Цены на Amazon Forecast
Обзор
В Amazon Forecast плата начисляется по факту использования. Минимальные платежи и авансовые обязательства отсутствуют. При использовании Amazon Forecast следует учитывать четыре различных типа затрат:
-
Импортированные данные: стоимость каждого ГБ данных, импортированного в Amazon Forecast для обучения и прогнозирования.
-
Обучение предиктора: стоимость каждого часа использования инфраструктуры, необходимой для создания собственного предиктора на основе входных данных или для мониторинга производительности предиктора. Время обучения включает в себя время, затрачиваемое на очистку данных, параллельное обучение нескольких алгоритмов, поиск наилучшей комбинации алгоритмов, вычисление метрик точности, создание объяснений, мониторинг производительности предикторов и использование инфраструктуры при создании прогнозов. Обратите внимание, что стоимость зависит от количества часов работы инстанса, а не от фактического времени обучения предиктора. Поскольку Amazon Forecast параллельно развертывает для обучения предиктора несколько инстансов, количество использованных часов превысит фактическое наблюдаемое время.
-
Сгенерированные точки данных прогноза: стоимость количества уникальных значений прогноза, созданных для всех комбинаций временных рядов (элементов и измерений). Точки данных прогноза представляют собой комбинацию количества уникальных временных рядов (например, SKU × магазины), количества квантилей и временных точек в пределах горизонта прогнозирования. Прогнозируемые данные включают точки, созданные путем составления прогнозов, и точки, полученные в результате анализа «что если».
-
Объяснение прогнозов: затраты на объяснение влияния атрибутов или связанных данных на ваши прогнозы по каждой позиции и временной точке. Объяснение помогает лучше понять, как атрибуты в наборах данных влияют на значения прогноза. Стоимость зависит от количества точек данных прогноза и количества объясняемых атрибутов (например, цены, праздничных дней, индекса погоды).
Калькулятор цен AWS на Amazon Forecast
Используйте калькулятор цен AWS для оценки стоимости архитектурного решения, использующего Amazon Forecast.
Уровень бесплатного пользования
В течение первых двух месяцев использования прогнозирования клиенты получают до 100 000 точек данных прогноза, до 10 ГБ хранилища данных и до 10 часов обучения в месяц.
Таблицы цен
|
Cost Type
|
Pricing
|
Details
|
|---|---|---|
|
Импортированные данные
|
0,088 USD за ГБ
|
За каждый ГБ данных, импортированных в Amazon Forecast.
|
|
Обучение предиктора
|
0,24 USD за час
|
За каждый час времени, затрачиваемого на очистку данных, параллельное обучение нескольких алгоритмов, поиск наилучшей комбинации алгоритмов, вычисление метрик точности, создание очков влияния объяснений, мониторинг производительности предикторов и использование инфраструктуры при создании прогнозов. Amazon Forecast параллельно развертывает для обучения предиктора несколько инстансов, поэтому количество использованных часов превысит фактическое наблюдаемое время.
|
|
Сгенерированные точки данных прогноза
|
*См. Таблицу 1 с гибким ценообразованием ниже
|
На каждые 1000 точек данных прогноза в каждом квантиле для составления прогнозов, включая анализ «что если». Количество точек данных прогноза округляется до ближайшей тысячи.
|
|
Объяснения прогнозов
|
**См. Таблицу 2 с гибким ценообразованием ниже
|
На каждые 1000 объяснений — точки данных прогноза, умноженные на количество атрибутов (таких как цена или праздничные дни). Объяснения округляются до ближайшей тысячи. Каждое задание по объяснению ограничено 50 временными рядами и 500 временными точками.
|
* Таблица 1
Сгенерированные точки данных прогноза, таблица гибкого ценообразования
|
Generated forecast data points per month
|
Price per 1000 forecast data points
|
|---|---|
|
Первые 100 тыс. точек данных прогноза
|
2,00 USD
|
|
Следующие 900 тыс. точек данных прогноза
|
0,80 USD
|
|
Следующие 49 млн точек данных прогноза
|
0,20 USD
|
|
Более 50 млн точек данных прогноза
|
0,02 USD
|
Примечание. С клиентов, создающих прогнозы с помощью предиктора, тренированного с помощью устаревшего API CreatePredictor, по-прежнему будет взиматься плата в размере 0,60 USD за 1000 временных рядов, представляющих собой комбинацию элементов и измерений, для каждого квантиля. Количество прогнозов округляется до ближайшей тысячи.
** Таблица 2
Объяснения прогнозов, таблица гибкого ценообразования
|
Forecast Explanations per month
|
Price per 1000 explanations
|
|---|---|
|
Первые 50 тыс. объяснений
|
2,00 USD
|
|
Следующие 950 тыс. объяснений
|
0,80 USD
|
|
Следующие 9,9 млн объяснений
|
0,25 USD
|
|
Более 10 млн объяснений
|
0,15 USD
|
Пример ценообразования 1. Прогнозирование спроса на продукцию
Допустим, у вас есть компания по производству одежды, которая изготавливает 1000 товаров, продаваемых в 50 магазинах по всему миру. Вы прогнозируете спрос на продукцию в течение следующих 7 дней по 1 квантилю. Каждая комбинация товара и местоположения магазина соответствует одному временному ряду, поэтому вы можете спрогнозировать 50 тысяч временных рядов (1000 товаров × 50 магазинов). Поскольку вы прогнозируете по 1 квантилю, вы создаете в общей сложности 50 тысяч прогнозов (50 тыс. временных рядов × 1 квантиль). При составлении прогнозов на 7 дней вперед с еженедельной периодичностью прогнозирования вы создаете 1 точку данных в будущем, а общее количество точек данных прогноза составляет 50 тысяч (50 тыс. прогнозов × 1 точка данных).
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
5 ГБ импортированных данных
|
0,088 USD за ГБ
|
5 ГБ × 0,088 USD за ГБ = 0,44 USD
|
|
3 часа на обучение
|
0,24 USD за час
|
3 часа × 0,24 USD за час = 0,72 USD
|
|
50 тыс. точек данных прогноза
|
2 USD за 1000 точек данных прогноза для первых 100 тыс. точек данных прогноза
|
50 тыс. прогнозов × 2 USD за 1000 прогнозов = 100 USD
|
|
-
|
- |
Общая стоимость = 101,16 USD
|
Пример ценообразования 1
Теперь предположим следующее изменение: вы создаете прогнозы на 7 дней вперед с ежедневной периодичностью прогнозирования. Это означает прогнозирование по 7 точкам данных в будущем с общим количеством точек данных прогноза 350 тысяч (50 тыс. прогнозов × 7 точек данных).
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
5 ГБ импортированных данных
|
0,088 USD за ГБ
|
5 ГБ × 0,088 USD за ГБ = 0,44 USD
|
|
3 часа на обучение
|
0,24 USD за час
|
3 часа × 0,24 USD за час = 0,72 USD
|
|
350 тыс. точек данных прогноза
|
2 USD за 1000 точек данных прогноза для первых 100 тыс. точек данных прогноза
0.80 USD за 1000 точек данных прогноза для следующих 900 тыс. точек данных прогноза |
100 тыс. × 2 USD за 1000 точек прогноза = 200 USD
Итого = 200 USD + 200 USD = 400 USD |
|
-
|
- |
Общая стоимость = 401,16 USD
|
Приведенный выше пример ценообразования основан на одном задании по прогнозированию за месяц
Пример ценообразования 2. Планирование мощностей
Допустим, у вас есть энергетическая компания. У вас есть 5 тыс. постоянных клиентов, которые используют как газ, так и электричество. Каждая комбинация потребителей и типов энергии соответствует одному временному ряду, поэтому у вас будет 10 тысяч временных рядов (2 типа энергии × 5 тыс. потребителей). Предположим, что вам нужно планировать на 24 часа вперед с почасовой прогнозом по 1 квантилю, поэтому вы создаете 240 тысяч точек данных прогноза (10 тыс. временных рядов × 1 квантиль × 24 часа). Вы добавляете атрибут «Цена» и решили добавить встроенные наборы данных «Праздники» и «Индекс погоды» Amazon Forecast для обучения предиктора. Предположим, вам интересно узнать, какие факторы влияют на прогнозы для ваших 100 крупнейших потребителей газа. Затраты на объяснение прогнозов будут следующими.
|
Number of explainability jobs
|
100 customer time series / 50 time series maximum per explainability job = 2
|
|---|---|
|
Количество точек данных прогноза, объясняемых в каждом задании
|
50 потребителей × 1 тип энергии × 1 квантиль × 24 часа = 1200
|
|
Количество объясняемых атрибутов
|
Цена + Праздничный день + Индекс погоды = 3
|
|
Общее количество объяснений за один месяц
|
1200 × 3 × 2 = 8000 (округлено до ближайшей тысячи)
|
|
Общая стоимость
|
2 USD / 1000 объяснений × 8000 объяснений = 16 USD
|
Приведенный выше пример ценообразования основан на одном задании по прогнозированию за месяц