Amazon Forecast non è più disponibile per i nuovi clienti. I clienti esistenti di Amazon Forecast possono continuare a utilizzare il servizio normalmente. [Scopri di più»](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/) Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Utilizzo di set di dati relativi alle serie temporali Un set di dati relativi alle serie temporali include dati di serie temporali che non sono inclusi in un set di dati di serie temporali target che potrebbero migliorare la precisione del predittore. Ad esempio, nel dominio di previsione della domanda, un set di dati di serie temporali di destinazione conterrebbe `timestamp` e `item_id` dimensioni, mentre un set di dati complementare relativo alle serie temporali include anche le seguenti funzionalità supplementari:, e. `item price` `promotion` `weather` Un set di dati di serie temporali correlate può contenere fino a 10 dimensioni di previsione (le stesse del set di dati di serie temporali target) e fino a 13 caratteristiche relative alle serie temporali. **Quaderni in Python** [Per una step-by-step guida sull'uso dei set di dati relativi alle serie temporali, vedi Incorporazione di serie temporali correlate.](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb) **Topics** + [Serie temporali correlate storiche e future](#related-time-series-historical-futurelooking) + [Convalida di set di dati serie temporali correlate](#related-time-series-dataset-validation) + [Esempio: file di serie temporali correlate previsionali](#related-time-series-example) + [Esempio: previsione della granularità](#related-time-series-granularity) + [Predittori legacy e serie temporali correlate](#related-time-series-legacy) ## Serie temporali correlate storiche e future **Nota** Una serie temporale correlata che contiene qualsiasi valore all'interno dell'orizzonte di previsione viene trattata come una serie temporale previsionale. Le serie temporali correlate sono disponibili in due forme: + **Serie temporali storiche: serie** temporali *senza* punti dati all'interno dell'orizzonte di previsione. + Serie temporali **orientate al futuro: serie temporali** *con* punti dati all'interno dell'orizzonte di previsione. Le serie temporali storiche correlate contengono punti dati fino all'orizzonte di previsione e non contengono punti dati all'interno dell'orizzonte di previsione. Le serie temporali correlate a carattere previsionale contengono dati che si collocano fino all'orizzonte di previsione *e* all'interno di esso. ![\[Time series graph showing target, forward-looking, and historical related data with forecast window.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/short-long-rts.png) ## Convalida di set di dati serie temporali correlate Un set di dati di serrie temporali correlate presenta le seguenti restrizioni: + Non può includere il valore di destinazione di serie temporali target. + Deve includere le dimensioni `item_id` e `timestamp` e almeno una caratteristica correlata (ad esempio `price`). + I dati delle caratteristiche delle serie temporali devono essere tipi di dati `int` o `float`. + Per utilizzare l'intera serie temporale di destinazione, tutti gli elementi del set di dati della serie temporale di destinazione devono essere inclusi anche nel relativo set di dati della serie temporale. Se una serie temporale correlata contiene solo un sottoinsieme di elementi della serie temporale di destinazione, la creazione del modello e la generazione delle previsioni saranno limitate a quel sottoinsieme specifico di elementi. Ad esempio, se la serie temporale di destinazione contiene 1000 articoli e il set di dati della serie temporale correlata contiene solo 100 elementi, il modello e le previsioni si baseranno solo su quei 100 elementi. + La frequenza di registrazione dei dati nel set di dati delle serie temporali correlate deve corrispondere all'intervallo in cui si desidera generare le previsioni (la *granularità*delle previsioni). Ad esempio, se si desidera generare previsioni con una granularità settimanale, anche la frequenza alla quale i dati vengono registrati nelle serie temporali correlate deve essere settimanale, anche se la frequenza alla quale i dati vengono registrati nelle serie temporali di destinazione è giornaliera. + I dati in ogni articolo nel set di dati delle serie temporali correlate devono iniziare prima del o al momento dell'inizio del `timestamp` del corrispondente `item_id` nel set di dati delle serie temporali target. Ad esempio, se i dati di serie temporali target per `socks` iniziano il 01-01-2019 e i dati delle serie temporali target per `shoes` iniziano il 01-02-2019, i dati delle serie temporali correlate per `socks` devono iniziare il o prima del 01-01-2019 e i dati per `shoes` devono iniziare il o prima del 01-02-2019. + *Per i set di dati relativi alle serie temporali relative al futuro, l'ultimo timestamp di ogni elemento deve trovarsi sull'ultimo timestamp nella finestra di previsione designata dall'utente (denominata orizzonte di previsione).* Nel file di esempio delle serie temporali correlate riportato di seguito, i dati `timestamp` per le calze e le scarpe devono terminare il 01-07-2019 (l'ultimo timestamp registrato) o successivamente, *oltre* l'orizzonte di previsione. Se la frequenza dei dati nella serie temporale di destinazione è giornaliera e l'orizzonte di previsione è di 10 giorni, i punti dati giornalieri devono essere forniti nel file delle serie temporali correlate previsionali fino all'11 luglio 2019. + Per i set di dati relativi alle serie temporali storiche, l'ultimo timestamp di ogni elemento deve corrispondere all'ultimo timestamp della serie temporale di destinazione. Nel file di serie temporale correlato all'esempio riportato di seguito, `timestamp` i dati sia per i calzini che per le scarpe devono terminare il 01/07/2019 (l'ultimo timestamp registrato). + Le dimensioni Forecast fornite nel set di dati della serie temporale correlata devono essere uguali o un sottoinsieme delle dimensioni designate nel set di dati della serie temporale di destinazione. + Le serie temporali correlate non possono avere valori mancanti. Per informazioni sui valori mancanti in un set di dati di serie temporali correlato, vedere [Gestione dei valori mancanti](howitworks-missing-values.md). ## Esempio: file di serie temporali correlate previsionali La tabella seguente mostra un file del set di dati delle serie temporali correlate configurato correttamente. Per questo esempio, supponiamo quanto segue: + L'ultimo punto dati è stato registrato nel set di dati di serie temporali target il 01-07-2019. + L'orizzonte di previsione è di 10 giorni. + La granularità di previsione è giornaliera (`D`). Una riga "`…`" indica tutti i punti di dati tra la riga precedente e quella successiva. | `timestamp` | `item_id` | `store` | `price` | | --- | --- | --- | --- | | 01-01-2019 | calzini | NYC | 10 | | 02-01-2019 | calzini | NYC | 10 | | 03-01-2019 | calzini | NYC | 15 | | ... | | 01-06-2019 | socks | NYC | 10 | | ... | | 01-07-2019 | calzini | NYC | 10 | | ... | | 11-07-2019 | calzini | NYC | 20 | | 05-01-2019 | calzini | SFO | 45 | | ... | | 05-06-2019 | calzini | SFO | 10 | | ... | | 01-07-2019 | calzini | SFO | 10 | | ... | | 11-07-2019 | calzini | SFO | 30 | | 01-02-2019 | scarpe | ORD | 50 | | ... | | 01-07-2019 | scarpe | ORD | 75 | | ... | | 11-07-2019 | scarpe | ORD | 60 | ## Esempio: previsione della granularità La tabella seguente mostra le frequenze di registrazione dei dati compatibili per le serie temporali di destinazione e le relative serie temporali da prevedere con granularità settimanale. Poiché i dati in un set di dati di serie temporali correlate non possono essere aggregati, Forecast accetta solo una frequenza di dati di serie temporali correlate uguale alla granularità di previsione scelta. | Frequenza dati di input target | Frequenza serie temporali correlate | Granularità di previsione | Supportato da Forecast? | | --- | --- | --- | --- | | Giornaliero | Settimanale | Settimanale | Sì | | Settimanale | Settimanale | Settimanale | Sì | | N/D | Settimanale | Settimanale | Sì | | Giornaliero | Giornaliero | Settimanale | No | ## Predittori legacy e serie temporali correlate **Nota** Per aggiornare un predittore esistente a AutoPredictor, vedi [Aggiornamento a AutoPredictor](howitworks-predictor.md#upgrading-autopredictor) [Quando si utilizza un predittore legacy, è possibile utilizzare un set di dati di serie temporali correlato durante l'addestramento di un predittore con gli algoritmi [CNN-QR](aws-forecast-algo-cnnqr.md), [DeepAr\$1](aws-forecast-recipe-deeparplus.md) e Prophet.](aws-forecast-recipe-prophet.md) [NPTS](aws-forecast-recipe-npts.md)[, [ARIMA](aws-forecast-recipe-arima.md) ed ETS non accettano dati relativi alle serie temporali.](aws-forecast-recipe-ets.md) La tabella seguente mostra i tipi di serie temporali correlate accettati da ogni algoritmo di Amazon Forecast. | | CNN-QR | DeepAR\$1 | Prophet | NPTS | ARIMA | ETS | | --- | --- | --- | --- | --- | --- | --- | | Serie temporali storiche correlate | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | | Serie temporali correlate che guardano al futuro | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | Quando si utilizza AutoML, è possibile fornire sia dati storici che relativi alle serie temporali relativi al futuro e Forecast utilizzerà tali serie temporali solo ove applicabile. Se fornisci dati relativi alle serie temporali *previsionali, Forecast* utilizzerà i dati correlati con CNN-QR, DeepAr\$1 e Prophet e non utilizzerà i dati correlati con NPTS, ARIMA ed ETS. Se vengono forniti dati *storici* relativi alle serie temporali, Forecast utilizzerà i dati correlati con CNN-QR e non utilizzerà i dati correlati con Deepar\$1, Prophet, NPTS, ARIMA ed ETS.