使用机器学习提高预测准确性的解决方案将于 2023 年 12 月 31 日停用。此后,所有现有部署将继续有效,客户仍可全面控制其环境和数据,但是,该解决方案将不再获得支持或维护。
如果您正在考虑进行新的部署,请参阅自动部署 Amazon Forecast 时间序列预测模型博客文章中提供的指南。
概览

“使用机器学习提高预测准确性”解决方案可自动生成 Amazon QuickSight 或 Amazon SageMaker Jupyter Notebook 的预测并生成可视化控制面板,提供快速、简单的拖放界面,显示时间序列输入和预测输出。预测功能可用于预测零售库存需求、供应链规划、劳动力状况、Web 流量预测等。
预测可以跨维度(例如零售商店位置)或商品级别元数据(例如商品品牌、尺寸和颜色)进行比较。您可以利用此数据实现以下目的:
- 优化现有预测 – 通过 p50 预测节省时间并保持与旧工具的兼容性,或深入了解过度预调配和预调配不足的问题。
- 满足不断变化的客户需求 – 通过 p90 预测实现高客户满意度,真实值预计在 90% 的时间里低于预测值。
- 避免过度预调配 – 通过 p10 预测节省成本并避免出现过度预调配,真实未来需求值预计只有 10% 的时间低于预测值。
优势

通过 Amazon Forecast 的自动化,简化多项实验的提取、建模和预测的流程。
使用 AWS CloudFormation 模板提供安全的一键式部署,该模板使用 AWS Well-Architected Framework 方法开发。
在成功和失败时通过电子邮件通知向用户,轻松监控预测。
通过在 Amazon QuickSight 分析或 Jupyter Notebook 中整合输入数据和预测输出,促进协作与实验。
技术详情

AWS CloudFormation 模板可部署自动化 Amazon Forecast 使用量和部署所需的资源。根据解决方案的功能,架构分为三个部分:数据准备、预测和数据可视化。该模板包括以下组件:
第 1 步
Amazon Simple Storage Service (Amazon S3) 存储桶,适用于 Amazon Forecast 配置,在此您可以为数据集组、数据集预测器、预测和数据集本身指定配置设置。
第 2 步
Amazon S3 事件通知,会在有新的数据集上传到相关 Amazon S3 存储桶时调用。
第 3 步
使用机器学习提高预测准确性 AWS Step Functions 状态机。这样会整合一系列 AWS Lambda 函数,用于在 Amazon Forecast 中构建、培训和部署您的机器学习(ML)模型。所有 AWS Step Functions 均可登录 Amazon CloudWatch。
第 4 步
Amazon Simple Notification Service (Amazon SNS) 电子邮件订阅,用于告知管理用户 AWS Step Functions 的结果。
第 5 步
Amazon SageMaker 笔记本电脑实例,数据科学家和开发人员可以借此准备和处理数据,以及评估 Forecast 输出。
第 6 步
AWS Glue 作业整合原始预测输入数据、元数据、预测器回测导出和预测导出,形成预测的聚合视图。
第 7 步
Amazon Athena 可用于借助标准 SQL 查询来查询预测输出。
第 8 步
Amazon QuickSight 分析可基于每个预测而创建,跨预测项目的层次结构和类别以及项目级准确性指标为用户提供预测输出可视化。控制面板可以通过这些分析来创建,并且在您的组织内分享。