-webtraffic-domain)
+ [Jenis Dataset Seri Waktu Terkait](#related-time-series-type-webtraffic-domain)
## Jenis Dataset Seri Waktu Target
Bidang berikut diperlukan:
+ `item_id`(string) - Pengidentifikasi unik untuk setiap properti web yang diperkirakan.
+ `timestamp`(stempel waktu)
+ `value`(float) - Ini adalah `target` bidang di mana Amazon Forecast menghasilkan perkiraan.
Idealnya, hanya bidang wajib ini yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Bidang berikut diperlukan:
+ `item_id`(tali)
+ `timestamp`(stempel waktu)
Selain bidang yang diperlukan, data pelatihan Anda dapat mencakup bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
### Jenis Dataset Metadata Barang
Bidang berikut diperlukan:
+ `item_id`(tali)
Bidang berikut adalah opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `category`(tali)
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# METRIK Domain
Gunakan domain METRIK untuk memperkirakan metrik, seperti pendapatan, penjualan, dan arus kas. Ini mendukung jenis dataset berikut. Untuk setiap jenis kumpulan data, kami mencantumkan bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data pelatihan Anda, lihat[Dataset Domain dan Jenis Dataset](howitworks-datasets-groups.md#howitworks-dataset-domainstypes).
**Topics**
+ [Jenis Dataset Seri Waktu Target](#target-time-series-type-metrics-domain)
+ [Jenis Dataset Seri Waktu Terkait](#related-time-series-type-metrics-domain)
+ [Jenis Dataset Metadata Barang](#item-metadata-type-metrics-domain)
## Jenis Dataset Seri Waktu Target
Bidang berikut diperlukan:
+ `metric_name`(tali)
+ `timestamp`(stempel waktu)
+ `metric_value`(Floating-point integer) — Ini adalah `target` bidang yang Amazon Forecast menghasilkan perkiraan (misalnya, jumlah pendapatan yang dihasilkan pada hari tertentu).
Idealnya, hanya bidang wajib ini yang harus disertakan. Informasi deret waktu tambahan lainnya harus disertakan dalam kumpulan data deret waktu terkait.
## Jenis Dataset Seri Waktu Terkait
Bidang berikut diperlukan:
+ `metric_name`(tali)
+ `timestamp`(stempel waktu)
Selain bidang yang diperlukan, data pelatihan Anda dapat mencakup bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
## Jenis Dataset Metadata Barang
Bidang berikut diperlukan:
+ `metric_name`(tali)
Bidang berikut adalah opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:
+ `category`(tali)
Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat menyertakan bidang lain. Untuk menyertakan bidang lain dalam kumpulan data, berikan bidang dalam skema saat Anda membuat kumpulan data.
# Memperbarui Data
Saat Anda mengumpulkan data baru, Anda akan ingin mengimpor data tersebut ke Forecast. Untuk melakukannya, Anda memiliki dua opsi, penggantian dan pembaruan tambahan. Pekerjaan impor dataset pengganti akan menimpa semua data yang ada dengan data yang baru diimpor. Pembaruan tambahan akan menambahkan data yang baru diimpor ke kumpulan data.
Setelah mengimpor data baru Anda, Anda dapat menggunakan prediktor yang ada untuk menghasilkan perkiraan untuk data tersebut.
**Topics**
+ [Mode impor](#idsi)
+ [Memperbarui kumpulan data yang ada](#idsi-console)
+ [Memperbarui prakiraan](#update-data-new-forecasts)
## Mode impor
Untuk mengonfigurasi cara Amazon Forecast menambahkan data baru ke kumpulan data yang ada, Anda menentukan mode impor untuk pekerjaan impor kumpulan data Anda. Mode impor default adalah`FULL`. Anda hanya dapat mengonfigurasi mode impor dengan menggunakan Amazon Forecast API.
+ Untuk menimpa semua data yang ada dalam kumpulan data Anda, tentukan `FULL` dalam operasi [CreateDatasetImportJob](API_CreateDatasetImportJob.md) API.
+ Untuk menambahkan catatan ke data yang ada di kumpulan data Anda, tentukan `INCREMENTAL` dalam operasi [CreateDatasetImportJob](API_CreateDatasetImportJob.md) API. Jika catatan yang ada dan catatan yang diimpor memiliki ID timeseries yang sama (ID item, dimensi, dan stempel waktu), maka catatan yang ada diganti dengan catatan yang baru diimpor. Amazon Forecast selalu menggunakan catatan dengan stempel waktu terbaru.
Jika Anda belum mengimpor kumpulan data, opsi tambahan tidak tersedia. Mode impor default adalah pengganti penuh.
### Pedoman mode impor tambahan
Saat Anda melakukan impor kumpulan data tambahan, Anda tidak dapat mengubah format stempel waktu, format data, atau data geolokasi. Untuk mengubah salah satu item ini, Anda perlu melakukan impor dataset data lengkap.
## Memperbarui kumpulan data yang ada
**penting**
Secara default, pekerjaan impor dataset menggantikan data yang ada dalam kumpulan data yang Anda impor. Anda dapat mengubah ini dengan menentukan pekerjaan impor dataset. [Mode impor](#idsi)
Untuk memperbarui kumpulan data, buat pekerjaan impor kumpulan data untuk kumpulan data dan tentukan mode impor.
------
#### [ CLI ]
Untuk memperbarui dataset, gunakan `create-dataset-import-job` perintah. Untuk`import-mode`, tentukan`FULL`, untuk mengganti data yang ada atau `INCREMENTAL` menambahkannya. Untuk informasi selengkapnya, lihat [Mode impor](#idsi).
Kode berikut menunjukkan cara membuat pekerjaan impor dataset yang secara bertahap mengimpor data baru ke dalam kumpulan data.
```
aws forecast create-dataset-import-job \
--dataset-import-job-name dataset import job name \
--dataset-arn dataset arn \
--data-source "S3Config":{"KMSKeyArn":"string", "Path":"string", "RoleArn":"string"} \
--import-mode INCREMENTAL
```
------
#### [ Python ]
Untuk memperbarui kumpulan data, gunakan `create_dataset_import_job` metode ini. Untuk`import-mode`, tentukan`FULL`, untuk mengganti data yang ada atau `INCREMENTAL` menambahkannya. Untuk informasi selengkapnya, lihat [Mode impor](#idsi).
```
import boto3
forecast = boto3.client('forecast')
response = forecast.create_dataset_import_job(
datasetImportJobName = 'YourImportJob',
datasetArn = 'dataset_arn',
dataSource = {"S3Config":{"KMSKeyArn":"string", "Path":"string", "RoleArn":"string"}},
importMode = 'INCREMENTAL'
)
```
------
## Memperbarui prakiraan
Saat Anda mengumpulkan data baru, Anda mungkin ingin menggunakannya untuk menghasilkan perkiraan baru. Forecast tidak secara otomatis melatih kembali prediktor saat Anda mengimpor dataset yang diperbarui, tetapi Anda dapat melatih ulang prediktor secara manual untuk menghasilkan perkiraan baru dengan data yang diperbarui. Misalnya, jika Anda mengumpulkan data penjualan harian dan ingin memasukkan titik data baru dalam perkiraan Anda, Anda dapat mengimpor data yang diperbarui dan menggunakannya untuk menghasilkan perkiraan tanpa melatih prediktor baru. Agar data yang baru diimpor berdampak pada perkiraan Anda, Anda harus melatih kembali prediktor.
**Untuk menghasilkan perkiraan dari data baru:**
1. Unggah data baru ke bucket Amazon S3. Data baru Anda harus hanya berisi data yang ditambahkan sejak impor kumpulan data terakhir Anda.
1. Buat pekerjaan impor dataset **tambahan** dengan data baru. Data baru ditambahkan ke data yang ada dan perkiraan dihasilkan dari data yang diperbarui. Jika file data baru Anda berisi data yang diimpor sebelumnya dan data baru, buat pekerjaan impor kumpulan data **lengkap**.
1. Buat ramalan baru menggunakan prediktor yang ada.
1. Ambil ramalan seperti biasa.
# Menangani Nilai yang Hilang
Masalah umum dalam data peramalan deret waktu adalah adanya nilai yang hilang. Data Anda mungkin berisi nilai yang hilang karena sejumlah alasan, termasuk kegagalan pengukuran, masalah pemformatan, kesalahan manusia, atau kurangnya informasi untuk direkam. Misalnya, jika Anda memperkirakan permintaan produk untuk toko ritel dan barang terjual habis atau tidak tersedia, tidak akan ada data penjualan untuk dicatat saat barang itu kehabisan stok. Jika cukup umum, nilai yang hilang dapat secara signifikan memengaruhi akurasi model.
Amazon Forecast menyediakan sejumlah metode pengisian untuk menangani nilai yang hilang dalam deret waktu target dan kumpulan data deret waktu terkait. Pengisian adalah proses menambahkan nilai standar ke entri yang hilang dalam kumpulan data Anda.
Forecast mendukung metode pengisian berikut:
+ **Pengisian tengah - Mengisi** nilai yang hilang antara item mulai dan tanggal akhir item dari kumpulan data.
+ **Pengisian kembali - Mengisi** nilai yang hilang antara titik data terakhir yang direkam dan tanggal akhir global dari kumpulan data.
+ **Pengisian di masa depan (hanya deret waktu terkait)** - Mengisi nilai yang hilang antara tanggal akhir global dan akhir cakrawala perkiraan.
Gambar berikut memberikan representasi visual dari metode pengisian yang berbeda.
![\[Timeline showing three items with varying durations and fill methods between global start and end dates.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/Filling_types.PNG)
## Memilih Logika Pengisian
Saat memilih logika pengisian, Anda harus mempertimbangkan bagaimana logika akan ditafsirkan oleh model Anda. Misalnya, dalam skenario ritel, mencatat 0 penjualan barang yang tersedia berbeda dengan mencatat 0 penjualan barang yang tidak tersedia, karena yang terakhir tidak menyiratkan kurangnya minat pelanggan pada item tersebut. Karena itu, `0` mengisi deret waktu target dapat menyebabkan prediktor menjadi kurang bias dalam prediksinya, sementara `NaN` pengisian mungkin mengabaikan kejadian aktual dari 0 item yang tersedia yang dijual dan menyebabkan prediktor menjadi terlalu bias.
Grafik deret waktu berikut menggambarkan bagaimana memilih nilai pengisian yang salah dapat secara signifikan memengaruhi keakuratan model Anda. Grafik A dan B memplot permintaan untuk item yang sebagian out-of-stock, dengan garis hitam mewakili data penjualan aktual. Nilai yang hilang di A1 diisi dengan`0`, yang mengarah ke prediksi yang relatif kurang bias (diwakili oleh garis putus-putus) di A2. Demikian pula, nilai yang hilang di B1 diisi dengan`NaN`, yang mengarah ke prediksi yang lebih tepat di B2.
![\[Time-series graphs comparing item demand predictions with different filling values for missing data.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/filling_values.PNG)
Untuk daftar logika pengisian yang didukung, lihat bagian berikut.
## Deret Waktu Target dan Logika Pengisian Deret Waktu Terkait
Anda dapat melakukan pengisian pada deret waktu target dan kumpulan data deret waktu terkait. Setiap jenis kumpulan data memiliki pedoman dan batasan pengisian yang berbeda.
**Pedoman Pengisian**
| Jenis dataset | Mengisi secara default? | Metode pengisian yang didukung | Logika pengisian default | Logika pengisian yang diterima |
| --- | --- | --- | --- | --- |
| Target deret waktu | Ya | Isi tengah dan belakang | 0 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/howitworks-missing-values.html) |
| Deret waktu terkait | Tidak | Pengisian tengah, belakang, dan future | Tidak ada default | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/howitworks-missing-values.html) |
**penting**
Untuk kumpulan data target dan deret waktu terkait,,`mean`,`median`,`min`, dan `max` dihitung berdasarkan jendela bergulir dari 64 entri data terbaru sebelum nilai yang hilang.
## Sintaks Nilai Hilang
Untuk melakukan pengisian nilai yang hilang, tentukan jenis pengisian yang akan diterapkan saat Anda memanggil [CreatePredictor](API_CreatePredictor.md)operasi. Logika pengisian ditentukan dalam [FeaturizationMethod](API_FeaturizationMethod.md)objek.
Kutipan berikut menunjukkan `FeaturizationMethod` objek yang diformat dengan benar untuk atribut deret waktu target dan atribut deret waktu terkait (`target_value`dan masing-masing). `price`
Untuk mengatur metode pengisian ke nilai tertentu, atur parameter isian ke `value` dan tentukan nilai dalam `_value` parameter yang sesuai. Seperti yang ditunjukkan di bawah ini, penimbunan ulang untuk deret waktu terkait diatur ke nilai 2 dengan yang berikut: `"backfill": "value"` dan`"backfill_value":"2"`.
```
[
{
"AttributeName": "target_value",
"FeaturizationPipeline": [
{
"FeaturizationMethodName": "filling",
"FeaturizationMethodParameters": {
"aggregation": "sum",
"middlefill": "zero",
"backfill": "zero"
}
}
]
},
{
"AttributeName": "price",
"FeaturizationPipeline": [
{
"FeaturizationMethodName": "filling",
"FeaturizationMethodParameters": {
"middlefill": "median",
"backfill": "value",
"backfill_value": "2",
"futurefill": "max"
}
}
]
}
]
```
# Pedoman Dataset untuk Forecast
Lihat panduan berikut jika Amazon Forecast gagal mengimpor kumpulan data Anda, atau jika kumpulan data Anda tidak berfungsi seperti yang diharapkan.
**Format Stempel Waktu**
Untuk frekuensi pengumpulan Year (`Y``M`), Month (`W`), Week (), dan Day (`D`), Forecast mendukung format `yyyy-MM-dd` stempel waktu (misalnya,`2019-08-21`) dan, secara opsional, `HH:mm:ss` formatnya (misalnya,). `2019-08-21 15:00:00`
Untuk frekuensi Hour (`H`) dan Minute (`M`), Forecast hanya mendukung `yyyy-MM-dd HH:mm:ss` format (misalnya`2019-08-21 15:00:00`).
Pedoman: Ubah format stempel waktu untuk frekuensi pengumpulan kumpulan data Anda ke format yang didukung.
**File atau Bucket Amazon S3**
Saat mengimpor kumpulan data, Anda dapat menentukan jalur ke file CSV atau Parket di bucket Amazon Simple Storage Service (Amazon S3) yang berisi data atau nama bucket S3 yang berisi data Anda. Jika Anda menentukan file CSV atau Parquet, Forecast hanya mengimpor file itu. Jika Anda menentukan bucket S3, Forecast akan mengimpor semua file CSV atau Parquet dalam bucket hingga 10.000 file. Jika Anda mengimpor beberapa file dengan menentukan nama bucket, semua file CSV atau Parket harus sesuai dengan skema yang ditentukan.
Pedoman: Tentukan file tertentu atau bucket S3 menggunakan sintaks berikut:
`s3://bucket-name/example-object.csv`
`s3://bucket-name/example-object.parquet`
`s3://bucket-name/prefix/`
`s3://bucket-name`
File parket dapat memiliki ekstensi.parquet, .parq, .pqt, atau tidak ada ekstensi sama sekali.
**Pembaruan Dataset Lengkap**
Impor kumpulan data pertama Anda selalu merupakan impor penuh, impor berikutnya dapat berupa pembaruan penuh atau tambahan. Anda harus menggunakan Forecast API untuk menentukan mode impor.
Dengan pembaruan penuh, semua data yang ada diganti dengan data yang baru diimpor. Karena pekerjaan impor dataset lengkap tidak digabungkan, impor dataset terbaru Anda adalah yang digunakan saat melatih prediktor atau menghasilkan perkiraan.
Pedoman: Buat pembaruan kumpulan data tambahan untuk menambahkan data baru Anda ke data yang ada. Jika tidak, pastikan bahwa impor dataset terbaru Anda berisi semua data yang ingin Anda modelkan, dan bukan hanya data baru yang dikumpulkan sejak impor sebelumnya.
**Pembaruan Dataset Tambahan**
Bidang seperti stempel waktu, format data, geolokasi, dll dibaca dari kumpulan data yang sedang aktif. Anda tidak perlu menyertakan informasi ini dengan impor dataset tambahan. Jika disertakan, mereka harus cocok dengan nilai yang diberikan semula.
Pedoman: Lakukan impor dataset lengkap untuk mengubah nilai-nilai ini.
**Urutan Atribut**
Urutan atribut yang ditentukan dalam definisi skema harus sesuai dengan urutan kolom dalam file CSV atau Parket yang Anda impor. Misalnya, jika Anda didefinisikan `timestamp` sebagai atribut pertama, maka juga `timestamp` harus menjadi kolom pertama dalam file input.
Pedoman: Verifikasi bahwa kolom dalam file input berada dalam urutan yang sama dengan atribut skema yang Anda buat.
**Indeks Cuaca**
Untuk menerapkan Indeks Cuaca, Anda harus menyertakan [atribut geolokasi](weather.md#adding-geolocation) dalam deret waktu target Anda dan kumpulan data deret waktu terkait. Anda juga perlu menentukan [zona waktu](weather.md#specifying-timezones) untuk stempel waktu deret waktu target Anda.
Pedoman: Pastikan kumpulan data Anda menyertakan atribut geolokasi dan stempel waktu Anda memiliki zona waktu yang ditetapkan. Untuk informasi lebih lanjut, lihat [Kondisi dan Pembatasan Indeks Cuaca.](weather.md#weather-conditions-restrictions)
**Header Dataset**
Header kumpulan data di CSV input Anda dapat menyebabkan kesalahan validasi. Kami merekomendasikan untuk menghilangkan header untuk file CSV.
Pedoman: Hapus header dataset dan coba impor lagi.
Header dataset diperlukan untuk file Parket.
**Status Dataset**
Sebelum Anda dapat mengimpor data pelatihan dengan [CreateDatasetImportJob](API_CreateDatasetImportJob.md) operasi, dataset harus`ACTIVE`. `Status`
Pedoman: Gunakan [DescribeDataset](API_DescribeDataset.md) operasi untuk mendapatkan status kumpulan data. Jika pembuatan atau pembaruan kumpulan data gagal, periksa pemformatan file kumpulan data Anda dan coba buat lagi.
**Format File Default**
Format file default adalah CSV.
**Format File dan Pembatas**
Forecast hanya mendukung format file comma-separated values (CSV) dan format Parquet. Anda tidak dapat memisahkan nilai menggunakan tab, spasi, titik dua, atau karakter lainnya.
Pedoman: Konversikan kumpulan data Anda ke format CSV (hanya menggunakan koma sebagai pembatas Anda) atau format Parket dan coba impor file lagi.
**Nama berkas**
Nama file harus mengandung setidaknya satu karakter alfabet. File dengan nama yang hanya numerik tidak dapat diimpor.
Pedoman: Ganti nama file data input Anda untuk menyertakan setidaknya satu karakter alfabet dan coba impor file lagi.
**Data Parket yang Dipartisi**
Forecast tidak membaca file Parket yang dipartisi.
**Persyaratan Dataset Analisis bagaimana-jika**
Analisis bagaimana-jika memerlukan kumpulan data CSV. TimeSeriesSelector Pengoperasian [CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md) tindakan dan TimeSeriesReplacementDataSource pengoperasian file parket [CreateWhatIfForecast](API_CreateWhatIfForecast.md) tidak menerima.