使用 API 创建用于时间序列预测的 AutoML 作业

默认情况下，您的 Autopilot 作业会根据您的数据集训练预定义的算法列表。但是，您可以提供默认算法选择的子集。

对于时间序列预测，必须选择TimeSeriesForecastingJobConfig作为类型。AutoMLProblemTypeConfig

然后，您可以在 C CandidateGenerationonfig 的AlgorithmsConfig属性AutoMLAlgorithms中指定选定的数组。

以下是一个属性示例，该AlgorithmsConfig属性恰好列出了其字段中的三种算法（“cnn-qr”、“prophet”、“arima”）。AutoMLAlgorithms

{
   "AutoMLProblemTypeConfig": {
        "TimeSeriesForecastingJobConfig": {
          "CandidateGenerationConfig": {
            "AlgorithmsConfig":[
               {"AutoMLAlgorithms":["cnn-qr", "prophet", "arima"]}
            ]
         },
       },
     },
  }

有关时间序列预测的可用算法列表，请参阅AutoMLAlgorithms。有关每种算法的详细信息，请参阅时间序列预测支持的算法。

Autopilot 使用您的目标时间序列数据训练 6 个候选模型，然后使用堆叠组合方法将这些模型结合起来，针对给定目标指标创建最佳的预测模型。每个 Autopilot 预测模型都通过生成分位数在 P1 和 P99 之间的预测来生成概率预测。这些分位数用于解释预测的不确定性。默认情况下，将为 0.1 (p10)、0.5 (p50) 和 0.9 (p90) 生成预测。您可以选择指定自己的分位数。

在 Autopilot 中，您最多可以在 Config 的属性中指定从 0.01 (p1) 到 0.99 (p99) 之间的五个预测分位数，增量为 0.01 或更高。ForecastQuantiles TimeSeries ForecastingJob

在以下示例中，您设置的是在 20 天的时段中，对特定项目的预期数量或需求水平的每日第 10 个、第 25 个、第 50 个、第 75 个和第 90 个分位数进行预测。

"AutoMLProblemTypeConfig": { 
        "ForecastFrequency": "D",
        "ForecastHorizon": 20,
        "ForecastQuantiles": ["p10", "p25", "p50", "p75", "p90"],
        "TimeSeriesConfig": {
            "TargetAttributeName": "demand",
            "TimestampAttributeName": "timestamp",
            "ItemIdentifierAttributeName": "item_id"
        },

要创建预测模型（也称为实验中的最佳候选模型），您必须指定预测频率。在您的预测中，预测频率决定了进行预测的频率。例如，每月销售预测。Autopilot 最佳模型为数据生成预测的频率，可以大于所记录数据的频率。

在训练期间，Autopilot 会聚合与您指定的预测频率不一致的所有数据。例如，您可能有一些每日数据，但指定了每周预测频率。Autopilot 会根据每日数据所属的周来调整每日数据。然后，Autopilot 将其合并为每周的单个记录。

在聚合期间，默认的转换方法是对数据求和。您可以在创建 AutoML 作业时在 Config 的Transformations属性中配置TimeSeriesForecastingJob聚合。支持的聚合方法包括 sum（默认）、avg、first、min、max。只有目标列支持聚合。

在以下示例中，您将配置聚合来计算单个促销预测的平均值，从而提供最终的聚合预测值。

"Transformations": {
            "Aggregation": {
                "promo": "avg"
            }
        }

Autopilot 提供了多种填充方法，用于处理时间序列数据集的目标列和其他数字列中的缺失值。有关支持的填充方法列表及其可用填充逻辑的信息，请参阅处理缺失值。

创建 AutoML 作业时，您可以在 TimeSeriesForecastingJobConfig 的Transformations属性中配置填充策略。

要设置填充方法，您需要提供一个键/值对：

您可以为单个列指定多种填充方法。

要为填充方法设置特定值，您应将填充参数设置为所需的填充方法值（例如 "backfill" : "value"），并在带有“_value”后缀的其他参数中定义实际填充值。例如，要将 backfill 设置为值 2，您必须包括两个参数："backfill": "value" 和 "backfill_value":"2"。

在以下示例中，您可以为不完整的数据列“price”指定填充策略，如下所示：项目第一个数据点和最后一个数据点之间的所有缺失值都设置为 0，之后所有缺失值都将填充值 2，直至数据集的结束日期值。

"Transformations": {
            "Filling": {
                "price": {
                        "middlefill" : "zero",
                        "backfill" : "value",
                        "backfill_value": "2"
                }
            }
        }

Autopilot 会生成准确性指标来评估候选模型，帮助您选择使用哪个模型来生成预测。运行时间序列预测实验时，您可以选择 AutoML，让 Autopilot 为您优化预测变量，也可以手动为预测变量选择算法。

默认情况下，Autopilot 使用平均加权分位数损失。但是，当你在 autoML 的MetricName属性中创建 AutoML 作业时，你可以配置目标指标。JobObjective

有关可用算法的列表，请参阅时间序列预测支持的算法。

在 Autopilot 中，您可以将经过特征工程处理的国家法定假日信息数据集整合到您的时间序列中。Autopilot 原生提供了对 250 多个国家/地区的假日日历的支持。选择国家/地区后，Autopilot 会在训练期间，将该国家/地区的假日日历应用于数据集中的每个项目。这使模型能够识别与特定假日关联的模式。

在创建 AutoML 作业时，您可以通过将HolidayConfig属性对象传递给 Conf HolidayConfig ig 的属性来启用节日功能。TimeSeries ForecastingJobHolidayConfigAttributes 对象包含两个字母的 CountryCode 属性，确定扩充时间序列数据集时，使用哪个国家/地区的国家法定公共假日日历。

有关支持的日历及其相应的国家/地区代码的列表，请参阅国家/地区代码。

使用 Autopilot，您可以将预测模型自动部署到端点。要为 AutoML 作业的最佳候选模型启用自动部署，请在 AutoML 任务请求中包括 ModelDeployConfig。这允许将最佳模型部署到 SageMaker 端点。以下是可供自定义的配置。