O Amazon Forecast não está mais disponível para novos clientes. Os clientes existentes do Amazon Forecast podem continuar usando o serviço normalmente. [Saiba mais](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Algoritmos do Amazon Forecast
<a name="aws-forecast-choosing-recipes"></a>

Um preditor do Amazon Forecast usa um algoritmo para treinar um modelo com seus conjuntos de dados de séries temporais. O modelo treinado é, então, usado para gerar métricas e previsões. 

 Se você não tiver certeza de qual algoritmo deve usar para treinar seu modelo, escolha AutoML ao criar um preditor e deixe o Forecast treinar o modelo ideal para seus conjuntos de dados. Caso contrário, é possível selecionar um dos algoritmos do Amazon Forecast manualmente. 

**Cadernos Python**  
Para obter um step-by-step guia sobre como usar o AutoML, consulte [Introdução ao AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).

## Algoritmos integrados do Forecast
<a name="forecast-algos"></a>

 O Amazon Forecast fornece seis algoritmos integrados para você escolher. Eles variam de algoritmos estatísticos comumente usados, como Autoregressive Integrated Moving Average (ARIMA), a algoritmos complexos de redes neurais, como CNN-QR e DeepAR\+. 

### [CNN-QR](aws-forecast-algo-cnnqr.md)
<a name="cnnqr"></a>

 `arn:aws:forecast:::algorithm/CNN-QR` 

 O Amazon Forecast CNN-QR, Rede Neural Convolucional - Regressão Quantílica, é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais convolucionais causais (). CNNs O CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais. Ele aceita metadados de itens e é o único algoritmo do Forecast que aceita dados de séries temporais relacionados sem valores futuros. 

### [DeepAR\+](aws-forecast-recipe-deeparplus.md)
<a name="deeparplus"></a>

`arn:aws:forecast:::algorithm/Deep_AR_Plus`

 O Amazon Forecast DeepAr\+ é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais recorrentes (). RNNs O DeepAR\+ funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de recursos. O algoritmo aceita séries temporais prospectivas relacionadas e metadados de itens. 

### [Prophet](aws-forecast-recipe-prophet.md)
<a name="prophet"></a>

`arn:aws:forecast:::algorithm/Prophet`

 O Prophet é um algoritmo de previsão de séries temporais baseado em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária. Ele funciona melhor com séries temporais que tenham fortes efeitos sazonais e várias temporadas de dados históricos. 

### [NPTS](aws-forecast-recipe-npts.md)
<a name="npts"></a>

`arn:aws:forecast:::algorithm/NPTS`

 O algoritmo proprietário Non-Parametric Time Series (NPTS) do Amazon Forecast é um preditor escalável de linha de base probabilística. O NPTS é especialmente útil no trabalho com séries temporais esparsas ou intermitentes. O Forecast fornece quatro variantes de algoritmo: Standard NPTS, Seasonal NPTS, Climatological Forecaster e Seasonal Climatological Forecaster. 

### [ARIMA](aws-forecast-recipe-arima.md)
<a name="arima"></a>

`arn:aws:forecast:::algorithm/ARIMA`

 O Autoregressive Integrated Moving Average (ARIMA) é um algoritmo de estatísticas comumente usado para previsão de série temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais. 

### [ETS](aws-forecast-recipe-ets.md)
<a name="ets"></a>

`arn:aws:forecast:::algorithm/ETS`

 O Exponential Smoothing (ETS) é um algoritmo de estatísticas comumente usado para previsão de séries temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade. O ETS calcula uma média ponderada sobre todas as observações no conjunto de dados de séries temporais como sua previsão, com ponderações que diminuem exponencialmente ao longo do tempo. 

## Comparação entre os algoritmos do Forecast
<a name="comparing-algos"></a>

 Use a tabela a seguir para encontrar a melhor opção para seus conjuntos de dados de séries temporais. 


<table>
<thead>
  <tr><th></th><th colspan="2">Redes neurais</th><th>Algoritmos locais flexíveis</th><th colspan="3">Algoritmos de linha de base</th></tr>
  <tr><th></th><th>CNN-QR</th><th>DeepAR\+</th><th>Prophet</th><th>NPTS</th><th>ARIMA</th><th>ETS</th></tr>
</thead>
<tbody>
  <tr><td>Processo de treinamento computacionalmente intensivo</td><td>Alto</td><td>Alto</td><td>Médio</td><td>Baixo</td><td>Baixo</td><td>Baixo</td></tr>
  <tr><td>Séries temporais históricas relacionadas\*</td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
  <tr><td>Séries temporais prospectivas relacionadas\*</td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
  <tr><td>Aceita metadados de itens (cor do produto, marca etc.)</td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
  <tr><td>Aceita a caracterização integrada do Weather Index</td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
  <tr><td>Adequado para conjuntos de dados esparsos</td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
  <tr><td>Executa a otimização de hiperparâmetros (HPO)</td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
  <tr><td>Permite substituir os valores padrão de hiperparâmetros </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td><td>![](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) </td></tr>
</tbody>
</table>


\*Para obter mais informações sobre séries temporais relacionadas, consulte [Séries temporais relacionadas](related-time-series-datasets.md).