江苏龙网

  1. 首页 > 资讯 > 科技 > >

|使用 DeepAR 进行时间序列预测( 三 )


本文插图

图4 多重时间序列联合的问题
而对于这种样本量级差异的解决方法 ， 需要对商品销售量进行缩放 ， 对应到神经网络中 ， 即输入到神经网络前除以v, 输出后乘以v 。 如何选择为每一个商品选择对应的v是一个挑战 ， 实践发现使用商品的历史销量均值是一个不错的选择 。
【|使用 DeepAR 进行时间序列预测】
|使用 DeepAR 进行时间序列预测
本文插图

图5 多重时间序列联合一个可行方案
在 DeepAR 中这些问题的方案都包含在了算法内部 ， 从而省去了前期大量的数据规整和清洗工作 。 这也就使得从使用的角度上 ， DeepAR 的上手难度并不高 。 并且 ， 在 Amazon SageMaker 和 Amazon Forecast 这两个服务中 ， 都可以快速方便的直接调用现成实现好的算法 ， 输入自己的数据进行训练 。
DeepAR 使用
如果您是一个刚上手机器学习的小白 ，Amazon Forecast 是一项完全托管的服务 ， 可以使用包含 DeepAR 在内的机器学习算法来提供高度准确的预测 ， 您可以手动指定算法或让服务根据预测效果自己选择 。 Amazon Forecast 以 Amazon.com 使用的相同技术为基础 ， 利用机器学习将时间序列数据与其他变量相结合 ， 以获得预测结果 。 使用 Amazon Forecast 无需具备任何机器学习经验 。 您只需要提供历史数据 ， 以及您认为可能会影响预测结果的任何其他数据 。 训练、超参数调整、模型部署这些过程全部是服务自动执行 ， 数个小时后就可以利用生成好的终端节点进行预测 。 Amazon Forecast 也能够在模型上线后持续迭代并优化您的模型 。
如果您想要动手来自行训练 ， 更多的定制化和手动处理数据 ， 控制训练过程 ， 以及自定义部署流程 ， Amazon SageMaker是更好的选择 。Amazon SageMaker 是一项完全托管的服务 ， 可以帮助开发人员和数据科学家快速构建、训练和部署机器学习 (ML) 模型 。SageMaker 完全消除了机器学习过程中每个步骤的繁重工作 ， 让开发高质量模型变得更加轻松 。 Amazon SageMaker覆盖了从数据打标签到最终模型部署一整套的步骤支持和现成的容器化方法 ， 使得开发人员和数据科学家可以专注于他们所擅长的业务以及科学研究之中 。 DeepAR 作为 SageMaker 内建的算法 ， 可以通过数行代码调用 ， 就可以直接开始模型训练 。SageMaker 也提供了数个 DeepAR 相关示例 ， 可以在初期仿照示例笔记本处理自己的业务数据并生成模型 ， 降低学习曲线 。
在 SageMaker 上启用一个笔记本实例 ，DeepAR的示例笔记本在 Jupyter 的示例中可以找到：
|使用 DeepAR 进行时间序列预测
本文插图

pic6
点击 Use ， 进入示例笔记本：
|使用 DeepAR 进行时间序列预测
本文插图

图6 SageMaker 中使用 DeepAR
使用内置算法DeepAR ， 我们需要设置容器的名称 forecasting-deepar：
|使用 DeepAR 进行时间序列预测
本文插图

图7 设置容器名称
数据预处理 ， 按照文档中的数据格式要求进行数据预处理 ， 设置时间序列的跨度 ， 预测跨度 ， 起始终止时间 ， 并切分训练和测试数据集：
|使用 DeepAR 进行时间序列预测
本文插图

图8 数据预处理
SageMaker 中使用的是封装好的 DeepAR 模型容器 ， 我们只需要在笔记本中指定相关的命令参数和训练参数 ， 就可以开始训练 。 相面给出了一个示例定义：
|使用 DeepAR 进行时间序列预测


推荐阅读


上一篇：爱奇艺|爱奇艺任命郭又铨为副总裁 发力海外巿场

下一篇：品牌邱淑贞也带不动！“潮流鼻祖”I.T年亏7亿，前浪咋就翻了船？