Amazon Forecast - Panduan Developer

Amazon ForecastPanduan Developer

Amazon Forecast Panduan Developer

Amazon Forecast: Panduan DeveloperCopyright © Amazon Web Services, Inc. and/or its affiliates. All rights reserved.

Merek dagang dan tampilan dagang Amazon tidak boleh digunakan sehubungan dengan produk atau layanan apa punyang bukan milik Amazon, dengan cara apa pun yang dapat menyebabkan kebingungan di antara para pelanggan,atau dengan cara apa pun yang menghina atau mendiskreditkan Amazon. Semua merek dagang lain yang tidakdimiliki oleh Amazon adalah milik dari pemiliknya masing-masing, yang mungkin berafiliasi atau tidak berafiliasidengan, terkait, atau disponsori oleh Amazon.


Table of ContentsApa itu Amazon Forecast? ................................................................................................................... 1

Menggunakan Amazon Forecast ................................................................................................... 2Amazon Forecast ....................................................................................................................... 2Harga Amazon Forecast .............................................................................................................. 2Apakah Anda Pengguna Amazon Forecast? ................................................................................... 3

Cara Amazon Forecast ........................................................................................................................ 4Mengatur ........................................................................................................................................... 5

Mendaftar ke AWS ..................................................................................................................... 5MengaturAWS CLI ...................................................................................................................... 5Mengatur Izin ............................................................................................................................. 6

Membuat IAM Amazon Forecast ........................................................................................... 6Buat IAM untuk Amazon Forecast (AWS CLI) ......................................................................... 8Cross-service bingung wakil pencegahan ............................................................................. 10

Memulai ........................................................................................................................................... 12Siapkan Data Input ................................................................................................................... 12Memulai (Konsol) ...................................................................................................................... 13Memulai (AWS CLI) .................................................................................................................. 22Memulai (Notebook Python) ....................................................................................................... 31

Tutorial Lanjutan ............................................................................................................... 32Pembersihan Sumber Daya ........................................................................................................ 32

Tutorial ............................................................................................................................................ 34Mengotomatisasi dengan AWS CloudFormation ............................................................................. 34

Prasyarat ......................................................................................................................... 36MenerapkanAWS CloudFormationTemplate untuk otomatisasi Forecast ..................................... 36Pembersihan .................................................................................................................... 39

Mengimpor Set Data ......................................................................................................................... 40Set Data .................................................................................................................................. 40

Dataset Domain dan Jenis Dataset ...................................................................................... 41Skema set data ................................................................................................................ 42

Grup set data ........................................................................................................................... 43Menyelesaikan Konflik dalam Frekuensi Pengumpulan Data ............................................................ 43

Batas waktu ..................................................................................................................... 44Pedoman Agregasi Data .................................................................................................... 45

Seri Waktu Terkait .................................................................................................................... 45Seri Waktu Terkait Sejarah dan Maju .................................................................................. 45Terkait Waktu Seri Dataset Validasi ..................................................................................... 46Contoh: Berkas Seri Waktu Terkait Maju .............................................................................. 47Contoh: Peramalan Granularity ........................................................................................... 48Prediktor Legacy dan Seri Waktu Terkait ............................................................................. 48

Metadata barang ....................................................................................................................... 48Contoh: Item Metadata File dan Skema ............................................................................... 49Prediktor Warisan dan Metadata Item .................................................................................. 50Lihat Juga ........................................................................................................................ 50

Domain Dataset dan Jenis Dataset yang telah ditetapkan ............................................................... 50Domain Ritel .................................................................................................................... 52Domain KUSTOM ............................................................................................................. 53Domain Inventory_PLANNING ............................................................................................. 54Domain KASITAS EC2 ...................................................................................................... 55Domain WORK_FORCE ..................................................................................................... 56Web_TRAFFIC Domain ...................................................................................................... 57Domain METRIS ............................................................................................................... 58

Memperbarui Data .................................................................................................................... 59Menangani Nilai Hilang .............................................................................................................. 59

Logika Mengisi ................................................................................................................. 60

iii


Target Time Series dan Seri Waktu Terkait Mengisi Logika ..................................................... 60Sintaks Nilai Hilang ........................................................................................................... 61

Pedoman set data .................................................................................................................... 62Prediktor pelatihan ............................................................................................................................ 64

Membuat Prediktor .................................................................................................................... 64Mengupgrade keAutoPredictor .................................................................................................... 66Menggunakan set data tambahan ................................................................................................ 67Bekerja dengan prediktor warisan ................................................................................................ 67Metrik Prediktor ........................................................................................................................ 68

Menafsirkan Metrik ............................................................................................................ 69Tertimbang Kuantil Rugi (WQL) .......................................................................................... 70Tertimbang Absolute Persentase Kesalahan (WAPE) ............................................................. 71Akar Berarti Lapangan Kesalahan (RMSE) ........................................................................... 72Berarti Kesalahan Persentase Absolute (MAPE) .................................................................... 72Berarti Kesalahan Scaled Absolute (MASE) .......................................................................... 73Mengekspor Metrik ............................................................................................................ 73Jenis Forecast .................................................................................................................. 75Bekerja Dengan Prediktor Legacy ....................................................................................... 77

Retraining Prediktor ................................................................................................................... 80Indeks cuaca .......................................................................................................................... 81

Mengaktifkan Indeks Cuaca ................................................................................................ 81Menambahkan Informasi Geolokasi ke Dataset ..................................................................... 82Zona waktu ...................................................................................................................... 95Kondisi dan Pembatasan .................................................................................................. 100

Featuurisasi Liburan ................................................................................................................ 101Mengaktifkan Featuurisasi Liburan ..................................................................................... 101Kode Negara .................................................................................................................. 102Kalender Liburan Tambahan ............................................................................................. 104

Prediktor Explainability ............................................................................................................. 105Menafsirkan Skor dampak ................................................................................................ 105Membuat Eksplainabilitas Prediktor .................................................................................... 106Ekspor Prediktor Explainability .......................................................................................... 108Pembatasan dan praktik terbaik ........................................................................................ 109

Algoritme Forecast .................................................................................................................. 109Algoritme bawaan ............................................................................................................ 109Algoritme Forecast .......................................................................................................... 110ARIMA ........................................................................................................................... 111CNN-QR ........................................................................................................................ 112Deepar + ....................................................................................................................... 117ES ................................................................................................................................ 123NPTS ............................................................................................................................ 124Nabi .............................................................................................................................. 127

Prakiraan ....................................................................................................................................... 128Membuat prakiraan .................................................................................................................. 128Mengekspor prakiraan .............................................................................................................. 129Prakiraan ............................................................................................................................... 131

Eksplainability Forecast .................................................................................................................... 132Menafsirkan Skor .................................................................................................................... 132Membuat Eksplainability ........................................................................................................... 133

Menentukan rangkaian waktu ............................................................................................ 134Menentukan poin waktu ................................................................................................... 135

Memvisualisasikan Forecast ...................................................................................................... 137Ekspor Forecast ...................................................................................................................... 137Pembatasan dan praktik terbaik ................................................................................................ 138

Mengelola Sumber Daya .................................................................................................................. 140Sumber Daya Hentikan ........................................................................................................... 140Menghapus Sumber Daya ....................................................................................................... 142

iv


Memahami Pohon Sumber Daya ....................................................................................... 142Menghapus Sumber Daya Individu ..................................................................................... 143Menghapus Pohon Sumber Daya ...................................................................................... 144

Menandai Sumber Daya ........................................................................................................... 145Mengelola Tanda ............................................................................................................ 146Menggunakan Tag dalam Kebijakan IAM ............................................................................ 146Menambahkan Tanda ke Sumber Daya .............................................................................. 147Informasi tambahan ......................................................................................................... 148

Menerima Notifikasi ................................................................................................................. 148Pekerjaan Pemantauan Forecast Sumber Daya ................................................................... 149Membuat Aturan EventBridge untuk Pemberitahuan Status Job .............................................. 150Membuat Aturan CloudWatch Events untuk Pemberitahuan Status Job .................................... 150

Pedoman dan Kuota ........................................................................................................................ 151DidukungAWSKawasan ............................................................................................................ 151Kepatuhan .............................................................................................................................. 151Service Quotas ....................................................................................................................... 151

Nama Bidang Cadangan .................................................................................................................. 155Keamanan ...................................................................................................................................... 175

Perlindungan Data ................................................................................................................... 175Enkripsi saat Istirahat ...................................................................................................... 176Enkripsi dalam Transit dan Pengolahan .............................................................................. 176

Identity and Access Management .............................................................................................. 176Penonton ....................................................................................................................... 177Mengautentikasi Menggunakan Identitas ............................................................................. 177Mengelola Akses Menggunakan Kebijakan .......................................................................... 179Cara Amazon Forecast Bekerja dengan IAM ....................................................................... 181Contoh Kebijakan Berbasis Identitas .................................................................................. 183Pemecahan Masalah ....................................................................................................... 188

Pencatatan dan Pemantauan .................................................................................................... 190Mencatat Panggilan API denganAWS CloudTrail .................................................................. 190CloudWatchPrakiraan Amazon Forecast ............................................................................. 192

Validasi Kepatuhan .................................................................................................................. 193Ketahanan .............................................................................................................................. 194Keamanan Infrastruktur ............................................................................................................ 194Titik akhir VPC (AWS PrivateLink) ............................................................................................. 194

Pertimbangan untuk Forecast VPC endpoint ....................................................................... 195Membuat VPC endpoint antarmuka untuk Forecast .............................................................. 195Membuat kebijakan VPC endpoint untuk Forecast ................................................................ 195

Referensi API ................................................................................................................................. 197Tindakan ................................................................................................................................ 197

Amazon Forecast Layanan ............................................................................................... 198Kueri Amazon Forecast .................................................................................................... 344

Tipe Data ............................................................................................................................... 347Amazon Forecast ............................................................................................................ 349Kueri Amazon Forecast .................................................................................................... 417

Kesalahan Umum .................................................................................................................... 419Parameter Umum .................................................................................................................... 421

Riwayat Dokumen ........................................................................................................................... 424Daftar istilah AWS ........................................................................................................................... 426................................................................................................................................................ cdxxvii

v


Apa itu Amazon Forecast?Amazon Forecast adalah layanan terkelola penuh yang menggunakan algoritma machine learning dansecara statistik untuk menghadirkan perkiraan deret waktu yang sangat akurat. Berdasarkan teknologiyang sama yang digunakan untuk peramalan seri waktu di Amazon.com, Forecast menyediakan algoritmacanggih untuk memprediksi data seri waktu mendatang berdasarkan data historis, dan tidak memerlukanpengalaman pembelajaran mesin.

Peramalan seri waktu berguna di berbagai bidang, termasuk ritel, keuangan, logistik, dan perawatankesehatan. Anda juga dapat menggunakan Forecast untuk memprediksi metrik khusus domain untukinventaris, tenaga kerja, lalu lintas web, kapasitas server, dan keuangan Anda.

Untuk informasi selengkapnya tentang aspek teknis Amazon Forecast, lihatPrinsip Peramalan Seri Waktudengan Amazon Forecast.

1

https://d1.awsstatic.com/whitepapers/time-series-forecasting-principles-amazon-forecast.pdf?did=wp_card&trk=wp_card

https://d1.awsstatic.com/whitepapers/time-series-forecasting-principles-amazon-forecast.pdf?did=wp_card&trk=wp_card

Amazon Forecast Panduan DeveloperMenggunakan Amazon Forecast

Topik• Menggunakan Amazon Forecast (p. 2)• Amazon Forecast (p. 2)• Harga Amazon Forecast (p. 2)• Apakah Anda Pengguna Amazon Forecast? (p. 3)

Menggunakan Amazon ForecastAnda dapat menggunakanAPI (p. 197),AWS Command Line Interface (p. 22)(AWS CLI),KitPengembangan Perangkat Lunak Python (p. 31)(SDK), danKonsol Amazon Forecast (p. 13)untukmengimpor dataset seri waktu, melatih prediktor, dan menghasilkan perkiraan.

Berikut adalah beberapa kasus penggunaan umum untuk Amazon Forecast:

• Perencanaan permintaan ritel— Memprediksi permintaan produk, memungkinkan Anda untuk lebihakurat bervariasi persediaan dan harga di lokasi toko yang berbeda.

• Rencana rantai pasokan— Memprediksi kuantitas barang baku, jasa, atau input lain yang dibutuhkanoleh manufaktur.

• Perencanaan sumber daya— Memprediksi persyaratan untuk kepegawaian, iklan, konsumsi energi, dankapasitas server.

• perencanaan operasional— Memprediksi tingkat lalu lintas web, penggunaan AWS, dan penggunaansensor IoT.

Amazon ForecastAmazon Forecast mengotomatisasi sebagian besar proses peramalan seri waktu, memungkinkan Andauntuk fokus pada persiapan dataset Anda dan menafsirkan prediksi Anda.

Forecast menyediakan fitur-fitur berikut:

• Machine Learning otomatis— Forecast mengotomatisasi tugas pembelajaran mesin yang kompleksdengan menemukan kombinasi optimal algoritma pembelajaran mesin untuk dataset Anda.

• Algoritma mutakhir— Terapkan kombinasi algoritma pembelajaran mesin yang didasarkan padateknologi yang sama yang digunakan di Amazon.com. Forecast menawarkan berbagai algoritmapelatihan, dari metode statistik yang umum digunakan hingga jaringan saraf yang kompleks.

• Dukungan nilai yang tidak ada— Forecast menyediakan beberapa metode pengisian untuk secaraotomatis menangani nilai-nilai yang hilang dalam dataset Anda.

• Set data bawaan— Forecast dapat secara otomatis menggabungkan built-in dataset untuk meningkatkanmodel Anda. Dataset ini sudah direkayasa fitur dan tidak memerlukan konfigurasi tambahan.

Harga Amazon ForecastDengan Amazon Forecast, Anda hanya membayar atas apa yang Anda gunakan. Tidak ada biayaminimum dan tidak ada komitmen di muka. Biaya Amazon Forecast bergantung pada jumlah perkiraanyang dihasilkan, penyimpanan data, dan jam pelatihan.

ParameterAWS Tingkat Gratismemungkinkan Anda batas bulanan hingga 10.000 perkiraan seri waktu,penyimpanan hingga 10 GB, dan waktu pelatihan hingga 10 jam. Tingkat gratis Amazon Forecast berlakuuntuk dua bulan pertama penggunaan.

2

http://aws.amazon.com/free/

Amazon Forecast Panduan DeveloperApakah Anda Pengguna Amazon Forecast?

Untuk daftar lengkap biaya dan harga, lihatHarga Amazon Forecast.

Apakah Anda Pengguna Amazon Forecast?Jika pengguna Amazon Forecast pertama kali, sebaiknya mulai dengan halaman berikut:

1. Cara Amazon Forecast (p. 4)— Pelajari tentang konsep kunci dan proses mengimpor dataset,membuat prediktor, dan menghasilkan prakiraan.

2. Memulai (p. 12)— Ikuti salah satu tutorial untuk membuat prediktor peramalan Amazon Forecastpertama Anda.

3. Referensi API (p. 197)— Biasakan diri Anda dengan tindakan Amazon Forecast API dan tipe data.

3

http://aws.amazon.com/forecast/pricing/


Cara Amazon ForecastSaat membuat proyek-proyek peramalan di Amazon Forecast, Anda bekerja dengan sumber daya berikut:

• Mengimpor Set Data (p. 40) —Set Dataadalah kumpulan data input Anda. Grup dataset adalahkumpulan dataset yang berisi informasi gratis. Algoritma Forecast menggunakan grup dataset Andauntuk melatih model peramalan khusus, yang disebut prediktor.

• Prediktor pelatihan (p. 64) —Prediktoradalah model khusus yang dilatih pada data Anda. Anda dapatmelatih prediktor dengan memilih algoritma prebuilt, atau dengan memilih opsi AutoML untuk memilikiAmazon Forecast memilih algoritma terbaik untuk Anda.

• Prakiraan (p. 128) — Anda dapat menghasilkan perkiraan untuk data waktu-seri Anda, kueri merekamenggunakanQueryForecastAPI, atau memvisualisasikannya di konsol.

4

https://docs.aws.amazon.com/forecast/latest/dg/API_forecastquery_QueryForecast.html

Amazon Forecast Panduan DeveloperMendaftar ke AWS

MengaturSebelum menggunakan Amazon Forecast untuk mengevaluasi atau memperkirakan data seri waktu, buatakun AWS, konfigurasikan izin akses, dan siapkan AWS Command Line Interface (AWS CLI).

Topik• Mendaftar ke AWS (p. 5)• MenyiapkanAWS CLI (p. 5)• Menyiapkan Izin untuk Amazon Forecast (p. 6)

Mendaftar ke AWSSaat Anda mendaftar untuk Amazon Web Services (AWS), akun AWS Anda secara otomatis terdaftaruntuk semua layanan di AWS, termasuk Amazon Forecast. Anda hanya dikenakan biaya untuk layananyang Anda gunakan.

Jika Anda sudah memiliki akun AWS, lewati ke tugas berikutnya. Jika Anda belum memiliki akun AWS,gunakan prosedur berikut untuk membuatnya.

Untuk mendaftar ke AWS

1. Bukahttps://aws.amazon.com/, dan kemudian pilihBuat Akun AWS.2. Ikuti petunjuk di layar untuk menyelesaikan pembuatan akun. Perhatikan nomor akun AWS 12 digit

Anda. Bagian dari prosedur pendaftaran melibatkan menerima panggilan telepon dan memasukkanPIN menggunakan keypad telepon.

3. Buat pengguna admin AWS Identity and Access Management (IAM). LihatMembuat Pengguna danGrup IAM Pertama Andadi dalamPanduan Pengguna AWS Identity and Access Managementuntukinstruksi

MenyiapkanAWS CLIAWS Command Line Interface (AWS CLI) adalah alat developer terpadu untuk mengelola layanan AWS,termasuk Amazon Forecast. Kami menyarankan Anda menginstal dan menggunakannya.

1. Untuk menginstal AWS CLI, ikuti instruksi di Menginstal Antarmuka AWS Command Line Interface diPanduan Pengguna Antarmuka AWS Command Line.

2. Untuk mengonfigurasi AWS CLI dan menyiapkan profil untuk memanggilnya, ikuti petunjukdiMengonfigurasi AWS CLIdi dalamPanduan Pengguna AWS Command Line Interface.

3. Untuk mengonfirmasi bahwaAWS CLIdikonfigurasi dengan benar, jalankan perintah berikut di jendelaperintah:

aws configure --profile default

Jika profil Anda telah dikonfigurasi dengan benar, Anda akan melihat output yang serupa dengan yangberikut ini:

AWS Access Key ID [****************52FQ]:

5

http://portal.aws.amazon.com/

https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started_create-admin-group.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started_create-admin-group.html

https://docs.aws.amazon.com/cli/latest/userguide/installing.html

https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html

Amazon Forecast Panduan DeveloperMengatur Izin

AWS Secret Access Key [****************xgyZ]: Default region name [us-west-2]: Default output format [json]:

4. Untuk memverifikasi bahwaAWS CLIdikonfigurasi untuk digunakan dengan Amazon Forecast, jalankanperintah berikut.

aws forecast help

aws forecastquery help

JikaAWS CLIdikonfigurasi dengan benar, Anda akan melihat daftar perintah CLI yang didukung untukAmazon Forecast atau Amazon Forecast Query.

Menyiapkan Izin untuk Amazon ForecastAmazon Forecast menggunakan Amazon Simple Storage Service (Amazon S3) untuk menyimpan dataseri target yang digunakan untuk melatih prediktor yang dapat menghasilkan prakiraan. Untuk mengaksesAmazon S3 atas nama Anda, Amazon Forecast memerlukan izin Anda.

Untuk memberikan izin Amazon Forecast untuk menggunakan Amazon S3 atas nama Anda, Anda harusmemilikiAWS Identity and Access Management(IAM) peran dan kebijakan IAM di akun Anda. KebijakanIAM menentukan izin yang diperlukan, dan harus dilampirkan ke peran IAM.

Untuk membuat kebijakan IAM dan melampirkan kebijakan ke peran, Anda dapat menggunakan konsolIAM atau AWS Command Line Interface (AWS CLI).

Note

Forecast tidak berkomunikasi dengan VPC AWS dan tidak dapat mendukung gatewayS3 VPCE. Menggunakan ember S3 yang hanya memungkinkan akses VPC akanmenghasilkanAccessDeniedkesalahan.

Topik• Membuat IAM Amazon Forecast (p. 6)• Buat IAM untuk Amazon Forecast (AWS CLI) (p. 8)• Cross-service bingung wakil pencegahan (p. 10)

Membuat IAM Amazon ForecastAnda dapat menggunakan konsol AWS untuk melakukan hal berikut:

• Buat peran IAM dengan Amazon Forecast sebagai entitas tepercaya• Buat kebijakan IAM dengan izin yang memungkinkan Amazon Forecast menampilkan, membaca, dan

menulis data dalam bucket Amazon S3• Lampirkan kebijakan IAM untuk peran IAM

Untuk membuat kebijakan IAM yang memungkinkan Amazon Forecast untuk mengakses AmazonS3 (konsol IAM)

1. Masuk ke konsol IAM (https://console.aws.amazon.com/iam).

6

https://console.aws.amazon.com/iam

Amazon Forecast Panduan DeveloperMembuat IAM Amazon Forecast

2. PilihKebijakandan lakukan hal berikut untuk membuat kebijakan yang diperlukan:

a. PadaMembuat kebijakanhalaman, di editor kebijakan, pilihJSONtab.b. Salin kebijakan berikut dan ganti teks di editor dengan menempelkan kebijakan ini di atasnya.

Pastikan untuk menggantibucket-namedengan nama ember S3, lalu pilihKebijakan tinjauan.

{ "Version":"2012-10-17", "Statement":[ { "Effect":"Allow", "Action":[ "s3:Get*", "s3:List*", "s3:PutObject" ], "Resource":[ "arn:aws:s3:::bucket-name", "arn:aws:s3:::bucket-name/*" ] } ]}

c. MasukKebijakan tinjauan, untukNama, masukkan nama untuk kebijakan. Misalnya,AWSS3BucketAccess. Secara opsional, berikan deskripsi untuk kebijakan ini, lalu pilihMembuatkebijakan.

3. Di panel navigasi, pilih Peran. Kemudian, lakukan hal berikut untuk membuat peran IAM:

a. Pilih Buat peran.b. Untuk Pilih jenis entitas tepercaya, pilih Layanan AWS.c. UntukPilih layanan yang akan menggunakan peran ini, jika Anda tidak melihatAmazon

Forecastterdaftar, pilihEC2. Jika tidak, pilihAmazon Forecast.d. Pilih Berikutnya: Izin.e. UntukMelampirkan kebijakan, pilih kotak centang di samping kebijakan yang baru saja Anda buat.

Untuk menampilkan kebijakan dalam daftar, ketik bagian dari nama kebijakan Anda diKebijakanfilterfilter. Kemudian, pilihSelanjutnya: Tanda.

f. Anda tidak perlu menambahkan tag, jadi pilihSelanjutnya: Tinjau.g. DiTinjaubagian, untukNama peran, masukkan nama untuk peran (misalnya,ForecastRole).

Perbarui deskripsi untuk peran dalamDeskripsi peran, lalu pilihBuat peran.h. Pilih peran baru untuk membuka halaman detail peran.i. DiRingkasan, salinARN Perannilai dan menyimpannya. Anda memerlukannya untuk mengimpor

dataset ke Amazon Forecast.j. Jika Anda tidak memilihAmazon Forecastsebagai layanan yang akan menggunakan peran ini,

pilihHubungan kepercayaan, dan kemudian pilihEdit hubungan kepercayaanuntuk memperbaruikebijakan kepercayaan sebagai berikut.

{ "Version": "2012-10-17", "Statement": [ { "Sid": "", "Effect": "Allow", "Principal": { "Service": "forecast.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": {

7

Amazon Forecast Panduan DeveloperBuat IAM untuk Amazon Forecast (AWS CLI)

"StringEquals": { "aws:SourceAccount": "account-id" }, "ArnLike": { "aws:SourceArn": "arn:aws:forecast:region:account-id:*" } } } ]}

k. [OPSIONAL]Saat menggunakan kunci KMS untuk mengaktifkan enkripsi, lampirkan kunci KMSdan ARN:

{ "Version": "2012-10-17", "Statement": [ { "Sid": "ForecastKMS", "Effect": "Allow", "Action": "kms:*", "Resource": "arn:aws:kms:region:account-id:key/KMS-key-id" } ]}

Buat IAM untuk Amazon Forecast (AWS CLI)Anda dapat menggunakanAWS CLIuntuk melakukan hal berikut:

• Buat peran IAM dengan Amazon Forecast sebagai entitas tepercaya• Buat kebijakan IAM dengan izin yang memungkinkan Amazon Forecast menampilkan, membaca, dan

menulis data dalam bucket Amazon S3• Lampirkan kebijakan IAM untuk peran IAM

Untuk membuat kebijakan IAM yang memungkinkan Amazon Forecast untuk mengakses AmazonS3 (AWS CLI)

1. Buat peran IAM dengan Amazon Forecast sebagai entitas tepercaya yang dapat berperan untuk Anda:

aws iam create-role \ --role-name ForecastRole \ --assume-role-policy-document '{ "Version": "2012-10-17", "Statement": [ { "Sid": "", "Effect": "Allow", "Principal": { "Service": "forecast.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "account-id" }, "ArnLike": { "aws:SourceArn": "arn:aws:forecast:region:account-id:*" }

8

Amazon Forecast Panduan DeveloperBuat IAM untuk Amazon Forecast (AWS CLI)

} } ]}'

Perintah ini mengasumsikan bahwa profil konfigurasi AWS default ditargetkan untuk Wilayah AWSyang didukung oleh Amazon Forecast. Jika Anda telah mengkonfigurasi profil lain (misalnya,aws-forecast) untuk menargetkan Wilayah AWS yang tidak didukung oleh Amazon Forecast, Anda harussecara eksplisit menentukan konfigurasi tersebut dengan menyertakanprofileparameter dalamperintah, misalnya,--profile aws-forecast. Untuk informasi lebih lanjut tentang penyiapanAWSCLIprofil konfigurasi, lihatAWS CLI mengkonfigurasiperintah.

Jika perintah berhasil menciptakan peran, ia mengembalikannya sebagai output, yang seharusnyaterlihat mirip dengan berikut ini:

{ "Role": { "Path": "/", "RoleName": "ForecastRole", "RoleId": your-role-ID, "Arn": "arn:aws:iam::your-acct-ID:role/ForecastRole", "CreateDate": "creation-date", "AssumeRolePolicyDocument": { "Version": "2012-10-17", "Statement": [ { "Sid": "", "Effect": "Allow", "Principal": { "Service": "forecast.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "your-acct-ID" }, "ArnLike": { "aws:SourceArn": "arn:aws:forecast:region:your-acct-ID:*" } } } ] } }}

Catat ARN peran. Anda membutuhkannya ketika Anda mengimpor dataset untuk melatih prediktorAmazon Forecast.

2. Buat kebijakan IAM dengan izin untuk membuat daftar, membaca, dan menulis data di Amazon S3,dan lampirkan ke peran IAM yang Anda buat di Langkah 1:

aws iam put-role-policy \ --role-name ForecastRole \ --policy-name ForecastBucketAccessPolicy \ --policy-document '{ "Version":"2012-10-17", "Statement":[ { "Effect":"Allow", "Action":[ "s3:Get*",

9

https://docs.aws.amazon.com/cli/latest/reference/configure/

Amazon Forecast Panduan DeveloperCross-service bingung wakil pencegahan

"s3:List*", "s3:PutObject" ], "Resource":[ "arn:aws:s3:::bucket-name", "arn:aws:s3:::bucket-name/*" ] } ]}'

3. [OPSIONAL]Saat menggunakan kunci KMS untuk mengaktifkan enkripsi, lampirkan kunci KMS danARN:

aws iam put-role-policy \ --role-name ForecastRole \ --policy-name ForecastBucketAccessPolicy \ --policy-document '{ "Version":"2012-10-17", "Statement":[ { "Effect":"Allow", "Action":[ "s3:Get*", "s3:List*", "s3:PutObject" ], "Resource":[ "arn:aws:s3:::bucket-name", "arn:aws:s3:::bucket-name/*" ] } ]}'aws iam put-role-policy \ --role-name ForecastRole \ --policy-name ForecastKMSAccessPolicy \ --policy-document ‘{ "Version":"2012-10-17", "Statement":[ { "Effect":"Allow", "Action":[ "kms:*" ], "Resource":[ "arn:aws:kms:region:account-id:key/KMS-key-id" ] } ]}’

Cross-service bingung wakil pencegahanMasalah deputi yang bingung adalah masalah keamanan di mana entitas yang tidak memiliki izin untukmelakukan tindakan dapat memaksa entitas yang lebih istimewa untuk melakukan tindakan tersebut. DiAWS, peniruan lintas layanan dapat mengakibatkan masalah wakil yang membingungkan. Peniruan lintaslayanan dapat terjadi ketika satu layanan (layanan panggilan) memanggil layanan lain (layanan yangdisebut). Layanan panggilan dapat dimanipulasi untuk menggunakan izin untuk bertindak atas sumberdaya pelanggan lain dengan cara yang seharusnya tidak memiliki izin untuk mengakses. Untuk mencegah

10

Amazon Forecast Panduan DeveloperCross-service bingung wakil pencegahan

hal ini, AWS menyediakan alat yang membantu Anda melindungi data Anda untuk semua layanan denganprinsip layanan yang telah diberikan akses ke sumber daya di akun Anda.

Sebaiknya gunakanaws:SourceArndanaws:SourceAccountkunci konteks kondisi global dalamkebijakan sumber daya untuk membatasi izin yang diberikan Identity and Access Management (IAM)Amazon Forecast akses ke sumber daya Anda. Jika Anda menggunakan kedua kunci konteks kondisiglobal,aws:SourceAccountnilai dan akun diaws:SourceArnnilai harus menggunakan id akun yangsama bila digunakan dalam pernyataan kebijakan yang sama.

11

Amazon Forecast Panduan DeveloperSiapkan Data Input

MemulaiUntuk memulai menggunakan Amazon Forecast, Anda melakukan hal berikut.

• Buat dataset Forecast dan impor data pelatihan.• Buat prediktor Forecast, yang Anda gunakan menghasilkan prakiraan berdasarkan data seri waktu Anda.

Forecast menerapkan kombinasi optimal algoritma untuk setiap seri waktu dalam dataset Anda.• Menghasilkan perkiraan.

Dalam latihan ini, Anda menggunakan versi modifikasi dari dataset penggunaan listrik yang tersedia untukumum untuk melatih prediktor. Untuk informasi selengkapnya, lihatSet Data ElectricityLoads20112014.Berikut ini adalah baris sampel dari set data:

2014-01-01 01:00:00, 2.53807106598985, client_02014-01-01 01:00:00, 23.648648648648624, client_12014-01-01 02:00:00, 9.648648648612345, client_0

Untuk latihan ini, Anda menggunakan dataset untuk melatih prediktor, dan kemudian memprediksipenggunaan listrik per jam oleh klien.

Anda dapat menggunakan konsol Forecast atauAWS Command Line Interface(AWS CLI) untuk latihan ini.Perhatikan wilayah default konsol Amazon Forecast,AWS CLI, dan Amazon Forecast SDK, karena sumberdaya Amazon Forecast tidak dibagi di seluruh wilayah.

Important

Sebelum memulai, pastikan Anda memiliki akun AWS dan menginstalAWS CLI. Untuk informasiselengkapnya, lihat Mengatur (p. 5). Kami juga merekomendasikan Anda untuk meninjauCaraAmazon Forecast (p. 4).

Topik• Siapkan Data Input (p. 12)• Memulai (Konsol) (p. 13)• Memulai (AWS CLI) (p. 22)• Memulai (Notebook Python) (p. 31)• Pembersihan Sumber Daya (p. 32)

Siapkan Data InputTerlepas dari apakah Anda menggunakan konsol Amazon Forecast atauAWS Command LineInterface(AWS CLI) untuk menyiapkan proyek prakiraan, Anda perlu menyiapkan data input. Untukmenyiapkan data, lakukan hal berikut:

• Unduh data pelatihan ke komputer Anda dan unggah ke bucket Amazon Simple Storage Service(Amazon S3) di akun AWS Anda. Untuk mengimpor data Amazon Forecast, Anda harus menyimpannyadi bucket Amazon S3.

12

https://archive.ics.uci.edu/ml/datasets/ElectricityLoadDiagrams20112014

Amazon Forecast Panduan DeveloperMemulai (Konsol)

• Buat IAM role AWS Identity and Access Management. Anda memberikan izin Amazon Forecast untukmengakses bucket S3 Anda dengan peran IAM. Untuk informasi selengkapnya tentang peran IAM, lihatPeran IAM dalam Panduan Pengguna IAM.

Untuk menyiapkan data pelatihan

1. Unduh file zip,electricityusagedata.zip.

Untuk latihan ini, Anda menggunakan set data konsumsi daya listrik. (Dua, D. dan Karra Taniskidou,E. (2017). Repositori Machine Learning UCI [http://archive.ics.uci.edu/ml]. Irvine, CA: University ofCalifornia, Sekolah Informasi dan Ilmu Komputer.) Kami mengumpulkan data penggunaan per jam.

2. Unzip konten dan simpan secara lokal sebagai electricityusagedata.csv.3. Unggah file data ke bucket S3.

Untuk instruksi langkah demi langkah, lihatMengunggah File dan Folder dengan Menggunakan Seretdan JatuhkandiPanduan Pengguna Amazon Simple Storage Service.

4. Buat IAM role.

Jika Anda ingin menggunakanAWS CLIUntuk latihan Memulai, Anda harus membuat IAM role. JikaAnda menggunakan konsol, Anda dapat membuat peran untuk Anda. Untuk instruksi langkah demilangkah, lihat Menyiapkan Izin untuk Amazon Forecast (p. 6).

Sekarang, gunakan konsol Amazon Forecast atauAWS CLIuntuk melatih prediktor, menghasilkanperkiraan, dan melihat perkiraan.

• Memulai (Konsol) (p. 13)• Memulai (AWS CLI) (p. 22)

Memulai (Konsol)Dalam latihan ini, Anda menggunakan konsol Amazon Forecast untuk mengimpor data seri waktupenggunaan listrik, membuat prediktor berdasarkan dataset input, dan membuat prediksi penggunaanlistrik di masa mendatang berdasarkan cakrawala perkiraan.

Untuk latihan ini, kami menggunakan dataset konsumsi daya listrik rumah tangga individu. (Dua, D. danKarra Taniskidou, E. (2017). Repositori Machine Learning UCI [http://archive.ics.uci.edu/ml]. Irvine, CA:University of California, Sekolah Informasi dan Ilmu Komputer.) Kami mengumpulkan data penggunaan perjam.

Prasyarat

• Akun AWS. Jika Anda belum memiliki akun AWS, buat akun seperti yang dijelaskan diMendaftar keAWS (p. 5).

• Melatih data di bucket Amazon Simple Storage Service (Amazon S3) Anda. Untuk informasiselengkapnya, lihat Siapkan Data Input (p. 12).

• SesiAWS Identity and Access Management(IAM) role yang memungkinkan Amazon Forecastmembaca dan menulis ke bucket S3 Anda. Untuk informasi selengkapnya, lihat Membuat IAM AmazonForecast (p. 6).

Langkah 1: Data Pelatihan ImporUntuk mengimpor data seri waktu ke Amazon Forecast, buat grup dataset, pilih domain untuk grupdataset Anda, tentukan detail data Anda, dan arahkan Amazon Forecast ke lokasi S3 data Anda. Anda

13

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html

samples/electricityusagedata.zip

http://archive.ics.uci.edu/ml

https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html

https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html

http://archive.ics.uci.edu/ml


menggunakan serangkaian waktupenggunaan listrik historis (p. 12)sebagai contoh untuk data targetwaktu seri.

Note

Latihan ini mengasumsikan bahwa Anda belum membuat grup dataset apa pun. Jika sebelumnyaAnda membuat grup dataset, apa yang Anda lihat akan sedikit berbeda dari tangkapan layar daninstruksi berikut.

Untuk mengimpor data deri-waktu untuk prakiraan

1. Buka konsol Amazon Forecast dihttps://console.aws.amazon.com/forecast/.2. Pada halaman beranda Amazon Forecast, pilihBuat grup set data.3. PadaBuat grup set datahalaman, untukRincian grup set data, berikan informasi berikut ini:

• Nama grup set data— Masukkan nama untuk grup set data Anda.• Domain prakiraan- Dari menu drop-down, pilihKhusus. Untuk informasi selengkapnya tentang cara

memilih domain peramalan, lihatdataset domain dan jenis (p. 50).

MeninggalkanTagbagian tidak berubah. Layar Anda akan terlihat serupa dengan berikut ini:

4. Pilih Selanjutnya.5. PadaBuat dataset seri waktu targethalaman, untukRincian set data, berikan informasi berikut ini:

14

https://console.aws.amazon.com/forecast/


• Nama set data— Masukkan nama untuk set data Anda.• Frekuensi data Anda- Pertahankan nilai default1, dan pilihjamdari menu drop-down. Pengaturan ini

harus konsisten dengan data input time series. Interval waktu dalam data penggunaan listrik sampeladalah satu jam.

• Skema data— PilihPembangun skemadan seret komponen kolom untuk mencocokkan urutan datatime-series dari atas ke bawah: timestamp pertama, lalu target_value, lalu item_id. Untuk data inputpenggunaan listrik, kolom sesuai dengan: stempel waktu, penggunaan listrik pada waktu yangditentukan (target_value), dan ID pelanggan yang dikenakan biaya untuk penggunaan listrik (string).UntukFormat stempel waktu, Biarkan default (yyyy-MM-dd HH:mm:ss). Format harus konsistendengan input data time series.

ParameterRincian set datapanel akan terlihat serupa dengan yang berikut ini:

6. UntukRincian tugas impor set data, berikan informasi berikut ini:

• Nama tugas impor basis data— Masukkan nama untuk set data Anda.• Pilih zona waktu- Biarkan default yang dipilih (Jangan gunakan zona waktu).• Lokasi data— Gunakan format berikut untuk memasukkan lokasi file.csv Anda di Amazon S3:

s3://<name of your S3 bucket>/<folder path>/<filename.csv>

• Peran IAM— Pertahankan defaultMasukkan peran IAM khusus.

15


Sebagai alternatif, Amazon Forecast dapat membuat IAM role yang diperlukan untuk Anda denganmemilihMembuat peran barudari menu drop-down dan mengikuti petunjuk di layar.

• ARN IAM role— Masukkan Amazon Resource Name (ARN) dari IAM role yang Anda buatMembuatIAM Amazon Forecast (p. 6).

ParameterRincian impor set datapanel akan terlihat serupa dengan yang berikut ini:

7. Pilih Mulai.8. Grup set dataDasborhalaman ditampilkan. Layar Anda akan terlihat serupa dengan berikut ini:

16


Di sampingData rangkaian waktu, Anda akan melihat status pekerjaan impor. Tunggu AmazonForecast selesai mengimpor data seri waktu Anda. Prosesnya bisa memakan waktu beberapa menitatau lebih lama. Ketika dataset Anda telah diimpor, status transisi keAktifdan banner di bagian atasdasbor memberi tahu Anda bahwa Anda telah berhasil mengimpor data Anda.

Sekarang dataset seri waktu target Anda telah diimpor, Anda dapat membuat prediktor.

Langkah 2: Buat prediktorSelanjutnya Anda membuat prediktor, yang Anda gunakan menghasilkan perkiraan berdasarkan data seriwaktu Anda. Forecast menerapkan kombinasi optimal algoritma untuk setiap seri waktu di dataset Anda

Untuk membuat prediktor dengan konsol Forecast, Anda menentukan nama prediktor dan frekuensiperkiraan, dan menentukan horizon perkiraan. Untuk informasi selengkapnya tentang bidang tambahanyang dapat Anda konfigurasikan, lihatPrediktor pelatihan (p. 64).

Untuk membuat prediktor

1. Setelah dataset seri waktu target Anda selesai mengimpor, grup dataset AndaDasborakan terlihatserupa dengan yang berikut ini:

Di bawahMelatih prediktor, pilihMulai. ParameterPrediktor keretahalaman ditampilkan.

Note

ParameterStatusdariData rangkaian waktuharusActive, yang menandakan bahwa imporberhasil selesai, sebelum Anda dapat melatih prediktor.

2. PadaPrediktor keretahalaman, untukPengaturan prediktor, berikan informasi berikut ini:

• Nama prediktor- Masukkan nama untuk prediktor Anda.• Frekuensi Forecast- Pertahankan nilai default1. Dari menu drop-down, pilihjam. Pengaturan ini

harus konsisten dengan data input time series. Interval waktu dalam data penggunaan listrik sampeladalah satu jam.

17


• cakrawala— Pilih seberapa jauh ke masa depan untuk membuat prediksi. Jumlah ini dikalikandengan frekuensi entri data (hourly) yang Anda tentukanStep 1: Import the TrainingDatamenentukan seberapa jauh ke masa depan untuk membuat prediksi. Untuk latihan ini, aturnomornya ke36, untuk memberikan prediksi selama 36 jam.

• Dimensi ForecastdanKuantil— Tinggalkan nilai default untuk bidang ini.

SisanyaKonfigurasi datadanTagbagian adalah opsional, sehingga meninggalkan nilai default.ParameterPengaturan prediktorbagian akan terlihat serupa dengan yang berikut ini:

3. Pilih Create (Buat). Grup set data AndaDasborhalaman ditampilkan. Layar Anda akan terlihat serupadengan berikut ini:

18


4. Untuk menemukan status prediktor Anda, pilihPrediktor.5. PadaPrediktorhalaman menemukan status prediktor Anda diStatus pelatihankolom. Layar Anda akan

terlihat serupa dengan berikut ini:

Tunggu Amazon Forecast untuk menyelesaikan pelatihan prediktor. Prosesnya bisa memakan waktubeberapa menit atau lebih lama. Ketika prediktor Anda telah dilatih, status transisi keAktifdan spandukmenampilkan memberitahu Anda bahwa Anda dapat mulai menghasilkan prakiraan.

Langkah 3: Buat ForecastSetelah prediktor Aktif, Anda dapat membuat prakiraan. Perkiraan adalah sekelompok prediksi, satu untuksetiap item dalam dataset target. Untuk mengambil perkiraan lengkap, Anda membuat pekerjaan ekspor.

Untuk mendapatkan dan melihat perkiraan Anda

1. Pada grup dataset AndaDasbor, di bawahGenerasi Forecast, pilihMulai. ParameterBuatprakiraanhalaman ditampilkan.

Note

ParameterStatusdariPelatihan prediktorharusActivesebelum Anda dapat menghasilkanperkiraan.

2. PadaBuat prakiraanhalaman, untukRincian Forecast, berikan informasi berikut ini:

• Nama Forecast— Masukkan nama untuk prakiraan Anda.

19


• Prediktor- Dari menu drop-down, pilih prediktor yang Anda buatStep 2: Train a Predictor.

ParameterKuantildanTagbidang bersifat opsional, jadi tinggalkan nilai default. Layar Anda akan terlihatserupa dengan berikut ini:

3. PilihBuat prakiraan. ParameterPrakiraanhalaman ditampilkan. Layar Anda akan terlihat serupa denganberikut ini:

ParameterStatuskolom mencantumkan status perkiraan Anda.. Tunggu Amazon Forecast untukmenyelesaikan pembuatan ramalan. Prosesnya bisa memakan waktu beberapa menit atau lebih lama.Ketika perkiraan Anda telah dibuat, status transisi keAktif.

Sekarang setelah perkiraan Anda telah dibuat, Anda dapat mengekspor perkiraan.

Langkah 4: Ekspor ForecastSetelah perkiraan dibuat, Anda dapat mengekspor perkiraan lengkap.

Untuk mengekspor perkiraan lengkap

1. Di panel navigasi, pilih grup set data AndaPrakiraan.2. Pilih tombol radio di samping prakiraan yang Anda buatStep 3: Create a Forecast.3. PilihMembuat ekspor prakiraan. ParameterMembuat ekspor prakiraanhalaman ditampilkan.4. PadaMembuat ekspor prakiraanhalaman, untukRincian ekspor, berikan informasi berikut.

20


• Nama ekspor- Masukkan nama untuk pekerjaan ekspor prakiraan Anda.• Peran IAM— Pertahankan defaultMasukkan peran IAM khusus.

Sebagai alternatif, Amazon Forecast dapat membuat IAM role yang diperlukan untuk Anda denganmemilihMembuat peran barudari menu drop-down dan mengikuti petunjuk di layar.

• ARN IAM role— Masukkan Amazon Resource Name (ARN) dari IAM role yang Anda buatMembuatIAM Amazon Forecast (p. 6).

• S3 perkiraan lokasi ekspor— Gunakan format berikut untuk memasukkan lokasi bucket atau folderAmazon Simple Storage Service (Amazon S3) di bucket:

s3://<name of your S3 bucket>/<folder path>/

Layar Anda akan terlihat serupa dengan berikut ini:

5. PilihMembuat ekspor prakiraan. Parametermy_forecasthalaman ditampilkan.

21

Amazon Forecast Panduan DeveloperMemulai (AWS CLI)

Layar Anda akan terlihat serupa dengan berikut ini:

Anda akan melihat kemajuan status. Tunggu Amazon Forecast selesai mengekspor perkiraan.Prosesnya bisa memakan waktu beberapa menit atau lebih lama. Ketika perkiraan Anda telahdiekspor, status transisi keAktifdan Anda dapat menemukan file prakiraan dalam bucket S3.

Memulai (AWS CLI)Dalam latihan ini, Anda menggunakanAWS Command Line Interface(AWS CLI) untuk menjelajahi AmazonForecast. Anda membuat dataset Amazon Forecast, melatih prediktor, dan menggunakan prediktor yangdihasilkan untuk menghasilkan perkiraan. Sebelum memulai, pastikan Anda memiliki akun AWS dan Andatelah menyiapkanAWS CLI. Untuk informasi selengkapnya, lihat Mengatur (p. 5).

Note

Perintah CLI dalam latihan ini diuji di Linux. Untuk informasi tentang cara menggunakan perintahCLI di Windows, lihatMenentukan Nilai Parameter untuk AWS Command Line InterfacediAWSCommand Line InterfacePanduan Pengguna.

Langkah 1: Data Pelatihan ImporMulailah dengan membuat dataset dan mengimpor data penggunaan listrik ke dalamnya.

Untuk membuat dataset Amazon Forecast

1. Tentukan domain dan dataset jenis yang sesuai.

Data pelatihan yang akan Anda impor ke dalam dataset mempengaruhi pilihan domain dan jenisdataset Anda. Jadi, mari kita tinjau beberapa baris sampel data penggunaan listrik.

2014-01-01 01:00:00, 2.53807106598985, client_02014-01-01 01:00:00, 23.648648648648624, client_12014-01-01 02:00:00, 9.648648648612345, client_0

Format datanya adalah CSV (nilai dipisahkan koma), dan dikumpulkan setiap jam (seperti yangditunjukkan oleh cap waktu). Ini termasuk kolom ini:

• Kolom 1 - Cap waktu yang menunjukkan kapan penggunaan listrik dicatat.• Kolom 2 - Nilai penggunaan listrik per jam (perhatikan bagaimana nilai timestamp meningkat per

jam).• Kolom 3 - Nilai ID Klien yang mengidentifikasi pelanggan menggunakan listrik.

Untuk data ini, pilih domain dataset dan tipe dataset berikut ini:

• Domain khusus — Tidak ada domain dataset, seperti METRICS, RETAIL, atau WEB_TRAFFIC,yang berlaku untuk data ini, jadi pilih domain Kustom.

22

https://docs.aws.amazon.com/cli/latest/userguide/cli-using-param.html


• Jenis seri waktu target - Data adalah rangkaian waktu karena melacak penggunaan listrik dari waktuke waktu. Ini juga mencakuptargetbahwa kita ingin meramalkan (Kolom 2, penggunaan listrik). Olehkarena itu, pilih target time series tipe dataset.

Untuk memahami mengapa Anda memilih jenis ini, lihatDomain Dataset dan Jenis Dataset yangtelah ditetapkan (p. 50).

2. Tentukan skema set data.

Target waktu jenis seri untukDomain KUSTOM (p. 53)membutuhkan bidang-bidangini;timestamp,target_value, danitem_id. Parametertarget_valuelapangan adalah target.Amazon Forecast menghasilkan perkiraan untuk bidang ini.

Untuk memetakan bidang yang diperlukan ke kolom dalam data Anda, Anda membuat skema.MASINGtambahandalam skema peta ke lapangan dalam data.

Important

Urutan atribut dalam skema harus sesuai dengan urutan bidang dalam data pelatihan.

{ "Attributes":[ { "AttributeName": "timestamp", "AttributeType": "timestamp" }, { "AttributeName": "target_value", "AttributeType": "float" }, { "AttributeName": "item_id", "AttributeType": "string" } ]}

Anda sekarang memiliki informasi yang diperlukan untuk membuat dataset dan mengimpor data kedalamnya.

3. Buat set data.

aws forecast create-dataset \--dataset-name electricity_demand_ds \--domain CUSTOM \--dataset-type TARGET_TIME_SERIES \--data-frequency H \--schema '{ "Attributes": [ { "AttributeName": "timestamp", "AttributeType": "timestamp" }, { "AttributeName": "target_value", "AttributeType": "float" }, { "AttributeName": "item_id", "AttributeType": "string" } ]

23


}'

Dalam permintaan,data-frequencynilaiHmerupakan frekuensi pengumpulan data per jam. Berikutini adalah contoh respons.

{ "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds"}

Untuk informasi selengkapnya tentang operasi ini, lihatCreateDataset (p. 206).4. (Opsional) Dapatkan deskripsi set data.

aws forecast describe-dataset \--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds

Berikut ini adalah contoh respons.

{ "DatasetName": "electricity_demand_ds", "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds", "CreationTime": 1564533087.907, "LastModificationTime": 1564533087.907, "Domain": "CUSTOM", "DatasetType": "TARGET_TIME_SERIES", "DataFrequency": "H", "Schema": { ... }, "EncryptionConfig": {}, "Status": "ACTIVE"}

Note

Urutan pasangan kunci-nilai dalam responsnya sewenang-wenang.5. Buat grup dataset dan tambahkan dataset ke dalamnya. Nilai daridomainparameter harus sesuai

dengandomainset data.

aws forecast create-dataset-group \--dataset-group-name electricity_ds_group \--dataset-arns arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \--domain CUSTOM


{ "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"}

Untuk informasi selengkapnya tentang operasi ini, lihatCreateDatasetGroup (p. 210).6. (Opsional) Dapatkan deskripsi grup set data.

aws forecast describe-dataset-group \--dataset-group-arn arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group

24



{ "DatasetGroupName": "electricity_ds_group", "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group", "DatasetArns": [ "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group" ], "Domain": "CUSTOM", "CreationTime": 1564533719.852, "LastModificationTime": 1564533719.852, "Status": "ACTIVE"}

7. Impor data pelatihan penggunaan listrik dari bucket Amazon S3 Anda ke dataset. IAM role yang Andaberikan harus memiliki izin untuk membaca data dari bucket S3 Anda. Untuk informasi tentang caramembuat sebuah IAM role, lihatBuat IAM untuk Amazon Forecast (AWS CLI) (p. 8).

aws forecast create-dataset-import-job \--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \--dataset-import-job-name electricity_ds_import_job \--data-source '{ "S3Config": { "Path": "s3://bucket/electricityusagedata.csv", "RoleArn": "arn:aws:iam::acct-id:role/Role" } }'

Berikut ini adalah sintaks singkat untukdata-sourceparameter.

--data-source S3Config="{Path='s3://bucket/electricityusagedata.csv',RoleArn='arn:aws:iam::acct-id:role/Role'}"


{ "DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job"}

Untuk informasi selengkapnya tentang operasi ini, lihatCreateDatasetImportJob (p. 214).8. Memeriksa status impor.

aws forecast describe-dataset-import-job \--dataset-import-job-arn arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job


{ "DatasetImportJobName": "electricity_ds_import_job", "DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job", "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds", "DataSource": { "S3Config": {

25


"Path": "s3://bucket/electricityusagedata.csv", "RoleArn": "arn:aws:iam::acct-id:role/ForecastRole" } }, "DataSize": 0.14639010466635227, "TimeStampFormat": "yyyy-MM-dd HH:mm:ss", "CreationTime": 1564537011.114, "LastModificationTime": 1564537028.223, "Status": "CREATE_IN_PROGRESS"}

Ketika semua data telah diimpor, perubahan status menjadi AKTIF dan responsnya mencakup statistikuntuk data, seperti yang ditunjukkan dalam contoh berikut.

{ "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds", "Status": "ACTIVE", "FieldStatistics": { "date": { "Min": "2014-01-01T01:00:00Z", "Max": "2015-01-01T00:00:00Z", "Count": 3241200, "CountDistinct": 8760, "CountNull": 0 }, "target": { "Min": "0.0", "Max": "168200.0", "Avg": 606.5167610461679, "Stddev": 3518.405223972031, "Count": 3241200, "CountDistinct": 1196961, "CountNull": 0, "CountNan": 0 }, "item": { "Count": 3241200, "CountDistinct": 370, "CountNull": 0 } }, ...}

Important

Anda harus menunggu sampai status AKTIF sebelum membuat prediktor dengan kelompokdataset.

Untuk informasi selengkapnya tentang operasi ini, lihatDescribeDatasetImportJob (p. 278).

Langkah 2: Buat PrediktorUntuk membuat prediktor, Anda menggunakanCreateAutoPredictor (p. 200)operasi dan memberikaninformasi berikut.

• Nama prediktor— Berikan prediktor nama sehingga Anda dapat membedakannya dari prediktor Andayang lain

• Grup set data— Anda membuat grup set data di langkah sebelumnya.• Frekuensi Forecast— Granularitas perkiraan Anda (per jam, harian, mingguan, dll).

26


• Forecast cakrawala— Jumlah langkah waktu yang diperkirakan.

Setelah prediktor dibuat, Anda meninjau metrik akurasi yang dihasilkan oleh Amazon Forecast. Metrikmembantu Anda memutuskan apakah akan menggunakan prediktor untuk menghasilkan perkiraan. Untukinformasi selengkapnya tentang prediktor, lihatPrediktor pelatihan (p. 64).

Untuk membuat prediktor dan meninjau metrik akurasi

1. Buat prediktor.

aws forecast create-auto-predictor \--predictor-name electricitypredictor \--input-data-config DatasetGroupArn="arn:aws:forecast:us-west-2:acct-id:dsgroup/electricity_ds_group" \--forecast-horizon 36 \--forecast-frequency D


{ "PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor"}

2. Dapatkan status prediktor.

aws forecast describe-auto-predictor \--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor


{ "PredictorArn": "arn:aws:forecast:<region>:<acct-num>:predictor/electricitypredictor", "PredictorName": "electricitypredictor", "ForecastHorizon": 36, "ForecastTypes": [ "0.1", "0.5", "0.9" ], "ForecastFrequency": "D", "DatasetImportJobArns": [ "arn:aws:forecast:<region>:<acct-num>:dataset-import-job/getting_started_dataset/gs_import" ], "DataConfig": { "DatasetGroupArn": "arn:aws:forecast:<region>:<acct-num>:dataset-group/getting_started", "AttributeConfigs": [ { "AttributeName": "target_value", "Transformations": { "aggregation": "sum", "backfill": "zero", "frontfill": "none", "middlefill": "zero" } } ] },

27


"EstimatedTimeRemainingInMinutes": 97, "Status": "CREATE_IN_PROGRESS", "CreationTime": "2022-02-23T09:26:24.643000-08:00", "LastModificationTime": "2022-02-23T09:49:26.899000-08:00", "ExplainabilityInfo": { "Status": "NOT_AVAILABLE" }}

Important

Pelatihan model membutuhkan waktu. Jangan lanjutkan sampai pelatihan selesai dan statusprediktor AKTIF.

3. Dapatkan metrik akurasi untuk prediktor.

aws forecast get-accuracy-metrics \--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor


{ "PredictorEvaluationResults": [ { "TestWindows": [ { "EvaluationType": "SUMMARY", "Metrics": { "RMSE": 448.19602551622864, "WeightedQuantileLosses": [ { "Quantile": 0.9, "LossValue": 0.11574311406253326 }, { "Quantile": 0.5, "LossValue": 0.1706269067283527 }, { "Quantile": 0.1, "LossValue": 0.11724164222477837 } ] } }, { "EvaluationType": "COMPUTED", "Metrics": { "RMSE": 448.19602551622864, "WeightedQuantileLosses": [ { "Quantile": 0.9, "LossValue": 0.11574311406253326 }, { "Quantile": 0.5, "LossValue": 0.1706269067283527 }, { "Quantile": 0.1, "LossValue": 0.11724164222477837 } ]

28


}, "TestWindowEnd": 1420070400.0, "TestWindowStart": 1420002000.0 } ] } ]}

Metrik menunjukkan kehilangan kesalahan untuk setiap kuantil. Misalnya, ada kesalahan 11,7% untukkuantil pertama. Metrik juga menunjukkanroot-mean-squarekesalahan (RMSE).

Metrik ringkasan menunjukkan rata-rata metrik yang dihitung di semua jendela pengujian. Karenahanya ada satu jendela uji, ringkasan dan metrik yang dihitung sama.

Untuk informasi selengkapnya tentang operasi ini, lihatGetAccuracyMetrics (p. 307).

Langkah 3: Buat ForecastAmazon Forecast menciptakan perkiraan untuktarget_valuebidang (sebagaimana ditentukanoleh domain dataset dan jenis) untuk setiap unikitem_iddalam set data. Dalam latihanini,target_valuelapangan menyediakan penggunaan listrik danitem_idmenyediakan ID klien. Andamendapatkan perkiraan untuk penggunaan listrik per jam oleh pelanggan.

Setelah perkiraan dibuat, Anda dapat meminta satu item atau mengekspor perkiraan lengkap.

Untuk membuat, mengambil, dan mengekspor perkiraan

1. Buat ramalan.

aws forecast create-forecast \--forecast-name electricityforecast \--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor

Operasi menggunakan prediktor untuk membuat perkiraan. Sebagai tanggapan, Anda mendapatkanAmazon Resource Name (ARN) dari prakiraan. Anda menggunakan ARN ini untuk mengambil danmengekspor perkiraan. Berikut ini adalah contoh respons.

{ "ForecastArn": "arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast"}

Untuk informasi selengkapnya tentang operasi ini, lihatCreateForecast (p. 227).2. Ambil dua jam pertama dari perkiraan untukclient_1.

Note

Nama layanan,forecastquery, berbeda maka nama layanan yang digunakan di tempatlain.

aws forecastquery query-forecast \--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \--start-date 2015-01-01T00:00:00 \--end-date 2015-01-01T02:00:00 \--filters '{"item_id":"client_1"}'

Operasi mencakup parameter berikut.

29


• start-datedanend-date- Menentukan rentang tanggal opsional untuk mengambil perkiraanuntuk. Jika Anda tidak menentukan parameter-parameter ini, operasi akan mengembalikankeseluruhan perkiraan untukclient_1.

• filters- Menentukanitem_idfilter untuk mengambil perkiraan listrik untukclient_1.

Berikut ini adalah sintaks singkat untukfiltersparameter.

--filters item_id="client_1"


{ "Forecast": { "Predictions": { "mean": [ { "Timestamp": "2015-01-01T01:00:00", "Value": 20.952411651611328 }, { "Timestamp": "2015-01-01T02:00:00", "Value": 19.11078453063965 } ], "p90": [ { "Timestamp": "2015-01-01T01:00:00", "Value": 24.524038314819336 }, { "Timestamp": "2015-01-01T02:00:00", "Value": 22.319091796875 } ], "p50": [ { "Timestamp": "2015-01-01T01:00:00", "Value": 20.7841739654541 }, { "Timestamp": "2015-01-01T02:00:00", "Value": 19.237524032592773 } ], "p10": [ { "Timestamp": "2015-01-01T01:00:00", "Value": 18.507278442382812 }, { "Timestamp": "2015-01-01T02:00:00", "Value": 16.15062141418457 } ] } }}

Karena ini adalah perkiraan per jam, respon menunjukkan nilai perkiraan per jam. Dalam respons,perhatikan hal berikut:

30

Amazon Forecast Panduan DeveloperMemulai (Notebook Python)

• mean— Untuk tanggal dan waktu tertentu, rata-rata adalah nilai penggunaan listrik rata-rata yangdiprediksi bagi pelanggan.

• p90,p50, danp10— Tentukan tingkat kepercayaan bahwa nilai sebenarnya akan berada di bawahnilai yang tercantum pada tanggal dan waktu yang ditentukan. Misalnya, pada 2015-01-01T01:00:00, Amazon Forecast 90% yakin bahwa penggunaan listrik akan berada di bawah 24,5.Amazon Forecast adalah 50% yakin bahwa penggunaan akan berada di bawah 20.8, dan 10% yakinbahwa penggunaan akan berada di bawah 18,5.

Untuk informasi selengkapnya tentang operasi ini, lihatQueryForecast (p. 345).3. Ekspor prakiraan lengkap ke bucket Amazon S3 Anda. IAM role yang Anda berikan harus memiliki

izin untuk menulis data ke bucket S3 Anda. Untuk informasi tentang cara membuat sebuah IAM role,lihatBuat IAM untuk Amazon Forecast (AWS CLI) (p. 8).

Buat pekerjaan ekspor perkiraan.

aws forecast create-forecast-export-job \--forecast-export-job-name electricityforecast_exportjob \--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \--destination S3Config="{Path='s3://bucket',RoleArn='arn:aws:iam::acct-id:role/Role'}"


{ "ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087"}

Untuk informasi selengkapnya tentang operasi ini, lihatCreateForecastExportJob (p. 231).4. Dapatkan status pekerjaan ekspor.

aws forecast describe-forecast-export-job \--forecast-export-job-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast


{ "ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087", "ForecastExportJobName": "electricityforecast_exportjob", "Status": "CREATE_IN_PROGRESS"}

Ketika status ACTIVE, Anda dapat menemukan file perkiraan dalam bucket S3 yang ditentukan.

Memulai (Notebook Python)Note

Untuk daftar lengkap tutorial menggunakan notebook Python, lihat Amazon ForecastSampelGithubhalaman.

Untuk mulai menggunakan Amazon Forecast API dengan notebook Python, lihatTutorial Awal. Tutorialmemandu Anda melalui langkah-langkah inti dari Forecast dari awal sampai akhir.

31

https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks


https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb

Amazon Forecast Panduan DeveloperTutorial Lanjutan

Untuk tutorial dasar untuk proses tertentu, lihat notebook Python berikut:

1. Menyiapkan data- Siapkan dataset, buat grup dataset, tentukan skema, dan impor grup dataset.2. Membangun prediktor- Melatih prediktor pada data yang Anda impor ke dataset Forecast Anda.3. Mengevaluasi prediktor- Mendapatkan prediksi, memvisualisasikan prediksi, dan membandingkan hasil.4. Prediktor pelatihan ulang- Melatih kembali prediktor yang ada dengan data yang diperbarui.5. Tingkatkan ke AutoPredictor- Tingkatkan prediktor warisan ke AutoPredictor.6. Pembersihan- Hapus kelompok dataset, prediktor, prakiraan yang dibuat selama tutorial.

Untuk mengulang tutorial Memulai dengan AutoML, lihatMemulai dengan AutoML.

Tutorial LanjutanUntuk tutorial lanjutan, lihat notebook Python berikut:

• Item-tingkat Eksplainability- Pahami bagaimana atribut dataset memengaruhi perkiraan untuk rangkaianwaktu dan titik waktu tertentu.

• Membandingkan beberapa model- Buat prediktor menggunakan Prophet, ETS, dan Deepar +, danbandingkan penampilan mereka dengan memvisualisasikan hasilnya.

• Peramalan awal- Gunakan metadata item dan algoritma DeePar+ untuk meramalkan skenario mulaidingin (ketika ada sedikit atau tidak ada data historis).

• Menggabungkan set data seri waktu- Gunakan dataset seri waktu terkait untuk meningkatkan keakuratanmodel Anda.

• Menggabungkan metadata item- Gunakan item metadata untuk meningkatkan keakuratan model Anda.• Menggunakan Indeks Cuaca- Gunakan Indeks Cuaca untuk memasukkan informasi cuaca historis dan

diproyeksikan saat melatih prediktor Anda.• Melakukan analisis apa-jika- Jelajahi skenario harga yang berbeda dan evaluasi bagaimana hal itu

berdampak pada permintaan.• Evaluasi akurasi tingkat item- Ekspor metrik dan prakiraan backtest, dan evaluasi kinerja tingkat item

prediktor Anda.

Pembersihan Sumber DayaUntuk menghindari biaya yang tidak perlu, hapus sumber daya yang Anda buat setelah selesai denganlatihan memulai. Untuk menghapus sumber daya, gunakan konsol Amazon Forecast atauDeleteAPI dariSDK atauAWS Command Line Interface(AWS CLI). Misalnya, gunakanDeleteDataset (p. 246)API untukmenghapus set data.

Untuk menghapus sumber daya, statusnya harusACTIVE,CREATE_FAILED, atauUPDATE_FAILED. Periksastatus menggunakanDescribeAPI, misalnya,DescribeDataset (p. 271).

Beberapa sumber daya harus dihapus sebelum yang lain, seperti yang ditunjukkan pada tabel berikut.Proses ini bisa memakan waktu lama.

Untuk menghapus data pelatihan yang Anda unggah, electricityusagedata.csv, lihatBagaimanaCara Menghapus Objek dari bucket S3?.

Sumber Daya untuk Dihapus Hapus Ini Pertama Catatan

ForecastExportJob

32

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb

https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb

https://docs.aws.amazon.com/AmazonS3/latest/user-guide/delete-objects.html

https://docs.aws.amazon.com/AmazonS3/latest/user-guide/delete-objects.html

Amazon Forecast Panduan DeveloperPembersihan Sumber Daya

Sumber Daya untuk Dihapus Hapus Ini Pertama Catatan

Forecast Anda tidak dapat menghapusprakiraan saat diekspor. Setelahperkiraan dihapus, Anda tidakdapat lagi query perkiraan.

Predictor Semua perkiraan terkait.

DatasetImportJob Tidak dapat dihapus.

Dataset SemuaDatasetImportJobSyang menargetkan dataset jugadihapus.

Anda tidak dapatmenghapusDatasetyangdigunakan oleh prediktor.

DatasetSchema Semua set data yang referensiskema.

DatasetGroup Semua prediktor terkaitSemua perkiraan terkait.

Semua dataset dalam kelompokdataset.

Anda tidak dapatmenghapusDatasetGroupyangberisiDatasetdigunakan olehprediktor.

33

Amazon Forecast Panduan DeveloperMengotomatisasi dengan AWS CloudFormation

TutorialTutorial berikut menunjukkan kepada Anda bagaimana melakukan tugas umum di Amazon Forecast danmemberikan solusi siap pakai untuk kasus penggunaan umum. Untuk daftar lengkap tutorial menggunakannotebook Python, lihat Amazon ForecastSampel GitHubhalaman.

Tutorial

• Mengotomatisasi Forecast dengan CloudFormation (p. 34)- MenggunakanAWSCloudFormationtumpukan untuk secara otomatis menyebarkan dataset ke bucket S3 dan memicu pipaForecast.

Mengotomatisasi dengan AWS CloudFormationDalam tutorial ini, Anda menggunakanAWS CloudFormationtumpukan otomatisasi untuk meluncurkan pipaAmazon Forecast dan menghasilkan prakiraan menggunakan dataset demonstrasi.

ParameterAWSPrakiraanAWS CloudFormationtumpukan:

• MenerapkanMeningkatkan Akurasi Forecast dengan Solusi Machine Learning AWSCloudFormationtemplat.

• MenerapkanSet Data Taksi NYCke bucket Forecast Data Amazon S3.• Secara otomatis memulai demo NYC taksi perkiraan pipa di Forecast.

ParameterAWS CloudFormationtemplate sudah dimuat dengan target time-series, terkait time-series, danitem metadata demonstrasi dataset. Bidang yang relevan di konsol diisi sebelumnya dengan lokasi S3masing-masing.

Setelah menyelesaikan tutorial ini menggunakan dataset demonstrasi, Anda dapat menggunakantumpukan otomatisasi yang sama untuk menghasilkan prakiraan dengan dataset Anda sendiri.

Diagram berikut menunjukkan komponen yang digunakan dalam tutorial ini.

34


https://docs.aws.amazon.com/solutions/latest/improving-forecast-accuracy-with-machine-learning/automated-deployment.html

https://registry.opendata.aws/nyc-tlc-trip-records-pds/

Amazon Forecast Panduan DeveloperMengotomatisasi dengan AWS CloudFormation

35

Amazon Forecast Panduan DeveloperPrasyarat

PrasyaratSebelum memulai tutorial, pastikan Anda telah masuk ke akun AWS Anda dan menginstalAWSCloudFormationtemplat:

1. Masuk ke akun AWS Anda. Jika Anda belum memilikinya,membuat akun AWS.2. InstalAWS CloudFormationtemplat. Pilih Wilayah yang paling dekat dengan Anda:

• Tokyo: ap-northeast-1• Seoul:ap-northeast-2• Mumbai:ap-south-1• Singapura:ap-southeast-1• Sydney:ap-southeast-2• Frankfurt:eu-sentral-1• Irlandia:eu-west-1• Virginia N.:us-east-1• Ohio:us-east-2• Oregon:us-west-2

Ini menyebarkan tumpukan demonstrasi menggunakanSet Data Taksi NYC.

MenerapkanAWS CloudFormationTemplate untukotomatisasi ForecastUntuk men-deploy templat CloudFormation menggunakan Set Data Taxi NYC

Langkah 1: Menerima default dan memilihSelanjutnya.

36

http://aws.amazon.com/premiumsupport/knowledge-center/create-and-activate-aws-account/

https://console.aws.amazon.com/cloudformation/home?region=ap-northeast-1#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=ap-northeast-2#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=ap-south-1#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=ap-southeast-1#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=ap-southeast-2#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=eu-central-1#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=eu-west-1#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=us-east-1#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=us-east-2#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://console.aws.amazon.com/cloudformation/home?region=us-west-2#/stacks/new?stackName=forecast-stack&templateURL=https:%2F%2Fs3.amazonaws.com%2Fsolutions-reference%2Fimproving-forecast-accuracy-with-machine-learning%2Flatest%2Fimproving-forecast-accuracy-with-machine-learning-demo.template

https://registry.opendata.aws/nyc-tlc-trip-records-pds/

Amazon Forecast Panduan DeveloperMenerapkanAWS CloudFormationTemplate

untuk otomatisasi Forecast

Langkah 2: Berikan alamat email untuk notifikasi dan pilihSelanjutnya.

37

Amazon Forecast Panduan DeveloperMenerapkanAWS CloudFormationTemplate

untuk otomatisasi Forecast

Langkah 3: Terima default dan pilihSelanjutnya.

Langkah 4: Untuk Kemampuan, pilih kedua kotak centang untuk memungkinkanAWS CloudFormationuntukmembuatAWS Identity and Access Management(IAM) sumber daya dan tumpukan bersarang. Pilih Buattumpukan.

38

Amazon Forecast Panduan DeveloperPembersihan

Anda telah dikerahkanAWS CloudFormationtemplate di Forecast.

PembersihanSetelah menyebarkan iniAWS CloudFormationTemplate, Anda dapat membersihkan sumber daya yangbaru dibuat, menyebarkanAWS CloudFormationtumpukan menggunakan dataset Anda sendiri, dan jelajahiopsi penyebaran lainnya.

• Membersihkan: Menghapus tumpukan demo mempertahankan tumpukan “Meningkatkan AkurasiForecast dengan Machine Learning”. Menghapus tumpukan “Meningkatkan Akurasi Forecast denganMachine Learning” mempertahankan semua data S3, Athena, QuickSight, dan Forecast.

• Menggunakan dataset Anda sendiri: Untuk men-deploy iniAWS CloudFormationtemplate dengan datawaktu-seri Anda sendiri, masukkan lokasi S3 dataset Anda di bagian Konfigurasi Dataset diLangkah 2.

• Opsi deployment lainnya: Untuk opsi penyebaran lainnya, lihatDeployment otomatis. Jika data sudahtersedia, Anda dapat menyebarkan tumpukan tanpa data demo.

39

https://docs.aws.amazon.com/solutions/latest/improving-forecast-accuracy-with-machine-learning/automated-deployment.html

Amazon Forecast Panduan DeveloperSet Data

Mengimpor Set DataSet Databerisi data yang digunakan untuk melatihprediktor (p. 64). Anda membuat satu atau lebih setdata Amazon Forecast dan mengimpor data pelatihan Anda ke dalamnya. SEBUAHgrup set dataadalahkumpulan dataset pelengkap yang merinci satu set parameter yang berubah selama serangkaian waktu.Setelah membuat grup dataset, Anda menggunakannya untuk melatih prediktor.

Setiap kelompok dataset dapat memiliki hingga tiga dataset, satu dari masing-masingdataset (p. 41)Jenis:target waktu seri, terkait waktu seri, dan item metadata.

Untuk membuat dan mengelola dataset Forecast dan grup dataset, Anda dapat menggunakan konsolForecast,AWS Command Line Interface(AWS CLI), atau AWS SDK.

Misalnya dataset Forecast, lihatContoh Amazon ForecastGitHubrepositori.

Topik• Set Data (p. 40)• Grup set data (p. 43)• Menyelesaikan Konflik dalam Frekuensi Pengumpulan Data (p. 43)• Menggunakan Dataset Seri Waktu Terkait (p. 45)• Menggunakan Item Metadata Dataset (p. 48)• Domain Dataset dan Jenis Dataset yang telah ditetapkan (p. 50)• Memperbarui Data (p. 59)• Menangani Nilai Hilang (p. 59)• Pedoman Set Data untuk Forecast (p. 62)

Set DataUntuk membuat dan mengelola dataset Forecast, Anda dapat menggunakan Forecast API,termasukCreateDataset (p. 206)danDescribeDataset (p. 271)operasi. Untuk daftar lengkap APIForecast, lihatReferensi API (p. 197).

Saat membuat dataset, Anda memberikan informasi, seperti berikut:

• Frekuensi/interval di mana Anda merekam data Anda. Misalnya, Anda mungkin mengumpulkan danmencatat penjualan barang ritel setiap minggu. DiMemulai (p. 12)latihan, Anda menggunakan listrik rata-rata yang digunakan per jam.

• ParameterFormat prediksi (yangranah) dan tipe dataset (dalam domain). Domain dataset menentukanjenis Forecast yang ingin Anda lakukan, sementara tipe dataset membantu Anda mengatur datapelatihan Anda ke dalam kategori ramah-ramalan.

• Set dataskema. Skema memetakan header kolom dataset Anda. Misalnya, ketika memantau permintaan,Anda mungkin telah mengumpulkan data per jam pada penjualan item di beberapa toko. Dalam hal ini,skema Anda akan menentukan urutan, dari kiri ke kanan, di mana stempel waktu, lokasi, dan penjualanper jam muncul dalam file data pelatihan Anda. Skema juga mendefinisikan tipe data masing-masingkolom, sepertistringatauinteger.

• Informasi geolokasi dan zona waktu. Atribut geolokasi didefinisikan dalam skemadengan tipe atributgeolocation. Informasi zona waktu didefinisikan dengan

40

https://github.com/aws-samples/amazon-forecast-samples

Amazon Forecast Panduan DeveloperDataset Domain dan Jenis Dataset

CreateDatasetImportJob (p. 214)operasi. Data geolokasi dan zona waktu harus disertakan untukmengaktifkanIndeks cuaca. (p. 81)

Setiap kolom dalam dataset Forecast Anda mewakili salah satu perkiraanukuranataufitur. Dimensi Forecastmenggambarkan aspek data Anda yang tidak berubah dari waktu ke waktu, sepertistoreataulocation.Fitur Forecast mencakup parameter apa pun dalam data Anda yang bervariasi sepanjang waktu,sepertipriceataupromotion. Beberapa dimensi, sepertitimestampatauitemId, diperlukan dalam seriwaktu target dan dataset seri waktu terkait.

Dataset Domain dan Jenis DatasetKetika Anda membuat dataset Forecast, Anda memilih domain dan tipe dataset. Forecast menyediakandomain untuk sejumlah kasus penggunaan, seperti peramalan permintaan ritel atau lalu lintas web. Andajuga dapat membuat domain kustom. Untuk daftar lengkap domain Forecast, lihatDomain Dataset danJenis Dataset yang telah ditetapkan (p. 50).

Dalam setiap domain, pengguna Forecast dapat menentukan jenis dataset berikut:

• Menargetkan dataset seri waktu(wajib) —Gunakan tipe dataset ini saat data latihan Anda adalahrangkaian waktudanmencakup bidang yang ingin Anda hasilkan perkiraan untuk. Bidang inidisebutBidang target.

• Dataset seri waktu terkait (opsional) - Pilih tipe dataset ini saat data pelatihan Anda adalah rangkaianwaktu,tapi itutidaktermasuk bidang target. Misalnya, jika Anda memperkirakan permintaan item, datasetseri waktu terkait mungkin memilikipricesebagai lapangan, tapi tidakdemand.

• Item metadata dataset (opsional) — Pilih jenis dataset ini ketika data pelatihan Andatidakdataderet waktu, namun mencakupinformasi metadata tentang item dalam seri waktu target ataudataset seri waktu terkait. Misalnya, jika Anda memperkirakan permintaan item, dataset metadataitem mungkincolorataubrandsebagai dimensi. Forecast hanya mempertimbangkan data yangdisediakan oleh jenis dataset metadata item ketika Anda menggunakanCNN-QR (p. 112)atauDeepar+ (p. 117)algoritma.

Tergantung pada informasi dalam data pelatihan Anda dan apa yang ingin Anda perkirakan, Anda dapatmembuat lebih dari satu set data.

Misalnya, anggaplah Anda ingin menghasilkan perkiraan untuk permintaan barang ritel, seperti sepatu dankaus kaki. Anda dapat membuat dataset berikut di domain RETAIL:

• Dataset seri waktu target - Termasuk data permintaan seri waktu historis untuk item ritel(item_id,timestamp, dan bidang targetdemand). Karena menunjuk bidang target yang ingin Andaperkirakan, Anda harus memiliki setidaknya satu set data seri waktu target dalam grup dataset.

Anda juga dapat menambahkan hingga sepuluh dimensi lainnya ke dataset seri waktu target. Jika Andahanya menyertakan dataset seri waktu target dalam grup dataset Anda, Anda dapat membuat prakiraandi tingkat item atau tingkat dimensi perkiraan granularitas saja. Untuk informasi selengkapnya, lihatCreatePredictor (p. 235).

• Data rangkaian waktu terkait - Termasuk data seri waktu historis selain bidang target,sepertipriceataurevenue. Karena data seri waktu terkait harus dipetakan untuk menargetkan dataseri waktu, setiap set data seri waktu terkait harus berisi bidang identifikasi yang sama. Dalam domainRETAIL, ini akanitem_iddantimestamp.

Sebuah dataset seri waktu terkait mungkinmengandungdata yang menyempurnakan perkiraan yangdibuat dari dataset seri waktu target Anda. Misalnya, Anda dapat menyertakanpricedata dalamkumpulan data seri waktu terkait Anda pada tanggal mendatang yang ingin Anda hasilkan perkiraanuntuk. Dengan cara ini, Forecast dapat membuat prediksi dengan dimensi konteks tambahan. Untukinformasi selengkapnya, lihat Menggunakan Dataset Seri Waktu Terkait (p. 45).

41

Amazon Forecast Panduan DeveloperSkema set data

• Item metadata dataset - Termasuk metadata untuk item ritel. Contoh metadatameliputibrand,category,color, dangenre.

Contoh Dataset dengan Dimensi Forecast

Melanjutkan dengan contoh sebelumnya, bayangkan bahwa Anda ingin meramalkan permintaansepatu dan kaus kaki berdasarkan penjualan toko sebelumnya. Dalam dataset seri waktu targetberikut,storeadalah dimensi perkiraan waktu-seri, sementarademandadalah bidang target. Kaus kakidijual di dua lokasi toko (NYC dan SFO), dan sepatu hanya dijual di ORD.

Tiga baris pertama dari tabel ini berisi data penjualan pertama yang tersedia untuk toko NYC, SFO, danORD. Tiga baris terakhir berisi data penjualan terakhir yang direkam untuk setiap toko. Parameter...barismewakili semua data penjualan item yang direkam antara entri pertama dan terakhir.

timestamp item_id store demand

2019-01-01 socks NYC 25

2019-01-05 socks SFO 45

2019-02-01 shoes ORD 10

...

2019-06-01 socks NYC 100

2019-06-05 socks SFO 5

2019-07-01 shoes ORD 50

Skema set dataSetiap dataset memerlukan skema, pemetaan JSON yang disediakan pengguna dari bidang dalam datapelatihan Anda. Di sinilah Anda mencantumkan dimensi dan fitur yang diperlukan dan opsional yang inginAnda sertakan dalam dataset Anda.

Jika dataset Anda menyertakan atribut geolokasi, tentukan atribut dalam skema dengan tipeatributgeolocation. Untuk informasi selengkapnya, lihatMenambahkan informasi Geolokasi (p. 82).Dalam rangka untuk menerapkanIndeks cuaca (p. 81), Anda harus menyertakan atribut geolokasi dalamseri waktu target Anda dan setiap set data seri waktu terkait.

Beberapa domain memiliki dimensi opsional yang kami sarankan termasuk. Dimensi opsional tercantumdalam deskripsi setiap domain nanti dalam panduan ini. Sebagai contoh, lihat Domain Ritel (p. 52).Semua dimensi opsional mengambil tipe datastring.

Sebuah skema diperlukan untuk setiap set data. Berikut ini adalah skema yang menyertainya untuk contohtarget waktu seri dataset di atas.

{ "attributes": [ { "AttributeName": "timestamp", "AttributeType": "timestamp" }, { "AttributeName": "item_id", "AttributeType": "string"

42

Amazon Forecast Panduan DeveloperGrup set data

}, { "AttributeName": "store", "AttributeType": "string" }, { "AttributeName": "demand", "AttributeType": "float" } ]}

Ketika Anda mengunggah data pelatihan Anda ke dataset yang menggunakan skema ini, Forecastmengasumsikan bahwatimestampbidang adalah kolom 1, yangitem_idbidang adalah kolom 2,yangstorebidang adalah kolom 3, dandemandbidang,targetbidang, adalah kolom 4.

Untuk tipe dataset seri waktu terkait, semua fitur terkait harus memiliki tipe atribut float atau integer. Untukjenis dataset metadata item, semua fitur harus memiliki tipe atribut string. Untuk informasi selengkapnya,lihat SchemaAttribute (p. 406).

Note

SesiattributeNamedanattributeTypepasangan diperlukan untuk setiap kolom dalamdataset. Forecast menyimpan sejumlah nama yang tidak dapat digunakan sebagai nama atributskema. Untuk daftar nama yang dicadangkan, lihatNama Bidang Cadangan (p. 155).

Grup set dataSEBUAHgrup set dataadalah koleksisatu sampai tiga dataset gratis, salah satu dari setiap tipe dataset.Anda mengimpor dataset ke grup dataset, lalu gunakan grup dataset untuk melatih prediktor.

Forecast mencakup operasi berikut untuk membuat kelompok dataset dan menambahkan dataset kepadamereka:

• CreateDatasetGroup (p. 210)• UpdateDatasetGroup (p. 343)

Menyelesaikan Konflik dalam FrekuensiPengumpulan Data

Forecast dapat mengimpor data yang tidak selaras dengan frekuensi pengumpulan yang ditentukandalamCreateDataset (p. 206)operasi. Misalnya, Anda dapat mengimpor data yang frekuensipengumpulannya per jam dan beberapa data tidak diberi cap waktu di bagian atas jam (02:20, 02:45).Forecast agregat datauntuk mencocokkan nilai sejajar. Tabel berikut menunjukkan contoh agregasi.

Pra-transformasi

Waktu Data Di Puncak Jam

2018-03-03 01:00:00 100 Ya

2018-03-03 02:20:00 50 Tidak

2018-03-03 02:45:00 20 Tidak

43

Amazon Forecast Panduan DeveloperBatas waktu

Waktu Data Di Puncak Jam

2018-03-03 04:00:00 120 Ya

Pasca transformasi

Waktu Data Catatan

2018-03-03 01:00:00 100

2018-03-03 02:00:00 70 Jumlah nilai antara02:00:00-02:59:59 (50 + 20)

2018-03-03 03:00:00 Kosong Tidak ada nilai antara03:00:00-03:59:59

2018-03-03 04:00:00 120

Batas waktuBatas waktu

Tabel berikut mencantumkanbatas penyelarasan waktuForecast menggunakan kapanagregasidata.

Frekuensi Batas

Tahun Hari pertama tahun ini (1 Januari)

Bulan Hari pertama dalam sebulan

Minggu Senin terbaru

Jam Puncak terakhir dari jam ke jam (09:00:00,13:00:00)

Menit Puncak terakhir dari menit ini (45:00, 06:00)

Gambar berikut menunjukkan bagaimana Forecast mengubah data agar sesuai denganmingguan batas:

44

Amazon Forecast Panduan DeveloperPedoman Agregasi Data

Pedoman Agregasi DataSaat menggunakanFeaturizationMethodAPI, mengatur metode agregasidalamFeaturizationMethodParameters. Parameter agregasi menerima nilaiberikut:sum,avg,first,min, danmax. Nilai default-nya adalah sum.

Forecast tidak berasumsi bahwa data Anda berasal dari zona waktu tertentu. Namun, itu membuat asumsiberikut saat menggabungkan data time series:

• Semua data berasal dari zona waktu yang sama.• Semua perkiraan berada di zona waktu yang sama dengan data dalam dataset.• Jika Anda menentukan the section called “SupplementaryFeature” (p. 409)fitur liburandithe section

called “InputDataConfig” (p. 391)parameter untukthe section called “CreatePredictor” (p. 235)operasi,data input dari negara yang sama.

Menggunakan Dataset Seri Waktu TerkaitSebuah dataset seri waktu terkait mencakup data time-series yang tidak termasuk dalam dataset seri waktutarget dan mungkin meningkatkan akurasi prediktor Anda.

Misalnya, dalam domain peramalan permintaan, dataset seri waktu target akanberisitimestampdanitem_iddimensi, sementara dataset seri waktu terkait komplementer juga mencakupfitur tambahan berikut:item price,promotion, danweather.

Sebuah dataset seri waktu terkait dapat berisi hingga 10 dimensi perkiraan (yang sama dalam dataset seriwaktu target Anda) dan hingga 13 fitur time-series terkait.

Notebook Python

Untukstep-by-steppanduan tentang menggunakan dataset seri waktu terkait, lihatSeri WaktuTerkait.

Topik• Seri Waktu Terkait Sejarah dan Maju (p. 45)• Terkait Waktu Seri Dataset Validasi (p. 46)• Contoh: Berkas Seri Waktu Terkait Maju (p. 47)• Contoh: Peramalan Granularity (p. 48)• Prediktor Legacy dan Seri Waktu Terkait (p. 48)

Seri Waktu Terkait Sejarah dan MajuNote

Rangkaian waktu terkait yang berisi nilai apa pun dalam cakrawala perkiraan diperlakukan sebagaiseri waktu yang berwawasan ke depan.

Seri waktu terkait datang dalam dua bentuk:

• Seri waktu historis: deret waktutanpatitik data dalam cakrawala perkiraan.• Seri waktu ke depan: deret waktubersamatitik data dalam cakrawala perkiraan.

Seri waktu terkait historis berisi titik data hingga cakrawala perkiraan, dan tidak mengandung titik dataapa pun dalam cakrawala perkiraan. Seri waktu terkait yang berwawasan ke depan berisi titik datahinggadandalam cakrawala perkiraan.

45



Amazon Forecast Panduan DeveloperTerkait Waktu Seri Dataset Validasi

Terkait Waktu Seri Dataset ValidasiSet data deret waktu terkait memiliki pembatasan berikut:

• Ini tidak dapat menyertakan nilai target dari seri waktu target.• Ini harus mencakupitem_iddantimestampdimensi, dan setidaknya satu fitur terkait (sepertiprice).• Data fitur seri waktu terkait harus dariintataufloattipe data.• Untuk menggunakan seluruh seri waktu target, semua item dari dataset seri waktu target juga harus

disertakan dalam dataset seri waktu terkait. Jika seri waktu terkait hanya berisi subset item dari seriwaktu target, maka pembuatan model dan generasi perkiraan akan terbatas pada subset item tertentu.

Misalnya, jika seri waktu target berisi 1000 item dan dataset seri waktu terkait hanya berisi 100 item,maka model dan prakiraan hanya akan didasarkan pada 100 item tersebut.

• Frekuensi di mana data dicatat dalam dataset seri waktu terkait harus sesuai dengan interval di manaAnda ingin menghasilkan prakiraan (peramalangranularitas).

Misalnya, jika Anda ingin menghasilkan perkiraan pada granularitas mingguan, frekuensi di mana datadicatat dalam seri waktu terkait juga harus mingguan, bahkan jika frekuensi di mana data dicatat dalamseri waktu target adalah setiap hari.

• Data untuk setiap item dalam dataset seri waktu terkait harus dimulai pada atau sebelumawaltimestampyang sesuaiitem_iddalam dataset target waktu seri.

Misalnya, jika target data seri waktu untuksocksdimulai pada 2019-01-01 dan data seri waktu targetuntukshoesdimulai pada 2019-02-01, data seri waktu terkait untuksocksharus dimulai pada atausebelum 2019-01-01 dan data untukshoesharus dimulai pada atau sebelum 2019-02-01.

• Untuk dataset seri waktu terkait ke depan, stempel waktu terakhir untuk setiap item harus berada distempel waktu terakhir di jendela perkiraan yang ditunjuk pengguna (disebutcakrawala perkiraan).

Dalam contoh terkait waktu berkas seri di bawah ini,timestampdata untuk kaus kaki dan sepatu harusberakhir pada atau setelah 2019-07-01 (stempel waktu terakhir yang direkam)ditambahcakrawalaprakiraan. Jika frekuensi data dalam seri waktu target harian dan cakrawala perkiraan adalah 10 hari,titik data harian harus disediakan dalam file seri waktu terkait yang berwawasan ke depan sampai2019-07-11.

• Untuk dataset seri waktu terkait historis, stempel waktu terakhir untuk setiap item harus sesuai denganstempel waktu terakhir dalam seri waktu target.

Dalam contoh terkait waktu berkas seri di bawah ini,timestampdata untuk kedua kaus kaki dan sepatuharus berakhir pada 2019-07-01 (stempel waktu terakhir yang direkam).

• Dimensi Forecast yang disediakan dalam dataset seri waktu terkait harus sama dengan atau subset daridimensi yang ditetapkan dalam dataset seri waktu target.

• Seri waktu terkait tidak dapat memiliki nilai yang hilang. Untuk informasi tentang nilai yang hilang di setdata deret waktu terkait, lihatMenangani Nilai Hilang (p. 59).

46

Amazon Forecast Panduan DeveloperContoh: Berkas Seri Waktu Terkait Maju

Contoh: Berkas Seri Waktu Terkait MajuTabel berikut menunjukkan file dataset seri waktu terkait dikonfigurasi dengan benar. Untuk contoh ini,asumsikan hal berikut ini:

• Titik data terakhir tercatat dalam dataset seri waktu target pada 2019-07-01.• Horizon prakiraan adalah 10 hari.• Granularitas perkiraan adalah setiap hari (D).

A”…“baris menunjukkan semua titik data di antara baris sebelumnya dan berikutnya.

timestamp item_id store price

2019-01-01-01 kaus kaki NYC 10

2019-01-02 kaus kaki NYC 10


...


...


...


09-01-07-2019 kaus kaki SFO 45

...

2019-06-05 kaus kaki SFO 10

...


...


2019-02-01 sepatu ORD 50

...

2019-07-01 sepatu ORD 75

...

09-07-2019 sepatu ORD 60

47

Amazon Forecast Panduan DeveloperContoh: Peramalan Granularity

Contoh: Peramalan GranularityTabel berikut menunjukkan frekuensi perekaman data yang kompatibel untuk seri waktu target dan seriwaktu terkait untuk meramalkan pada granularitas mingguan. Karena data dalam dataset seri waktu terkaittidak dapat dikumpulkan, Forecast hanya menerima frekuensi data seri waktu terkait yang sama dengangranularitas peramalan yang dipilih.

Frekuensi Data Input Frekuensi Seri Waktu Peramalan Granularity Didukung olehForecast?

Harian Mingguan Mingguan Ya

Mingguan Mingguan Mingguan Ya

N/A Mingguan Mingguan Ya

Harian Harian Mingguan Tidak

Prediktor Legacy dan Seri Waktu TerkaitNote

Untuk meng-upgrade prediktor yang ada keAutoPredictor, Lihatthe section called “MengupgradekeAutoPredictor” (p. 66)

Saat menggunakan prediktor warisan, Anda dapat menggunakan dataset seri waktu terkait saatmelatih prediktor denganCNN-QR (p. 112),Deepar + (p. 117), danNabi (p. 127)algoritma.NPTS (p. 124),ARIMA (p. 111), danETS (p. 123)tidak menerima data seri waktu terkait.

Tabel berikut menunjukkan jenis rangkaian waktu terkait yang diterima setiap algoritma Amazon Forecast.

CNN-QR Deepar + Nabi NPTS ARIMA ETS

Sejarah terkait waktuseri

Berpandangan ke depanterkait waktu seri

Saat menggunakan AutoML, Anda dapat memberikan data seri waktu terkait historis dan ke depan, danForecast hanya akan menggunakan rangkaian waktu tersebut jika berlaku.

Jika Anda memberikanke depandata time series terkait, Forecast akan menggunakan data terkait denganCNN-QR, Deepar +, dan Nabi, dan tidak akan menggunakan data terkait dengan NPTS, ARIMA dan ETS.Jika disediakanhistorisdata time series terkait, Forecast akan menggunakan data terkait dengan CNN-QR,dan tidak akan menggunakan data terkait dengan DeepAR +, Prophet, NPTS, ARIMA, dan ETS.

Menggunakan Item Metadata DatasetSesiset data metadataberisi data kategoris yang menyediakan konteks berharga untuk item dalam datasettarget time-series. Tidak seperti dataset time-series terkait, dataset metadata item memberikan informasiyang statis. Artinya, nilai data tetap konstan dari waktu ke waktu, seperti warna atau merek item. Item

48

Amazon Forecast Panduan DeveloperContoh: Item Metadata File dan Skema

metadata dataset tambahan opsional untuk kelompok dataset Anda. Anda dapat menggunakan metadataitem hanya jika setiap item dalam dataset seri waktu target Anda hadir dalam dataset metadata item yangsesuai.

Item metadata mungkin termasuk merek, warna, model, kategori, tempat asal, atau fitur tambahan lainnyadari item tertentu. Misalnya, dataset metadata item mungkin menyediakan konteks untuk beberapa datapermintaan yang ditemukan dalam dataset seri waktu target yang mewakili penjualan pembaca elektronikAmazon hitam dengan penyimpanan 32 GB. Karena karakteristik ini tidak berubah dariday-to-dayatauhour-to-hour, mereka termasuk dalam set data item metadata.

Item metadata berguna untuk menemukan dan melacak pola deskriptif di seluruh data time-series Anda.Jika Anda menyertakan dataset metadata item dalam grup dataset Anda, Forecast dapat melatih modeluntuk membuat prediksi yang lebih akurat berdasarkan kesamaan di seluruh item. Misalnya, Anda mungkinmenemukan bahwa produk asisten virtual yang dibuat oleh Amazon lebih mungkin untuk menjual keluardaripada yang dibuat oleh perusahaan lain, dan kemudian merencanakan rantai pasokan Anda sesuai.

Item metadata sangat berguna dalam skenario peramalan coldstart, di mana Anda memiliki sedikit datahistoris langsung untuk membuat prediksi, tetapi memiliki data historis pada item dengan atribut metadataserupa. Bila Anda memberikan konteks untuk data kecil yang Anda miliki, prediktor Forecast Anda dapatmembuat kesimpulan yang berguna dan tidak jelas tentang item dalam data Anda yang meningkatkanakurasi prediksi.

Setiap baris dalam dataset metadata item dapat berisi hingga 10 bidang metadata, salah satunya harusberupa bidang identifikasi untuk mencocokkan metadata dengan item dalam seri waktu target. Sepertisemua tipe dataset, nilai masing-masing bidang ditunjuk oleh skema dataset.

Notebook Python

Untukstep-by-steppanduan tentang menggunakan metadata item, lihatMenggabungkan MetadataItem.

Topik• Contoh: Item Metadata File dan Skema (p. 49)• Prediktor Warisan dan Metadata Item (p. 50)• Lihat Juga (p. 50)

Contoh: Item Metadata File dan SkemaTabel berikut menunjukkan bagian dari file dataset metadata item yang dikonfigurasi dengan benar yangmenjelaskan pembaca e-Amazon. Untuk contoh ini, asumsikan bahwa baris header mewakili skemadataset, dan bahwa setiap item yang tercantum dalam dataset target time-series yang sesuai.

item_id brand model color waterproof

1 Amazon Paperwhite hitam ya

2 Amazon Paperwhite biru ya

3 Amazon base_model hitam tidak

4 Amazon base_model putih tidak

...

Berikut ini adalah informasi yang sama diwakili dalam format CSV.

49



Amazon Forecast Panduan DeveloperPrediktor Warisan dan Metadata Item

1,amazon,paperwhite,black,yes2,amazon,paperwhite,blue,yes3,amazon,base_model,black,no4,amazon,base_model,white,no...

Berikut ini adalah skema untuk contoh dataset ini.

{ "attributes": [ { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "brand", "AttributeType": "string" }, { "AttributeName": "model", "AttributeType": "string" }, { "AttributeName": "color", "AttributeType": "string" }, { "AttributeName": "waterproof", "AttributeType": "string" } ]}

Prediktor Warisan dan Metadata ItemNote

Untuk meng-upgrade prediktor yang ada keAutoPredictor, Lihatthe section called “MengupgradekeAutoPredictor” (p. 66)

Saat menggunakan prediktor warisan, Anda dapat menggunakan metadata item saat melatih prediktordenganCNN-QR (p. 112)atauDeepar + (p. 117)algoritma. Saat menggunakan AutoML, Anda dapatmemberikan metadata Item dan Forecast hanya akan menggunakan rangkaian waktu tersebut jika berlaku

Lihat JugaUntuk panduan mendalam tentang menggunakan dataset metadata item, lihatMenggabungkan ItemMetadata Dataset ke Prediktor AndadiSampel Amazon ForecastGitHubRepositori.

Domain Dataset dan Jenis Dataset yang telahditetapkan

Untuk melatih prediktor, Anda membuat satu atau lebih dataset, menambahkannya ke grup dataset, danmenyediakan kelompok dataset untuk pelatihan.

50




Amazon Forecast Panduan DeveloperDomain Dataset dan Jenis Dataset yang telah ditetapkan

Untuk setiap dataset yang Anda buat, Anda mengaitkan domain dataset dan tipe dataset. SEBUAHdomainset datamenentukan skema dataset yang telah ditentukan untuk kasus penggunaan umum, dan tidakmempengaruhi algoritma model atau hyperparameters.

Amazon Forecast mendukung domain dataset berikut:

• Domain Ritel (p. 52)— Untuk peramalan permintaan ritel• Domain Inventory_PLANNING (p. 54)- Untuk rantai pasokan dan perencanaan persediaan• Domain KASITAS EC2 (p. 55)— Untuk meramalkan kapasitas Amazon Elastic Compute Cloud

(Amazon EC2)• Domain WORK_FORCE (p. 56)— Untuk perencanaan tenaga kerja• Web_TRAFFIC Domain (p. 57)— Untuk memperkirakan lalu lintas web masa depan• Domain METRIS (p. 58)— Untuk metrik peramalan, seperti pendapatan dan arus kas• Domain KUSTOM (p. 53)- Untuk semua jenis peramalan waktu-series lainnya

Setiap domain dapat memiliki satu sampai tigatipe set data. Jenis dataset yang Anda buat untuk domaindidasarkan pada jenis data yang Anda miliki dan apa yang ingin Anda sertakan dalam pelatihan.

Setiap domain memerlukan dataset seri waktu target, dan secara opsional mendukung rangkaian waktudan jenis dataset metadata item terkait.

Jenis dataset adalah:

• Target time series - Satu-satunya tipe dataset yang diperlukan. Tipe ini mendefinisikantargetbidangyang ingin Anda hasilkan prakiraan untuk. Misalnya, jika Anda ingin meramalkan penjualan untuk satuset produk, maka Anda harus membuat dataset data seri waktu historis untuk setiap produk yang inginAnda perkirakan. Demikian pula, Anda dapat membuat dataset seri waktu target untuk metrik - sepertipendapatan, arus kas, dan penjualan—yang mungkin ingin Anda perkirakan.

• Seri waktu terkait - Data seri waktu yang terkait dengan data seri waktu target. Misalnya, harga terkaitdengan data penjualan produk, sehingga Anda mungkin menyediakannya sebagai rangkaian waktuterkait.

• Item metadata - Metadata yang berlaku untuk data target time-series. Misalnya, jika Anda meramalkanpenjualan untuk produk tertentu, atribut produk—seperti merek, warna, dan genre - akan menjadibagian dari metadata item. Saat memprediksi kapasitas EC2 untuk instans EC2, metadata mungkinmenyertakan CPU dan memori jenis instans.

Untuk setiap tipe dataset, data input Anda harus berisi bidang tertentu yang diperlukan. Anda juga dapatmenyertakan bidang opsional yang disarankan oleh Amazon Forecast yang Anda sertakan.

Contoh berikut menunjukkan bagaimana memilih domain dataset dan jenis dataset yang sesuai.

Example Contoh 1: Jenis Dataset dalam Domain RETAIL

Jika Anda seorang pengecer yang tertarik dengan permintaan peramalan untuk item, Anda dapat membuatdataset berikut dalam domain RETAIL:

• Target time series adalah dataset yang diperlukan dari data permintaan (penjualan) seri waktuhistoris untuk setiap item (setiap produk yang dijual oleh pengecer). Dalam domain RETAIL,tipe dataset ini mengharuskan dataset mencakupitem_id,timestamp, dandemandbidang.Parameterdemandlapangan adalah target perkiraan, dan biasanya jumlah item yang dijual oleh pengecerdalam minggu atau hari tertentu.

• Opsional, dataset dari jenis seri waktu terkait. Dalam domain RETAIL, jenis ini dapat mencakup informasiopsional, tetapi disarankan, deretan waktu sepertiprice,inventory_onhand, danwebpage_hits.

51

Amazon Forecast Panduan DeveloperDomain Ritel

• Opsional, dataset dari jenis item metadata. Dalam domain RETAIL, Amazon Forecast menyarankanuntuk memberikan informasi metadata yang terkait dengan item yang Anda berikan dalam seri waktutarget, sepertibrand,color,category, dangenre.

Example Contoh 2: Jenis Dataset di Domain METRICS

Jika Anda ingin memperkirakan metrik utama untuk organisasi Anda—seperti pendapatan, penjualan, danarus kas — Anda dapat memberikan Amazon Forecast dengan set data berikut:

• Dataset seri waktu target yang menyediakan data seri waktu historis untuk metrik yang ingin Andaperkirakan. Jika minat Anda adalah untuk meramalkan pendapatan semua unit bisnis di organisasiAnda, Anda dapat membuattarget time seriesset data denganmetric,business unit,danmetric_valuebidang.

• Jika Anda memiliki metadata untuk setiap metrik yang tidak diperlukan, seperticategoryataulocation,Anda mungkin menyediakan dataset dari seri waktu terkait dan jenis metadata item.

Minimal, Anda harus menyediakan dataset seri waktu target untuk Forecast untuk menghasilkan prakiraanuntuk metrik target Anda.

Example Contoh 3: Jenis Dataset di Domain CUSTOM

Data pelatihan untuk aplikasi peramalan Anda mungkin tidak sesuai dengan domain Amazon Forecastmana pun. Jika demikian, pilih domain CUSTOM. Anda harus menyediakan dataset seri waktu target, tetapiAnda dapat menambahkan bidang kustom Anda sendiri.

ParameterMemulai (p. 12)latihan perkiraan penggunaan listrik untuk klien. Data pelatihan penggunaanlistrik tidak sesuai dengan domain dataset mana pun, jadi kami menggunakan domain CUSTOM. Dalamlatihan, kita hanya menggunakan satu tipe dataset, tipe target time series. Kami memetakan bidang data kebidang minimum yang diperlukan oleh tipe dataset.

Domain RitelDomain RETAIL mendukung jenis dataset berikut. Untuk setiap tipe dataset, kita daftar bidang wajib danopsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data latihan Anda, lihatDatasetDomain dan Jenis Dataset (p. 41).

Topik• Tipe Dataset Seri Waktu Target (p. 52)• Jenis Dataset Seri Waktu Terkait (p. 53)• Item Metadata Jenis Dataset (p. 53)

Tipe Dataset Seri Waktu TargetTarget waktu seri adalah data sejarah waktu seri untuk setiap item atau produk yang dijual oleh organisasiritel. Bidang berikut diperlukan:

• item_id (string) - Sebuah pengenal unik untuk item atau produk yang Anda ingin memprediksipermintaan untuk.

• timestamp(stempel waktu)• demand(float) - Jumlah penjualan untuk item itu di stempel waktu. Ini juga merupakantargetbidang yang

Amazon Forecast menghasilkan perkiraan.

Dimensi berikut adalah opsional dan dapat digunakan untuk mengubah peramalan granularitas:

52

Amazon Forecast Panduan DeveloperDomain KUSTOM

• location(string) - Lokasi toko yang barang itu dijual di. Ini hanya boleh digunakan jika Anda memilikibeberapa toko/lokasi.

Idealnya, hanya bidang yang diperlukan dan dimensi opsional yang harus disertakan. Informasi deret waktulainnya harus disertakan dalam set data deret waktu terkait.

Jenis Dataset Seri Waktu TerkaitAnda dapat menyediakan Amazon Forecast dengan set data seri waktu terkait, seperti harga atau jumlahweb hits item yang diterima pada tanggal tertentu. Semakin banyak informasi yang Anda berikan, semakinakurat ramalannya. Bidang berikut diperlukan:

• item_id (string)• timestamp (stempel waktu)

Bidang berikut bersifat opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:

• price(float) - Harga item pada saat cap waktu.• promotion_applied(integer; 1 = true, 0 = false) - Sebuah bendera yang menentukan apakah ada

promosi pemasaran untuk item tersebut di stempel waktu.

Selain bidang opsional yang diperlukan dan disarankan, data pelatihan Anda dapat mencakup bidang lain.Untuk menyertakan bidang lain dalam dataset, sediakan bidang dalam skema saat Anda membuat dataset.

Item Metadata Jenis DatasetSet data ini menyediakan Amazon Forecast informasi tentang metadata (atribut) dari item yangpermintaannya sedang diprediksi. Bidang berikut diperlukan:

• item_id (string)


• category(string)• brand(string)• color(string)• genre(string)


Domain KUSTOMDomain CUSTOM mendukung jenis dataset berikut. Untuk setiap tipe dataset, kita daftar bidang wajib danopsional. Untuk informasi tentang cara memetakan bidang ke kolom dalam data latihan Anda, lihatDatasetDomain dan Jenis Dataset (p. 41).


53

Amazon Forecast Panduan DeveloperDomain Inventory_PLANNING

Tipe Dataset Seri Waktu TargetBidang berikut diperlukan:

• item_id (string)• timestamp(stempel waktu)• target_value(floating-point integer) - ini adalahtargetbidang yang Amazon Forecast menghasilkan

perkiraan.

Idealnya, hanya bidang yang diperlukan ini harus disertakan. Informasi deret waktu lainnya harusdisertakan dalam set data deret waktu terkait.

Jenis Dataset Seri Waktu TerkaitBidang berikut diperlukan:

• item_id(string)• timestamp(stempel waktu)

Selain bidang yang diperlukan, data pelatihan Anda dapat mencakup bidang lain. Untuk menyertakanbidang lain dalam dataset, sediakan bidang dalam skema saat Anda membuat dataset.

Item Metadata Jenis DatasetBidang berikut wajib diisi:

• item_id(string)

Bidang berikut adalah opsional dan mungkin berguna dalam meningkatkan hasil perkiraan:

• category(string)


Domain Inventory_PLANNINGGunakan domain INVENTORY_PLANNING untuk meramalkan permintaan bahan baku dan menentukanberapa banyak inventaris item tertentu untuk stok. Mendukung jenis set data berikut. Untuk setiap tipedataset, kita daftar bidang wajib dan opsional. Untuk informasi tentang cara memetakan bidang ke kolomdalam data latihan Anda, lihatDataset Domain dan Jenis Dataset (p. 41).



• item_id(string)

54

Amazon Forecast Panduan DeveloperDomain KASITAS EC2

• timestamp(stempel waktu)• demand(float) - Ini adalahtargetbidang yang Amazon Forecast menghasilkan perkiraan.


• location(string) — Lokasi pusat distribusi tempat item ditebar. Ini hanya boleh digunakan jika Andamemiliki beberapa toko/lokasi.



• item_id(string)• timestamp(stempel waktu)


• price(float) — Harga item


Item Metadata Jenis DatasetBidang berikut diperlukan:

• item_id(string)


• category(string) - Kategori item.• brand(string) - Merek item.• lead_time(string) — Lead time, di hari, untuk memproduksi item.• order_cycle(string) - Siklus pesanan dimulai ketika pekerjaan dimulai dan berakhir ketika item siap

untuk pengiriman.• safety_stock(string) - Jumlah minimum stok untuk tetap di tangan untuk item itu.


Domain KASITAS EC2Gunakan domain KAPASITAS EC2 untuk meramalkan kapasitas Amazon EC2. Mendukung jenis set databerikut. Untuk setiap tipe dataset, kita daftar bidang wajib dan opsional. Untuk informasi tentang caramemetakan bidang ke kolom dalam data latihan Anda, lihatDataset Domain dan Jenis Dataset (p. 41).


55

Amazon Forecast Panduan DeveloperDomain WORK_FORCE

• instance_type(string) - Jenis contoh (misalnya, c5.xlarge).• timestamp(stempel waktu)• number_of_instances(integer) — Jumlah contoh dari jenis contoh tertentu yang dikonsumsi pada

timestamp. Ini adalahtargetbidang yang Amazon Forecast menghasilkan perkiraan.


• location(string) — Anda dapat menyediakan Wilayah AWS, seperti us-west-2 atau us-east-1. Inihanya boleh digunakan jika Anda memodelkan beberapa Wilayah.

Idealnya, hanya bidang opsional yang diperlukan dan disarankan ini yang harus disertakan. Informasi deretwaktu lainnya harus disertakan dalam set data deret waktu terkait.


• instance_type(string)• timestamp(stempel waktu)


Domain WORK_FORCEGunakan domain WORK_FORCE untuk meramalkan permintaan tenaga kerja. Mendukung jenis set databerikut. Untuk setiap tipe dataset, kita daftar bidang wajib dan opsional. Untuk informasi tentang caramemetakan bidang ke kolom dalam data latihan Anda, lihatDataset Domain dan Jenis Dataset (p. 41).



• workforce_type(string) - Jenis tenaga kerja tenaga kerja yang diperkirakan. Misalnya, permintaan callcenter atau pusat pemenuhan permintaan tenaga kerja.

• timestamp(stempel waktu)• workforce_demand(floating-point integer) - ini adalahtargetbidang yang Amazon Forecast

menghasilkan perkiraan.


• location(string) — Lokasi di mana sumber daya tenaga kerja dicari. Ini harus digunakan jika Andamemiliki beberapa toko/lokasi.


56

Amazon Forecast Panduan DeveloperWeb_TRAFFIC Domain


• workforce_type(string)• timestamp(stempel waktu)



• workforce_type(string)


• wages(float) - Upah rata-rata untuk jenis tenaga kerja tertentu.• shift_length(string) - Panjang pergeseran.• location(string) — Lokasi tenaga kerja.


Web_TRAFFIC DomainGunakan domain WEB_TRAFFIC untuk meramalkan lalu lintas web ke properti web atau serangkaianproperti web. Mendukung jenis set data berikut. Topik yang relevan menggambarkan bidang yangdiperlukan dan opsional jenis dataset mendukung. Untuk informasi tentang cara memetakan bidang ini kekolom dalam data latihan Anda, lihatDataset Domain dan Jenis Dataset (p. 41).

Topik• Tipe Dataset Seri Waktu Target (p. 57)• Jenis Dataset Seri Waktu Terkait (p. 57)


• item_id(string) — Pengenal unik untuk setiap properti web yang sedang diramalkan.• timestamp(stempel waktu)• value(float) - Ini adalahtargetbidang yang Amazon Forecast menghasilkan perkiraan.



• item_id(string)

57

Amazon Forecast Panduan DeveloperDomain METRIS

• timestamp(stempel waktu)


Item Metadata Jenis Dataset

Bidang berikut wajib diisi:

• item_id(string)




Domain METRISGunakan domain METRICS untuk metrik peramalan, seperti pendapatan, penjualan, dan arus kas.Mendukung jenis set data berikut. Untuk setiap tipe dataset, kita daftar bidang wajib dan opsional. Untukinformasi tentang cara memetakan bidang ke kolom dalam data latihan Anda, lihatDataset Domain danJenis Dataset (p. 41).



• metric_name(string)• timestamp(stempel waktu)• metric_value(floating-point integer) - ini adalahtargetbidang yang Amazon Forecast menghasilkan

perkiraan (misalnya, jumlah pendapatan yang dihasilkan pada hari tertentu).



• metric_name(string)• timestamp(stempel waktu)


58

Amazon Forecast Panduan DeveloperMemperbarui Data


• metric_name(string)




Memperbarui DataSaat Anda mengumpulkan data baru, Anda mungkin ingin menggunakannya untuk menghasilkan prakiraanbaru. Forecast tidak secara otomatis melatih prediktor saat Anda mengimpor dataset yang diperbarui, tetapiAnda dapat menggunakan prediktor yang ada untuk menghasilkan prakiraan dengan data yang diperbarui.Misalnya, jika Anda mengumpulkan data penjualan harian dan ingin menyertakan datapoints baru dalamperkiraan Anda, Anda dapat mengimpor data yang diperbarui dan menggunakannya untuk menghasilkanperkiraan tanpa melatih prediktor baru. Namun, jika Anda ingin prediktor Anda dilatih dari data baru, Andaharus membuat prediktor baru.

Untuk menghasilkan perkiraan dari data baru:

1. Unggah file CSV yang diperbarui ke bucket Amazon S3. CSV yang diperbarui harus tetap berisi semuadata yang ada.

2. Buat pekerjaan impor dataset dengan data baru. Pekerjaan impor terbaru adalah salah satu yangprakiraan dihasilkan dari.

3. Buat perkiraan baru menggunakan prediktor yang ada.4. Ambil perkiraan seperti biasa.

Menangani Nilai HilangMasalah umum dalam data peramalan time-series adalah adanya nilai yang hilang. Data Anda mungkinberisi nilai yang hilang karena sejumlah alasan, termasuk kegagalan pengukuran, masalah pemformatan,kesalahan manusia, atau kurangnya informasi untuk direkam. Misalnya, jika Anda memperkirakanpermintaan produk untuk toko ritel dan item terjual habis atau tidak tersedia, tidak akan ada data penjualanuntuk dicatat sementara item tersebut kehabisan stok. Jika cukup umum, nilai yang hilang dapat secarasignifikan mempengaruhi akurasi model.

Amazon Forecast menyediakan sejumlah metode pengisian untuk menangani nilai yang hilang dalam seriwaktu target dan set data seri waktu terkait. Mengisi adalah proses menambahkan nilai standar ke entriyang hilang dalam dataset Anda.

Forecast mendukung metode pengisian berikut:

• Mengisi Tengah- Mengisi nilai yang hilang antara item mulai dan tanggal akhir item dari satu set data.• Mengisi kembali— Mengisi nilai yang hilang antara titik data terakhir yang direkam dan tanggal akhir

global dataset.• Pengisian masa depan (hanya seri waktu terkait)- Mengisi nilai yang hilang antara tanggal akhir global

dan akhir cakrawala perkiraan.

59

Amazon Forecast Panduan DeveloperLogika Mengisi

Gambar berikut memberikan representasi visual dari metode pengisian yang berbeda.

Logika MengisiSaat memilih logika pengisian, Anda harus mempertimbangkan bagaimana logika akan ditafsirkan olehmodel Anda. Misalnya, dalam skenario ritel, merekam 0 penjualan item yang tersedia berbeda darirekaman 0 penjualan barang yang tidak tersedia, karena yang terakhir tidak menyiratkan kurangnya minatpelanggan pada item tersebut. Karena ini,0mengisi target waktu seri dapat menyebabkan prediktor menjadikurang bias dalam prediksi, sementaraNaNmengisi mungkin mengabaikan kejadian aktual 0 item yangtersedia yang dijual dan menyebabkan prediktor menjadi over-bias.

Grafik seri waktu berikut menggambarkan bagaimana memilih nilai pengisian yang salah dapat secarasignifikan mempengaruhi keakuratan model Anda. Grafik A dan B plot permintaan untuk item yangsebagianout-of-stock, dengan garis hitam mewakili data penjualan aktual. Nilai yang hilang dalam A1diisi dengan0, yang mengarah ke prediksi yang relatif kurang bias (diwakili oleh garis putus-putus) di A2.Demikian pula, nilai yang hilang dalam B1 diisi denganNaN, yang mengarah ke prediksi yang lebih tepat diB2.

Untuk daftar logika pengisian yang didukung, lihat bagian berikut.

Target Time Series dan Seri Waktu Terkait MengisiLogikaAnda dapat melakukan pengisian pada kedua seri waktu target dan dataset seri waktu terkait. Setiap tipedataset memiliki pedoman dan pembatasan pengisian yang berbeda.

Pedoman Pengisian

Tipe set data Mengisi secaradefault?

Metode pengisianyang didukung

Logika pengisiandefault

Logika pengisianyang diterima

Seri waktu Ya Tengah danbelakang mengisi

0 • zero- 0 mengisi.

60

Amazon Forecast Panduan DeveloperSintaks Nilai Hilang

Tipe set data Mengisi secaradefault?

Metode pengisianyang didukung

Logika pengisiandefault

Logika pengisianyang diterima• value- bilangan

bulat atau nomorfloat.

• nan- bukannomor.

• mean- nilai rata-rata dari seridata.

• median- nilaimedian dari seridata.

• min- nilaiminimum dariseri data.

• max- nilaimaksimum dariseri data.

Seri waktu terkait Tidak Pengisian tengah,belakang, danmasa depan

Tidak ada default • zero- 0 mengisi.• value- integer

atau nilai float.• mean- nilai rata-

rata dari seridata.

• median- nilaimedian dari seridata.

• min- nilaiminimum dariseri data.

• max- nilaimaksimum dariseri data.

Important

Untuk kedua target dan dataset seri waktu terkait,mean,median,min, danmaxdihitung berdasarkanjendela bergulir dari 64 entri data terbaru sebelum nilai yang hilang.

Sintaks Nilai HilangUntuk melakukan pengisian nilai yang hilang, tentukan jenis pengisian yang akan diimplementasikansaat Anda memanggilCreatePredictor (p. 235)operasi. Mengisi logika ditentukandalamFeaturizationMethod (p. 383)benda.

Kutipan berikut menunjukkan diformat dengan benarFeaturizationMethodobjek untuk atribut targettime series dan atribut time series terkait (target_valuedanpricemasing-masing).

Untuk mengatur metode pengisian ke nilai tertentu, atur parameter isi kevaluedan menentukan nilai dalamyang sesuai_valueparameter. Seperti yang ditunjukkan di bawah ini, penimbunan ulang untuk seri waktuterkait diatur ke nilai 2 dengan yang berikut:"backfill": "value"dan"backfill_value":"2".

61

Amazon Forecast Panduan DeveloperPedoman set data

[ { "AttributeName": "target_value", "FeaturizationPipeline": [ { "FeaturizationMethodName": "filling", "FeaturizationMethodParameters": { "aggregation": "sum", "middlefill": "zero", "backfill": "zero" } } ] }, { "AttributeName": "price", "FeaturizationPipeline": [ { "FeaturizationMethodName": "filling", "FeaturizationMethodParameters": { "middlefill": "median", "backfill": "value", "backfill_value": "2", "futurefill": "max" } } ] }]

Pedoman Set Data untuk ForecastKonsultasikan dengan panduan berikut jika Amazon Forecast gagal mengimpor dataset Anda, atau jikadataset Anda tidak berfungsi seperti yang diharapkan.

Format stempel waktu

Untuk Tahun (Y), Bulan (M), Minggu (W), dan Hari (D) frekuensi koleksi, Forecast mendukungyyyy-MM-ddFormat timestamp (misalnya,2019-08-21) dan, opsional,HH:mm:ssformat (misalnya,2019-08-2115:00:00).

Jam (H) dan Menit (M) frekuensi, Forecast hanya mendukungyyyy-MM-dd HH:mm:ssformat(misalnya2019-08-21 15:00:00).

Pedoman: Ubah format timestamp untuk frekuensi pengumpulan dataset Anda ke format yangdidukung.

File atau Bucket Amazon S3

Saat mengimpor dataset, Anda dapat menentukan jalur ke file CSV di bucket Amazon SimpleStorage Service (Amazon S3) yang berisi data atau nama bucket S3 yang berisi data Anda Jika Andamenentukan file CSV, Forecast mengimpor file tersebut. Jika Anda menentukan bucket S3, Forecastmengimpor semua file CSV dalam bucket hingga 10.000 file. Jika Anda mengimpor beberapa filedengan menentukan nama bucket, semua file CSV harus sesuai dengan skema yang ditentukan.

Pedoman: Tentukan file CSV atau bucket S3 menggunakan sintaks berikut:

s3://bucket-name/example-object.csv

s3://bucket-name/prefix/

62

Amazon Forecast Panduan DeveloperPedoman set data

s3://bucket-name

Pembaruan basis data

Karena pekerjaan impor dataset tidak dikumpulkan, impor dataset terbaru Anda adalah salah satuyang digunakan saat melatih prediktor atau menghasilkan perkiraan.

Pedoman: Pastikan bahwa impor dataset terbaru Anda berisi semua data yang ingin Anda model off,dan bukan hanya data baru yang dikumpulkan sejak impor sebelumnya.

Urutan atribut

Urutan atribut yang ditentukan dalam definisi skema harus sesuai dengan urutan kolom dalam fileCSV yang Anda impor. Misalnya, jika Anda mendefinisikantimestampsebagai atribut pertama,makatimestampjuga harus menjadi kolom pertama dalam file CSV input.

Pedoman: Verifikasi bahwa kolom dalam file CSV berada dalam urutan yang sama dengan atributskema yang Anda buat.

Indeks cuaca

Untuk menerapkan Indeks Cuaca, Anda harus menyertakanatribut geolokasi (p. 82)dalamseri waktu target Anda dan setiap set data seri waktu terkait. Anda juga perlu menentukanzonawaktu (p. 95)untuk timestamps seri waktu target Anda.

Pedoman: Pastikan bahwa dataset Anda menyertakan atribut geolokasi dan bahwa cap waktu Andamemiliki zona waktu yang ditetapkan. Untuk informasi selengkapnya, lihat Indeks CuacaKondisi danPembatasan. (p. 100)

Header set data

Sebuah header dataset dalam file CSV masukan Anda dapat menyebabkan kesalahan validasi.Sebaiknya hilangkan header.

Pedoman: Hapus header dataset dan coba impor lagi.Status set data

Sebelum Anda dapat mengimpor data pelatihan denganthe section called“CreateDatasetImportJob” (p. 214)operasi,Statusset data harusACTIVE.

Pedoman: GunakanDescribeDataset (p. 271)operasi untuk mendapatkan status dataset ini. Jikapembuatan atau pembaruan dataset gagal, periksa format file dataset Anda dan coba buat lagi.

Format File dan Pembatas

Forecast hanya mendukung nilai yang dipisahkan koma (CSV). Anda tidak dapat memisahkan nilaimenggunakan tab, spasi, titik dua, atau karakter lainnya.

Pedoman: Konversikan dataset Anda ke format CSV (hanya menggunakan koma sebagai pembatasAnda) dan coba impor file lagi.

Nama berkas

Nama file harus memuat setidaknya satu karakter abjad. File dengan nama yang hanya numerik tidakdapat diimpor.

Pedoman: Ubah nama file CSV Anda untuk menyertakan setidaknya satu karakter abjad dan cobaimpor file lagi.

63

Amazon Forecast Panduan DeveloperMembuat Prediktor

Prediktor pelatihanPrediktor adalah model Amazon Forecast yang dilatih menggunakan seri waktu target Anda, rangkaianwaktu terkait, metadata item, dan set data tambahan yang Anda sertakan. Anda dapat menggunakanprediktor untuk menghasilkan prakiraan berdasarkan data seri waktu Anda.

Secara default, Amazon Forecast membuatAutoPredictor, di mana Forecast menerapkan kombinasioptimal algoritma untuk setiap seri waktu dalam dataset Anda.

Topik• Membuat Prediktor (p. 64)• Mengupgrade keAutoPredictor (p. 66)• Menggunakan set data tambahan (p. 67)• Bekerja dengan prediktor warisan (p. 67)• Mengevaluasi Akurasi (p. 68)• Retraining Prediktor (p. 80)• Indeks cuaca (p. 81)• Featuurisasi Liburan (p. 101)• Prediktor Explainability (p. 105)• Algoritme Amazon (p. 109)

Membuat PrediktorAmazon Forecast mengharuskan input berikut untuk melatih prediktor:

• Grup set data— Sebuah kelompok dataset yang harus menyertakan dataset target time series. Targetwaktu seri dataset termasuk atribut target (item_id) dan atribut timestamp, serta dimensi apapun.Terkait time series dan Item metadata adalah opsional. Untuk informasi selengkapnya, lihat MengimporSet Data (p. 40).

• Frekuensi Forecast— Granularitas perkiraan Anda (per jam, harian, mingguan, dll).• Horizon Forecast— Jumlah langkah waktu yang diperkirakan.

Anda juga dapat mengatur nilai untuk input opsional berikut:

• Dimensi Forecast- Dimensi adalah atribut opsional dalam dataset seri waktu target Anda yang dapatdigunakan dalam kombinasi dengan nilai target (item_id) untuk membuat seri waktu yang terpisah.

• Jenis Forecast— Kuantil yang digunakan untuk mengevaluasi prediktor Anda.• Metrik optimalan- Metrik akurasi yang digunakan untuk mengoptimalkan prediktor Anda.• Set data tambahan— Built-in Amazon Forecast dataset seperti Indeks Cuaca dan Liburan.

Anda dapat membuat prediktor menggunakan Software Development Kit (SDK) atau konsol AmazonForecast.

Console

Untuk membuat prediktor

64

Amazon Forecast Panduan DeveloperMembuat Prediktor

1. Masuk keAWS Management Consoledan buka konsol Amazon Forecast dihttps://console.aws.amazon.com/forecast/.

2. FromGrup set data, pilih grup dataset Anda.3. Di panel navigasi, pilihPrediktor.4. PilihMelatih prediktor baru.5. Menyediakan nilai untuk bidang wajib berikut:

• Nama- nama prediktor yang unik.• Frekuensi Forecast- granularitas perkiraan Anda.• Horizon Forecast- Jumlah langkah waktu untuk meramalkan.

6. Pilih Mulai.

Untuk informasi tentang set data tambahan, lihatthe section called “ Indeks cuaca” (p. 81)danthesection called “Featuurisasi Liburan” (p. 101). Untuk mempelajari selengkapnya tentangmenyesuaikan jenis perkiraan dan metrik optimalan, lihatthe section called “MetrikPrediktor” (p. 68).

AWS CLI

Untuk membuat prediktor otomatis denganAWS CLI, gunakancreate-auto-predictorperintah.Kode berikut membuat prediktor otomatis yang membuat prediksi selama 14 hari di masa depan.

Berikan nama untuk prediktor dan Amazon Resource Name (ARN) grup set data yang mencakup dataAnda. Opsional memodifikasi perkiraan cakrawala dan perkiraan frekuensi. Opsional menambahkantag untuk prediktor. Untuk informasi selengkapnya, lihatPenandaan Sumber Daya AmazonForecast (p. 145).

Untuk informasi tentang parameter yang diperlukan dan opsional lihatCreateAutoPredictor (p. 200).

aws forecast create-auto-predictor \--predictor-name predictor_name \--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \--forecast-horizon 14 \--forecast-frequency D \--tags Key=key1,Value=value1 Key=key2,Value=value2

Untuk mempelajari selengkapnya tentang menyesuaikan jenis perkiraan dan metrik optimalan,lihatthe section called “Metrik Prediktor” (p. 68)The Weather Index dan Holidays dataset tambahandidefinisikan dalamDataConfigtipe data. Untuk informasi tentang set data tambahan, lihatthe sectioncalled “ Indeks cuaca” (p. 81)danthe section called “Featuurisasi Liburan” (p. 101).

Python

Untuk membuat prediktor otomatis dengan SDK for Python (Boto3),gunakancreate_auto_predictormetode. Kode berikut membuat prediktor otomatis yang membuatprediksi selama 14 hari di masa depan.

Berikan nama untuk prediktor dan Amazon Resource Name (ARN) grup set data yang mencakup dataAnda. Opsional memodifikasi perkiraan cakrawala dan perkiraan frekuensi. Opsional menambahkantag untuk prediktor. Untuk informasi selengkapnya, lihatPenandaan Sumber Daya AmazonForecast (p. 145).

Untuk informasi tentang parameter yang diperlukan dan opsional lihatCreateAutoPredictor (p. 200).

import boto3

65



Amazon Forecast Panduan DeveloperMengupgrade keAutoPredictor

forecast = boto3.client('forecast')

create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 14, ForecastFrequency = 'D', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, Tags = [ { "Key": "key1", "Value": "value1" }, { "Key": "key2", "Value": "value2" } ])print(create_predictor_response['PredictorArn'])

Untuk mempelajari selengkapnya tentang menyesuaikan jenis perkiraan dan metrik optimalan,lihatthe section called “Metrik Prediktor” (p. 68)The Weather Index dan Holidays dataset tambahandidefinisikan dalamDataConfigtipe data. Untuk informasi tentang set data tambahan, lihatthe sectioncalled “ Indeks cuaca” (p. 81)danthe section called “Featuurisasi Liburan” (p. 101).

Mengupgrade keAutoPredictorNotebook Python

Untukstep-by-steppanduan tentang upgrade prediktor keAutoPredictor, lihatUpgrade prediktorkeAutoPredictor.

Prediktor dibuat dengan AutoML atau pemilihan manual (CreatePredictor) dapat ditingkatkankeAutoPredictor. Upgrade yang sudah ada keAutoPredictorakan mentransfer semua pengaturankonfigurasi prediktor yang relevan.

Setelah Meningkatkan keAutoPredictor, prediktor asli akan tetap aktif dan prediktor upgrade akan memilikiARN Prediktor terpisah. Hal ini memungkinkan Anda untuk membandingkan metrik akurasi antara duaprediktor, dan Anda masih dapat menghasilkan prakiraan dengan prediktor asli.

Anda dapat meningkatkan prediktor menggunakan Software Development Kit (SDK) atau konsol AmazonForecast.

Console

Untuk meningkatkan prediktor


2. Di panel navigasi, pilihPrediktor.3. Pilih prediktor untuk meng-upgrade, dan memilihMeningkatkan.4. Mengatur nama unik untuk prediktor yang ditingkatkan.5. PilihMengupgrade keAutoPredictor.

66





Amazon Forecast Panduan DeveloperMenggunakan set data tambahan

CLI

Untuk meng-upgrade prediktor denganAWS CLI, gunakancreate-auto-predictormetode, tapitentukancumanama prediktor dan nilaireference-predictor-arn(ARN dari prediktor Anda inginmeng-upgrade).

aws forecast create-auto-predictor \--predictor-name predictor_name \--reference-predictor-arn arn:aws:forecast:region:account:predictor/predictorName

Python

Untuk meningkatkan prediktor dengan SDK for Python (Boto3),gunakancreate_auto_predictormetode, tapi tentukancumanama prediktor dannilaiReferencePredictorArn(ARN dari prediktor Anda ingin meng-upgrade).

import boto3 forecast = boto3.client('forecast')

create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ReferencePredictorArn = 'arn:aws:forecast:region:account:predictor/predictorName')print(create_predictor_response['PredictorArn'])

Menggunakan set data tambahanAmazon Forecast dapat menyertakan Indeks Cuaca dan Liburan saat membuat prediktor Anda. IndeksCuaca menggabungkan informasi meteorologi ke dalam model Anda dan Liburan menggabungkaninformasi mengenai hari libur nasional.

Indeks Cuaca memerlukan atribut 'geolokasi' dalam dataset seri waktu target Anda dan informasi mengenaizona waktu untuk cap waktu Anda. Untuk informasi selengkapnya, lihat the section called “ Indekscuaca” (p. 81).

Liburan mencakup informasi liburan di 66 negara. Untuk informasi selengkapnya, lihat the section called“Featuurisasi Liburan” (p. 101).

Bekerja dengan prediktor warisanNote

Untuk meng-upgrade prediktor yang ada keAutoPredictor, lihatthe section called “MengupgradekeAutoPredictor” (p. 66)

AutoPredictoradalah metode default dan pilihan untuk membuat prediktor dengan Amazon Forecast.AutoPredictormenciptakan prediktor dengan menerapkan kombinasi optimal algoritma untuk setiap seriwaktu dalam dataset Anda.

Prediktor dibuat denganAutoPredictorumumnya lebih akurat daripada prediktor yang dibuat denganAutoML atau pemilihan manual. Forecast Explainability dan fitur pelatihan ulang prediktor hanya tersediauntuk prediktor dibuat denganAutoPredictor.

67

Amazon Forecast Panduan DeveloperMetrik Prediktor

Amazon Forecast juga dapat membuat prediktor lama dengan cara berikut:

1. AutoML- Forecast menemukan algoritma berkinerja terbaik dan menerapkannya ke seluruh datasetAnda.

2. Pemilihan manual- Secara manual memilih algoritma tunggal yang diterapkan ke seluruh dataset Anda.

Anda dapat membuat prediktor lama menggunakan Software Development Kit (SDK) atau konsol AmazonForecast.

Console

Untuk menggunakan AutoML


2. FromGrup set data, pilih grup dataset Anda.3. Di panel navigasi, pilihPrediktor.4. PilihMelatih prediktor baru.5. DiKonfigurasi prediktorbagian, hapusAktifkanAutoPredictor.6. MemperluasPemilihan algoritmedrop-down dan pilihOtomatis (AutoML).

SDK

Untuk menggunakan AutoML

MenggunakanCreatePredictor (p. 235)operasi, mengatur nilaiPerformAutoMLkepada"true".

{ ... "PerformAutoML": "true",}

Jika Anda menggunakan AutoML, Anda tidak dapat menetapkan nilai untukberikutCreatePredictorparameter:AlgorithmArn,HPOConfig,TrainingParameters.

Mengevaluasi AkurasiAmazon Forecast menghasilkan metrik akurasi untuk mengevaluasi prediktor dan membantu Anda memilihmana yang akan digunakan untuk menghasilkan prakiraan. Forecast mengevaluasi prediktor menggunakanRoot Mean Square Error (RMSE), Weighted Quantile Loss (WQL), Mean Absolute Persentase Error(MAPE), Mean Absolute Scaled Error (MASE), dan metrik Weighted Absolute Persentase Error (W

Amazon Forecast menggunakan pengujian ulang untuk menyetel parameter dan menghasilkan metrikakurasi. Selama pengujian kembali, Forecast secara otomatis membagi data seri waktu Anda menjadidua set: satu set pelatihan dan satu set pengujian. Set pelatihan digunakan untuk melatih model danmenghasilkan perkiraan untuk datapoints dalam set pengujian. Forecast mengevaluasi akurasi modeldengan membandingkan nilai yang diperkirakan dengan nilai-nilai yang diamati di set pengujian.

Forecast memungkinkan Anda untuk mengevaluasi prediktor menggunakan jenis perkiraan yang berbeda,yang dapat menjadi satu set perkiraan kuantil dan perkiraan rata-rata. Perkiraan rata-rata memberikanperkiraan poin, sedangkan perkiraan kuantil biasanya memberikan berbagai hasil yang mungkin.

68



Amazon Forecast Panduan DeveloperMenafsirkan Metrik

Notebook Python

Untuk panduan langkah demi langkah dalam mengevaluasi metrik prediktor, lihatKomputasi MetrikMenggunakan Item-tingkat Backtests..

Topik• Menafsirkan Metrik (p. 69)• Tertimbang Kuantil Rugi (WQL) (p. 70)• Tertimbang Absolute Persentase Kesalahan (WAPE) (p. 71)• Akar Berarti Lapangan Kesalahan (RMSE) (p. 72)• Berarti Kesalahan Persentase Absolute (MAPE) (p. 72)• Berarti Kesalahan Scaled Absolute (MASE) (p. 73)• Mengekspor Metrik (p. 73)• Jenis Forecast (p. 75)• Bekerja Dengan Prediktor Legacy (p. 77)

Menafsirkan MetrikAmazon Forecast menyediakan Root Mean Square Error (RMSE), Weighted Quantile Loss (WQL), Rata-rata Weighted Quantile Loss (Average WQL), Mean Absolute Scaled Error (MASE), Mean AbsolutePersentase Error (MAPE), dan metrik WAPE (WAPE), dan metrik Kesalahan Persentase Seiring denganmetrik untuk prediktor keseluruhan, Forecast menghitung metrik untuk setiap jendela backtest.

Anda dapat melihat metrik akurasi untuk prediktor Anda menggunakan Amazon Forecast SoftwareDevelopment Kit (SDK) dan konsol Amazon Forecast.

Forecast SDK

MenggunakanGetAccuracyMetrics (p. 307)Operasi, specif yPredictorArnuntuk melihat metrikRMSE, MASE, MAPE, WAPE, rata-rata wQL, dan wQL untuk setiap backtest.

{ "PredictorArn": "arn:aws:forecast:region:acct-id:predictor/example-id"}

Forecast Console

Pilih prediktor Anda padaPrediktorhalaman. Metrik akurasi untuk prediktor ditampilkan dalamMetrikprediktorbagian.

Note

Untuk metrik rata-rata wQL, wQL, RMSE, MASE, MAPE, dan WAPE, nilai yang lebih rendahmenunjukkan model superior.

Topik• Tertimbang Kuantil Rugi (WQL) (p. 70)• Tertimbang Absolute Persentase Kesalahan (WAPE) (p. 71)• Akar Berarti Lapangan Kesalahan (RMSE) (p. 72)

69



Amazon Forecast Panduan DeveloperTertimbang Kuantil Rugi (WQL)

• Berarti Kesalahan Persentase Absolute (MAPE) (p. 72)• Berarti Kesalahan Scaled Absolute (MASE) (p. 73)• Mengekspor Metrik (p. 73)• Jenis Forecast (p. 75)• Bekerja Dengan Prediktor Legacy (p. 77)

Tertimbang Kuantil Rugi (WQL)Metrik Weighted Quantile Loss (wQL) mengukur keakuratan model pada kuantil yang ditentukan. Halini sangat berguna ketika ada biaya yang berbeda untuk meremehkan dan overpredicting. Denganmenetapkan berat (τ) dari fungsi wQL, Anda dapat secara otomatis memasukkan hukuman yang berbedauntuk meremehkan dan overpredicting.

Fungsi kerugian dihitung sebagai berikut.

Dengan:

τ- kuantil di set {0.01, 0.02,..., 0.99}

qi,t(τ)- quantile yang diprediksi model.

yi,t- nilai yang diamati pada titik (i, t)

Kuantil (τ) untuk wQL dapat berkisar dari 0,01 (P1) sampai 0,99 (P99). Metrik wQL tidak dapat dihitunguntuk perkiraan rata-rata.

Secara default, Forecast menghitung wQL di0.1(P10),0.5(P50), dan0.9(P90).

• P10 (0,1)- Nilai sebenarnya diperkirakan akan lebih rendah dari perkiraan nilai 10% dari waktu.• P50 (0,5)- Nilai sebenarnya diperkirakan akan lebih rendah dari perkiraan nilai 50% dari waktu. Ini juga

dikenal sebagai prakiraan rata-rata.• P90 (0,9)- Nilai sebenarnya diharapkan lebih rendah dari nilai yang diprediksi 90% dari waktu.

Secara eceran, biaya kekurangan stok seringkali lebih tinggi daripada biaya kelebihan stok, dan peramalandi P75 (τ= 0,75) bisa lebih informatif daripada peramalan di kuantil median (P50). Dalam kasus ini, wQL[0,75] memberikan bobot penalti yang lebih besar untuk meremehkan (0,75) dan bobot penalti yang lebihkecil untuk overforecasting (0.25).

70

Amazon Forecast Panduan DeveloperTertimbang Absolute Persentase Kesalahan (WAPE)

Gambar di atas menunjukkan perkiraan permintaan yang berbeda di wQL [0,50] dan wQL [0,75]. Nilaiyang diperkirakan di P75 secara signifikan lebih tinggi dari nilai perkiraan di P50 karena perkiraan P75diperkirakan akan memenuhi permintaan 75% dari waktu, sedangkan perkiraan P50 hanya diharapkanuntuk memenuhi permintaan 50% dari waktu.

Ketika jumlah nilai yang diamati atas semua item dan poin waktu adalah sekitar nol di jendela backtestdiberikan, ekspresi kerugian kuantil tertimbang tidak terdefinisi. Dalam kasus ini, Forecast output kerugiankuantil tertimbang, yang merupakan pembilang dalam ekspresi wQL.

Forecast juga menghitung rata-rata wQL, yang merupakan nilai rata-rata kerugian kuantil tertimbang atassemua kuantil yang ditentukan. Secara default, ini akan menjadi rata-rata wQL0.10], wQL [0.50], dan wQL[0.90].

Tertimbang Absolute Persentase Kesalahan (WAPE)The Weighted Absolute Persentase Error (WAPE) mengukur deviasi keseluruhan nilai yang diperkirakandari nilai-nilai yang diamati. WAPE dihitung dengan mengambil jumlah nilai yang diamati dan jumlahnilai yang diprediksi, dan menghitung kesalahan antara kedua nilai tersebut. Nilai yang lebih rendahmenunjukkan model yang lebih akurat.

Ketika jumlah nilai yang diamati untuk semua poin waktu dan semua item adalah sekitar nol di jendelabacktest diberikan, tertimbang ekspresi kesalahan persentase absolut tidak terdefinisi. Dalam kasus ini,Forecast output unweighted jumlah kesalahan absolut, yang merupakan pembilang dalam ekspresi WAPE.

71

Amazon Forecast Panduan DeveloperAkar Berarti Lapangan Kesalahan (RMSE)

Dengan:


ŷi,t- nilai yang diprediksi pada titik (i, t)

Forecast menggunakan perkiraan rata-rata sebagai nilai yang diprediksi, dlli,t.

WAPE lebih kuat untuk outlier dari Root Mean Square Error (RMSE) karena menggunakan kesalahanabsolut bukan kesalahan kuadrat.

Amazon Forecast sebelumnya disebut metrik WAPE sebagai Mean Absolute Persentase Error (MAPE)dan menggunakan perkiraan median (P50) sebagai nilai yang diprediksi. Forecast sekarang menggunakanperkiraan rata-rata untuk menghitung WAPE. Metrik wQL [0.5] setara dengan metrik WAPE [median],seperti yang ditunjukkan di bawah ini:

Akar Berarti Lapangan Kesalahan (RMSE)Root Mean Square Error (RMSE) adalah akar kuadrat dari rata-rata kesalahan kuadrat, dan karena itu lebihsensitif terhadap outlier daripada metrik akurasi lainnya. Nilai yang lebih rendah menunjukkan model yanglebih akurat.

Dengan:


ŷi,t- nilai yang diprediksi pada titik (i, t)

nT - jumlah titik data dalam satu set pengujian

Forecast menggunakan perkiraan rata-rata sebagai nilai yang diprediksi, dlli,t. Saat menghitung metrikprediktor, nT adalah jumlah titik data di jendela backtest.

RMSE menggunakan nilai kuadrat dari residu, yang memperkuat dampak outlier. Dalam kasuspenggunaan di mana hanya beberapa kesalahpahaman besar yang bisa sangat mahal, RMSE adalahmetrik yang lebih relevan.

Prediktor dibuat sebelum 11 November 2020 dihitung RMSE menggunakan 0.5 kuantil (P50) secaradefault. Forecast sekarang menggunakan perkiraan rata-rata.

Berarti Kesalahan Persentase Absolute (MAPE)Mean Absolute Persentase Error (MAPE) mengambil nilai absolut dari kesalahan persentase antara nilai-nilai yang diamati dan diprediksi untuk setiap unit waktu, maka rata-rata nilai-nilai tersebut. Nilai yang lebihrendah menunjukkan model yang lebih akurat.

72

Amazon Forecast Panduan DeveloperBerarti Kesalahan Scaled Absolute (MASE)

Dengan:

SEBUAHt- nilai yang diamati pada titikt

Ft- nilai yang diprediksi pada titikt

n - jumlah titik data dalam rangkaian waktu

Forecast menggunakan perkiraan rata-rata sebagai nilai yang diprediksi, Ft.

MAPE berguna untuk kasus di mana nilai-nilai berbeda secara signifikan antara titik waktu dan outliermemiliki dampak yang signifikan.

Berarti Kesalahan Scaled Absolute (MASE)Berarti Absolute Scaled Error (MASE) dihitung dengan membagi kesalahan rata-rata dengan faktorpenskalaan. Faktor penskalaan ini tergantung pada nilai musiman,m, yang dipilih berdasarkan frekuensiperkiraan. Nilai yang lebih rendah menunjukkan model yang lebih akurat.

Dengan:

Yt- nilai yang diamati pada titikt

Yt-m- nilai yang diamati pada titikt-m

ej- kesalahan pada titikJ(nilai yang diamati - nilai yang diprediksi)

m - nilai musiman

Forecast menggunakan perkiraan rata-rata sebagai nilai yang diprediksi.

MASE sangat ideal untuk dataset yang bersifat siklis atau memiliki sifat musiman. Misalnya, peramalanuntuk item yang diminati selama musim panas dan permintaan rendah selama musim dingin dapatmemperoleh manfaat dari memperhitungkan dampak musiman.

Mengekspor MetrikNote

Ekspor file dapat langsung mengembalikan informasi dari Dataset Impor. Hal ini membuat filerentan terhadap injeksi CSV jika data yang diimpor berisi rumus atau perintah. Untuk alasan ini,file yang diekspor dapat meminta peringatan keamanan. Untuk menghindari aktivitas berbahaya,nonaktifkan tautan dan makro saat membaca file yang diekspor.

Forecast memungkinkan Anda untuk mengekspor nilai perkiraan dan metrik akurasi yang dihasilkanselama pengujian ulang.

Anda dapat menggunakan ekspor ini untuk mengevaluasi item tertentu pada titik waktu tertentu dan kuantil,dan lebih memahami prediktor Anda. Ekspor backtest dikirim ke lokasi S3 tertentu dan berisi dua folder:

73

Amazon Forecast Panduan DeveloperMengekspor Metrik

• nilai yang diramalkan: Berisi file CSV dengan nilai perkiraan pada setiap jenis perkiraan untuk setiapbacktest.

• akurasi-metrik-nilai: Berisi file CSV dengan metrik untuk setiap backtest, bersama dengan rata-rata disemua backtests. Metrik ini termasuk wQL untuk setiap kuantil, Rata-rata wQL, RMSE, MASE, MAPE,dan WAPE.

Parameterforecasted-valuesfolder berisi nilai perkiraan pada setiap jenis perkiraan untuk setiapjendela backtest. Ini juga mencakup informasi tentang ID item, dimensi, cap waktu, nilai target, danbacktest awal jendela dan waktu akhir.

Parameteraccuracy-metrics-valuesfolder berisi metrik akurasi untuk setiap jendela backtest, sertametrik rata-rata di semua jendela backtest. Ini berisi metrik wQL untuk setiap kuantil yang ditentukan, sertametrik rata-rata wQL, RMSE, MASE, MAPE, dan WAPE.

File dalam kedua folder mengikuti konvensipenamaan:<ExportJobName>_<ExportTimestamp>_<PartNumber>.csv.

Anda dapat mengekspor metrik akurasi menggunakan Amazon Forecast Software Development Kit (SDK)dan konsol Amazon Forecast.

Forecast SDK

MenggunakanCreatePredictorBacktestExportJob (p. 243)operasi, tentukanlokasi S3 Anda dan peran IAM diDataDestination (p. 360)objek, bersamadenganPredictorArndanPredictorBacktestExportJobName.

Misalnya:

{ "Destination": { "S3Config": { "Path": "s3://bucket/example-path/", "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole" } }, "PredictorArn": "arn:aws:forecast:region:predictor/example", "PredictorBacktestExportJobName": "backtest-export-name",}

Forecast Console

Pilih prediktor Anda padaPrediktorhalaman. DiMetrik prediktorbagian, pilihEkspor hasil.

Selama masaBuat prediktor backtest eksporpanggung, mengaturNama,IAM Role, danS3 prediktorbacktest lokasi eksporbidang.

74

Amazon Forecast Panduan DeveloperJenis Forecast

Jenis ForecastAmazon Forecast menggunakan jenis perkiraan untuk membuat prediksi dan mengevaluasi prediktor. JenisForecast ada dalam dua bentuk:

• Jenis prakiraan- Perkiraan menggunakan rata-rata sebagai nilai yang diharapkan. Biasanya digunakansebagai perkiraan titik untuk titik waktu tertentu.

• Jenis prakiraan- Sebuah perkiraan pada kuantil tertentu. Biasanya digunakan untuk memberikan intervalprediksi, yang merupakan rentang nilai yang mungkin untuk memperhitungkan ketidakpastian perkiraan.Misalnya, perkiraan di0.65kuantil akan memperkirakan nilai yang lebih rendah dari nilai yang diamati65% dari waktu.

75

Amazon Forecast Panduan DeveloperJenis Forecast

Secara default, Forecast menggunakan nilai berikut untuk jenis prakiraan prediktor:0.1 (P10),0.5(P50),dan0.9(P90). Anda dapat memilih hingga lima jenis prakiraan khusus, termasukmeandan kuantil mulaidari0.01(P1) untuk0.99(P99).

Kuantil dapat memberikan batas atas dan bawah untuk perkiraan. Misalnya, menggunakan jenisperkiraan0.1(P10) dan0.9(P90) menyediakan berbagai nilai yang dikenal sebagai interval kepercayaan80%. Nilai yang diamati diperkirakan lebih rendah dari nilai P10 10% dari waktu, dan nilai P90 diperkirakanlebih tinggi dari nilai yang diamati 90% dari waktu. Dengan menghasilkan prakiraan di p10 dan P90,Anda dapat mengharapkan nilai sebenarnya jatuh di antara batas-batas 80% dari waktu. Rentang nilai inidigambarkan oleh wilayah yang teduh antara P10 dan P90 pada gambar di bawah ini.

Anda juga dapat menggunakan perkiraan kuantil sebagai perkiraan titik ketika biaya meremehkan berbedadari biaya overpredicting. Misalnya, dalam beberapa kasus ritel biaya kekurangan stok lebih tinggi daripadabiaya kelebihan stok. Dalam kasus ini, perkiraan di 0,65 (P65) lebih informatif daripada perkiraan median(P50) atau rata-rata.

Saat melatih prediktor, Anda dapat memilih jenis perkiraan khusus menggunakan Amazon ForecastSoftware Development Kit (SDK) dan konsol Amazon Forecast.

Forecast SDK

MenggunakanCreateAutoPredictor (p. 200)operasi, tentukan jenis perkiraan kustomdiForecastTypesparameter. Memformat parameter sebagai array string.

Sebagai contoh, untuk membuat prediktor di0.01,mean,0.65, dan0.99jenis perkiraan, gunakan kodeberikut.

{ "ForecastTypes": [ "0.01", "mean", "0.65", "0.99" ],},

Forecast Console

Selama masaPrediktortahap, tentukan jenis perkiraan kustom diJenis Forecastbidang. PilihTambahkanjenis prakiraan barudan masukkan nilai jenis perkiraan.

Misalnya, untuk membuat prediktor menggunakan0.01,mean,0.65, dan0.99jenis prakiraan,masukkan nilai berikut dalamJenis Forecastbidang yang ditunjukkan di bawah ini.

76

Amazon Forecast Panduan DeveloperBekerja Dengan Prediktor Legacy

Bekerja Dengan Prediktor LegacyPengaturan Parameter BacktestingForecast menggunakan backtesting untuk menghitung metrik akurasi. Jika Anda menjalankan beberapabacktests, Forecast rata-rata setiap metrik atas semua jendela backtest. Secara default, Forecastmenghitung satu backtest, dengan ukuran jendela backtest (set pengujian) sama dengan panjang horizonperkiraan (jendela prediksi). Anda dapat mengatur keduapanjang jendeladanjumlah skenario backtestsaatmelatih prediktor.

Forecast menghilangkan nilai-nilai diisi dari proses backtesting, dan setiap item dengan nilai-nilai diisidalam jendela backtest diberikan akan dikecualikan dari backtest itu. Hal ini karena Forecast hanyamembandingkan nilai yang diperkirakan dengan nilai-nilai yang diamati selama backtesting, dan nilai-nilaidiisi tidak nilai-nilai diamati.

Jendela backtest harus setidaknya sebesar cakrawala perkiraan, dan lebih kecil dari setengah panjangseluruh dataset seri waktu target. Anda dapat memilih dari antara 1 dan 5 backtests.

77


Umumnya, meningkatkan jumlah backtests menghasilkan metrik akurasi yang lebih andal, karena sebagianbesar rangkaian waktu digunakan selama pengujian dan Forecast mampu mengambil rata-rata metrik disemua backtests.

Anda dapat mengatur parameter backtesting menggunakan Amazon Forecast Software Development Kit(SDK) dan konsol Amazon Forecast.

Forecast SDK

MenggunakanCreatePredictor (p. 235)operasi, mengatur parameter backtestdiEvaluasiParameter (p. 371)tipe data. Tentukan panjang pengujian yang ditetapkan selamabacktesting denganBackTestWindowOffsetparameter, dan jumlah jendela backtestdenganNumberOfBacktestWindowsparameter.

Misalnya, untuk menjalankan 2 backtests dengan satu set pengujian 10 poin waktu, gunakan kodeikuti.

"EvaluationParameters": { "BackTestWindowOffset": 10, "NumberOfBacktestWindows": 2}

Forecast Console

Selama masaPrediktortahap, mengatur panjang pengujian set selama backtesting denganOffsetjendelalapangan, dan jumlah jendela backtest denganJumlah jendela backtestbidang.

Misalnya, untuk menjalankan 2 backtests dengan satu set pengujian 10 poin waktu, atur nilai berikut.

78


HPO dan AutoMLSecara default, Amazon Forecast menggunakan0.1(P10),0.5(P50), dan0.9(P90) kuantil untukpenyetelan hyperparameter selama optimasi hyperparameter (HPO) dan untuk pemilihan model selamaAutoML. Jika Anda menentukan jenis perkiraan khusus saat membuat prediktor, Forecast menggunakanjenis perkiraan tersebut selama HPO dan AutoML.

Jika jenis perkiraan khusus ditentukan, Forecast menggunakan jenis perkiraan yang ditentukan tersebutuntuk menentukan hasil optimal selama HPO dan AutoML. Selama HPO, Forecast menggunakan jendelabacktest pertama untuk menemukan nilai hyperparameter yang optimal. Selama AutoML, Forecastmenggunakan rata-rata di semua jendela backtest dan nilai hyperparameters optimal dari HPO untukmenemukan algoritma yang optimal.

Untuk AutoML dan HPO, Forecast memilih opsi yang meminimalkan kerugian rata-rata atas jenis perkiraan.Anda juga dapat mengoptimalkan prediktor selama AutoML dan HPO dengan salah satu metrik akurasiberikut: Rata-rata kehilangan kuantil tertimbang (rata-rata wQL), Tertimbang Absolute PersentaseKesalahan (WAPE), Root Mean Squared Error (RMSE), Mean Absolute Persentase Error (MAPE), atauMean Absolute Scaled Error (MASE

Anda dapat memilih metrik pengoptimalan menggunakan Amazon Forecast Software Development Kit(SDK) dan konsol Amazon Forecast.

Forecast SDK

MenggunakanCreatePredictor (p. 235)operasi, tentukan jenis perkiraan kustomdiObjectiveMetricparameter.

ParameterObjectiveMetricparameter menerima nilai berikut:

• AverageWeightedQuantileLoss- Rata-rata kehilangan kuantil tertimbang• WAPE- Tertimbang Absolute Persentase Kesalahan• RMSE- Akar Berarti Kesalahan Squared• MAPE- Berarti Persentase Absolute• MASE- Berarti Kesalahan Scaled Absolute

Misalnya, untuk membuat prediktor dengan AutoML dan optomize menggunakan metrik akurasi MeanAbsolute Scaled Error (MASE), gunakan kode berikut.

{ ... "PerformAutoML": "true", ... "ObjectiveMetric": "MASE",},

Forecast Console

Selama masaPrediktortahap, pilihOtomatis (AutoML). DiMetrik tujuanBagian, pilih metrik akurasi yangakan digunakan untuk optomize prediktor Anda.

Misalnya, gambar berikut menunjukkan prediktor yang dibuat dengan AutoML dan optomizedmenggunakan metrik akurasi Mean Absolute Scaled Error (MASE).

Jika menggunakan konsol, Anda hanya dapat menentukan metrik Objective saat Anda membuatprediktor menggunakan AutoML. Jika Anda memilih algoritma secara manual, Anda tidak dapatmenentukan metrik Objective untuk HPO.

79

Amazon Forecast Panduan DeveloperRetraining Prediktor

Retraining PrediktorNote

Pelatihan ulang hanya tersedia untuk prediktor yang dibuat dengan AutoPredictor(CreateAutoPredictor (p. 200)). Anda dapat meng-upgrade prediktor warisan yang ada keAutoPredictor. Lihat the section called “Mengupgrade keAutoPredictor” (p. 66).

Prediktor dapat dipertahankan dengan dataset diperbarui untuk menjaga prediktor Anda up to date. Saatmelatih ulang prediktor, Amazon Forecast mempertahankan pengaturan konfigurasi prediktor yang sama.Setelah pelatihan ulang, prediktor asli akan tetap aktif dan prediktor dilatih akan memiliki ARN Prediktorterpisah.

Pelatihan ulang prediktor dapat meningkatkan akurasi peramalan dalam dua cara:

1. Lebih banyak data saat ini: Prediktor terlatih ulang Anda akan menggabungkan data yang lebih mutakhirsaat melatih model.

2. Perbaikan prediktor: Prediktor terlatih ulang Anda akan menggabungkan pembaruan dan perbaikandalam algoritma Amazon Forecast dan set data tambahan.

Pelatihan ulang prediktor bisa sampai 50% lebih cepat daripada membuat prediktor baru dari awal. Waktupelatihan prediktor lebih cepat dan Forecast secara otomatis menggunakan pengaturan konfigurasi yangada.

Notebook Python

Untuk panduan langkah demi langkah tentang prediktor pelatihan ulang, lihatPelatihan ulangprediktor.

Anda dapat melatih kembali prediktor menggunakan Software Development Kit (SDK) atau konsol AmazonForecast.

Console

Untuk melatih prediktor


2. Di panel navigasi, pilihPrediktor.3. Pilih prediktor untuk melatih.4. DiTindakan prediktordrop-down, pilihMelatih.5. Menetapkan nama unik untuk prediktor upgrade.6. PilihMelatih kembali prediktor.

SDK

Untuk melatih prediktor

MenggunakanCreateAutoPredictor (p. 200)operasi, menetapkan prediktor nama yang unik danmenetapkan nilaiReferencePredictorArnke prediktor yang ingin Anda latih kembali.

{ "PredictorName": "RetrainedPredictor", "ReferencePredictorArn": "arn:aws:forecast:us-west-2:938097332257:predictor/OriginalPredictor"

80





Amazon Forecast Panduan DeveloperIndeks cuaca

}

Saat melatih ulang prediktor, tetapkan nilai kehanyaPredictorNamedanReferencePredictorArnparameter.

Indeks cuacaAmazon Forecast Weather Index adalah featurisasi bawaan yang menggabungkan informasi cuaca historisdan proyeksi ke dalam model Anda. Hal ini terutama berguna untuk kasus penggunaan ritel, di mana suhudan curah hujan dapat secara signifikan mempengaruhi permintaan produk.

Ketika Indeks Cuaca diaktifkan, Forecast menerapkan featurisasi cuaca hanya untuk seri waktu di manaia menemukan peningkatan akurasi selama pelatihan prediktor. Jika melengkapi rangkaian waktu denganinformasi cuaca tidak meningkatkan akurasi prediktifnya selama backtesting, Forecast tidak menerapkanIndeks Cuaca ke rangkaian waktu tertentu.

Untuk menerapkan Indeks Cuaca, Anda harus menyertakanatribut geolokasi (p. 82)dalam datasetseri waktu target Anda dan setiap set data seri waktu terkait. Anda juga perlu menentukanzonawaktu (p. 95)untuk stempel waktu seri waktu target Anda. Untuk informasi lebih lanjut mengenaipersyaratan dataset, lihatKondisi dan Pembatasan (p. 100).

Notebook Python

Untuk panduan langkah demi langkah untuk menggunakan Indeks Cuaca, lihatNY Taksi: AmazonForecast dengan Indeks Cuaca.

Topik• Mengaktifkan Indeks Cuaca (p. 81)• Menambahkan Informasi Geolokasi ke Dataset (p. 82)• Zona waktu (p. 95)• Kondisi dan Pembatasan (p. 100)

Mengaktifkan Indeks CuacaIndeks Cuaca diaktifkan selama tahap pelatihan prediktor. SaatmenggunakanCreateAutoPredictor (p. 200)operasi, Indeks Cuaca termasukdalamAdditionalDataSet (p. 351)tipe data.

Sebelum mengaktifkan Indeks Cuaca, Anda harus menyertakan atribut geolokasi dalam rangkaian waktutarget dan datset data timeseries terkait, dan menentukan zona waktu untuk cap waktu Anda. Untukinformasi selengkapnya, lihatMenambahkan Informasi Geolokasi (p. 82)danZona waktu (p. 95).

Anda dapat mengaktifkan Indeks Cuaca menggunakan Forecast console atau Forecast SoftwareDevelopment Kit (SDK).

Console

Untuk mengaktifkan Indeks Cuaca


2. FromGrup Set Data, pilih grup dataset Anda.

81





Amazon Forecast Panduan DeveloperMenambahkan Informasi Geolokasi ke Dataset

3. Di panel navigasi, pilihPrediktor.4. MemiilihMelatih prediktor baru.5. MemiilihAktifkan Indeks Cuaca.

SDK

Untuk mengaktifkan Indeks Cuaca

MenggunakanCreateAutoPredictor (p. 200)operasi, mengaktifkan Indeks Cuaca denganmenambahkan"Name": "weather"dan"Value": "true"diAdditionalDataSet (p. 351)tipe data.

"DataConfig": { ... "AdditionalDatasets": [ ... { "Name": "weather", } ] },

Menambahkan Informasi Geolokasi ke DatasetUntuk menggunakan Indeks Cuaca, Anda harus menyertakan atribut geolokasi untuk setiap item dalam seriwaktu target dan set data seri waktu terkait. Atribut didefinisikan dengangeolocationjenis atribut dalamskema dataset.

Semua nilai geolokasi dalam dataset harus secara eksklusif dalam satu wilayah. Daerah-daerah adalah:AS (tidak termasuk Hawaii dan Alaska), Kanada, Amerika Selatan, Amerika Tengah, Asia Pasifik, Eropa,dan Afrika & Timur Tengah.

Tentukan atribut geolokasi dalam salah satu dari dua format:

• Garis Lintang & Bujur(Semua wilayah) - Tentukan garis lintang dan bujur dalam format desimal (Contoh:47.61_-122.33)

• Kode Pos(Hanya AS) - Tentukan kode negara (AS), diikuti dengan kode pos 5 digit (Contoh: US_98121)

Format Latitude & Longitude didukung untuk semua wilayah. Format kode pos hanya didukung untukwilayah AS.

Topik• Batas Lintang & Bujur (p. 82)• Termasuk Geolokasi dalam Skema Dataset (p. 92)• Mengatur Format Geolokasi (p. 93)

Batas Lintang & BujurBerikut ini adalah batas lintang dan longitudinal untuk daerah yang diterima:

US Region

Batas: garis lintang (24.6, 50,0), bujur (-126,0, -66.4).

82


Canada Region

Batas: lintang (41.0, 75,0), bujur (-142,0, -52.0).

83


84


Europe Region

Batas: garis lintang (34,8, 71,8), bujur (-12,6, 44,8).

85


86


South America Region

Batas: lintang (-56,6, 14.0), bujur (-82,4, -33.00).

87


88


Asia Pacific Region

Batas: garis lintang (-47,8, 55,0), bujur (67,0, 180,60).

89


90


Central America Region

Batas: garis lintang (6.80, 33.20), bujur (-118,80, -58,20).

Africa & Middle East Region

Batas: lintang (-35,60, 43.40), bujur (-18.80, -58,20).

91


Termasuk Geolokasi dalam Skema DatasetMenggunakan konsol atauCreateDataset (p. 206)operasi, menentukan jenis atribut lokasi sebagai'geolokasi' dalam skema JSON untuk seri waktu target dan setiap seri waktu terkait. Atribut dalam skemaharus dipesan seperti yang muncul di dataset.

{ "Attributes":[

92


{ "AttributeName": "timestamp", "AttributeType": "timestamp" }, { "AttributeName": "target_value", "AttributeType": "float" }, { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "location", "AttributeType": "geolocation" } ]}

Mengatur Format GeolokasiFormat atribut geolokasi bisa diKode PosatauGaris Lintang & Bujurformat. Anda dapat mengatur formatgeolokasi menggunakan Forecast console atau Forecast Software Development Kit (SDK).

Console

Untuk menambahkan atribut geolokasi ke dataset seri waktu


2. MemiilihBuat grup set data.3. DiPembangun skema, atur geolokasi AndaJenis atributkepadageolocation.4. DiFormat geolookasidrop-down, pilih format lokasi Anda.

93




94

Amazon Forecast Panduan DeveloperZona waktu

Anda juga dapat menentukan atribut Anda dalam format JSON dan memilih format lokasi dariFormatgeolokasidrop-down.

SDK

Untuk menambahkan atribut geolokasi ke dataset seri waktu

MenggunakanCreateDatasetImportJob (p. 214)operasi, mengatur nilaiGeolocationFormatkesalah satu dari berikut:

• Garis Lintang & Bujur(Semua wilayah):"LAT_LONG"• Kode Pos(Hanya AS):"CC_POSTALCODE"

Misalnya, untuk menentukan format garis lintang & bujur, sertakan yang berikutiniCreateDatasetImportJobpermintaan:

{ ... "GeolocationFormat": "LAT_LONG"}

Zona waktuAnda dapat membiarkan Amazon Forecast secara otomatis menyinkronkan informasi zona waktu Andadengan atribut geolokasi Anda, atau Anda dapat menetapkan zona waktu tunggal secara manual keseluruh kumpulan data Anda.

Topik• Sinkronkan Zona Waktu secara Otomatis dengan Geolokasi (p. 95)• Pilih Zona Waktu Tunggal Secara Manual (p. 97)

Sinkronkan Zona Waktu secara Otomatis dengan GeolokasiOpsi ini sangat ideal untuk dataset yang berisi stempel waktu di beberapa zona waktu, dan stempel waktutersebut dinyatakan dalam waktu setempat. Forecast memberikan zona waktu untuk setiap item dalamdataset seri waktu target berdasarkan atribut geolokasi item.

Anda dapat secara otomatis menyinkronkan cap waktu Anda dengan atribut geolokasi menggunakanForecast console atau Forecast SDK.

Console

Menyinkronkan zona waktu dengan atribut geolokasi


2. Di panel navigasi, pilihBuat grup set data.3. MasukDetail impor set data, pilihSinkronkan zona waktu dengan lokasi.

95




SDK

Menyinkronkan zona waktu dengan atribut geolokasi

MenggunakanCreateDatasetImportJob (p. 214)operasi,mengatur"UseGeolocationForTimeZone"kepada"true".

{ ... "UseGeolocationForTimeZone": "true"}

96


Pilih Zona Waktu Tunggal Secara ManualNote

Anda dapat memilih zona waktu secara manual di luarWilayah AS,Region Kanada,AmerikaSelatan,Amerika Tengah,Wilayah Asia Pasifik,Eropa, danAfrika & Timur Tengah. Namun, semuanilai geolokasi masih harus berada dalam salah satu wilayah tersebut.

Opsi ini sangat ideal untuk dataset dengan semua cap waktu dalam satu zona waktu, atau jika semua capwaktu dinormalisasi ke zona waktu tunggal. Menggunakan opsi ini menerapkan zona waktu yang samauntuk setiap item dalam dataset.

Indeks Cuaca menerima zona waktu berikut:

Wilayah AS

• Amerika/Los_Angeles• Amerika/Phoenix• Amerika/Denver• Amerika/Chicago• Amerika/New York

Region Kanada

• Amerika/Vancouver• Amerika/Edmonton• Amerika/Regina• Amerika Winnipeg• Amerika/Toronto• Amerika Halifax• Amerika/St_Johns

Eropa

• Eropa/London• Eropa/Paris• Eropa/Helsinki

Amerika Selatan

• Amerika/Buenos_Aires• Amerika/Noronha• Amerika/Caracas

Wilayah Asia Pasifik

• Asia/Kabul• Asia/Karachi• Asia/Kolkata• Asia/Kathmandu• Asia/Dhaka• Asia/Rangun• Asia/Bangkok• Asia/Singapura• Asia/Seoul• Australia/Adelaide

97


• Australia/Melbourne• Australia/Lord_Howe• Australia/Eucla• Pasifik/Norfolk• Pasifik/Auckland

Amerika Tengah

• Amerika/Puerto_Rico

Afrika & Timur Tengah

• Afrika/Nairobi• Asia/Teheran• Asia/Dubai

Lainnya

• Pasifik/Midway• Pasifik/Honolulu• Pasifik/Marquesas• Amerika/Anchorage• Atlantik/Cape_Verde• Asia/Anadyr• Pasifik/Chatham• Pasifik/Enderbury• Pasifik/Kiritimati

Pilih zona waktu dariLainnyadaftar jika item dalam dataset Anda berada dalam salah satu wilayah yangditerima, tetapi stempel waktu Anda distandarisasi ke zona waktu di luar wilayah tersebut.

Untuk daftar lengkap nama zona waktu yang valid, lihatPerpustakaan Joda-Time.

Anda dapat secara manual mengatur zona waktu untuk dataset Anda menggunakan Forecast console atauForecast SDK.

Console

Untuk memilih zona waktu tunggal untuk set data


2. Di panel navigasi, pilihBuat grup set data.3. MasukDetail impor set data, pilihPilih zona waktu.

Misalnya, gunakan yang berikut ini untuk menerapkan waktu Los Angeles (Waktu Standar Pasifik) kedataset Anda.

98

http://joda-time.sourceforge.net/timezones.html




SDK

Untuk memilih zona waktu tunggal untuk set data

MenggunakanCreateDatasetImportJob (p. 214)operasi, mengatur"TimeZone"ke zona waktu yangvalid.

Misalnya, gunakan yang berikut ini untuk menerapkan waktu Los Angeles (Waktu Standar Pasifik) kedataset Anda.

99

Amazon Forecast Panduan DeveloperKondisi dan Pembatasan

{ ... "TimeZone": "America/Los_Angeles"}

Kondisi dan PembatasanKondisi dan pembatasan berikut berlaku saat menggunakan Indeks Cuaca:

• Algoritme yang tersedia: Jika menggunakan prediktor warisan, Indeks Cuaca dapat diaktifkan ketikaAnda melatih prediktor dengan algoritma CNN-QR, DeepAr+, dan Nabi. Indeks Cuaca tidak diterapkanpada ARIMA, ETS, dan NPTS.

• Frekuensi Forecast: Frekuensi perkiraan yang valid1 minute,5 minutes,10 minutes,15minutes,30 minutes,Hourly, danDaily.

• Forecast cakrawala: Perkiraan cakrawala tidak dapat menjangkau lebih dari 14 hari ke depan. Untukbatas horizon perkiraan untuk setiap frekuensi perkiraan, lihat daftar di bawah ini:• 1 minute- 500• 5 minutes- 500• 10 minutes- 500• 15 minutes- 500• Hourly- 330• Daily- 14

• Panjang seri waktu: Ketika melatih model dengan Indeks Cuaca, Forecast memotong semua set dataseri waktu dengan cap waktu sebelum tanggal mulai dari dataset cuaca Forecast featurazation. TheForecastweather dataset featurazation berisi tanggal mulai berikut:• Wilayah AS: 2 Juli 2018• Eropa: 2 Juli 2018• Region Kanada: 2 Juli 2019• Amerika Selatan: 2 Januari 2020• Amerika Tengah: 2 September 2020• Wilayah Asia Pasifik: 2 Mei 2020• Afrika & Timur Tengah: 25 Maret 20201

Dengan Indeks Cuaca diaktifkan, datapoints dengan cap waktu sebelum tanggal mulai tidak akandigunakan selama pelatihan prediktor.

• Jumlah lokasi: Dataset seri waktu target tidak dapat melebihi 2000 lokasi unik.• Batas wilayah: Semua item dalam set data Anda harus berada dalam satu wilayah.• Panjang seri waktu minimum: Karena persyaratan data tambahan saat menguji Indeks Cuaca, panjang

minimum untuk dataset seri waktu adalah:

3 × ForecastHorizon + (BacktestWindows + 1) × BacktestWindowOffset

Jika dataset seri waktu Anda tidak memenuhi persyaratan ini, pertimbangkan untuk mengurangi halberikut:• ForecastHorizon- Mempersingkat cakrawala perkiraan Anda.• BacktestWindowOffset- Mempersingkat panjang pengujian yang ditetapkan selama backtesting.• BacktestWindows- Kurangi jumlah backtests.

100

Amazon Forecast Panduan DeveloperFeatuurisasi Liburan

Featuurisasi LiburanHolidays adalah featurization built-in yang menggabungkan dataset fitur direkayasa informasi hari liburnasional ke dalam model Anda. Ini memberikan dukungan asli untuk kalender liburan 66 negara. Untukmelihat kalender liburan, lihatPustaka Jollyday.

The Holidays featurization sangat berguna dalam domain ritel, di mana hari libur dapat secara signifikanmempengaruhi permintaan.

Topik• Mengaktifkan Featuurisasi Liburan (p. 101)• Kode Negara (p. 102)• Kalender Liburan Tambahan (p. 104)

Mengaktifkan Featuurisasi LiburanThe Holidays featurization termasuk dalam Amazon Forecast sebagaiSet Data Tambahan (p. 351), dandiaktifkan sebelum melatih prediktor. Setelah Anda memilih negara, Liburan menerapkan kalender liburannegara tersebut ke setiap item dalam dataset Anda selama pelatihan.

Anda dapat mengaktifkan Liburan menggunakan konsol Amazon Forecast atau Forecast SoftwareDevelopment Kit (SDK).

Forecast SDK

MenggunakanCreateAutoPredictor (p. 200)operasi, aktifkan Liburan denganmenambahkan"Name": "holiday“dan pengaturan"Configuration"untukmemetakan"CountryCode"kode negara dua huruf. Lihat the section called “Kode Negara” (p. 102).

Misalnya, untuk menyertakan kalender liburan AS, gunakan kode berikut.

"DataConfig": { "AdditionalDatasets": [ { "Name": "holiday", "Configuration": { "CountryCode" : ["US"] } }, ] },

Forecast Console

Pilih negara dariNegara untuk Liburandrop-down selamaPrediktor Keretatahap.

101

http://jollyday.sourceforge.net/data.html

Amazon Forecast Panduan DeveloperKode Negara

Kode NegaraAmazon Forecast menyediakan dukungan asli untuk kalender hari libur umum dari negara-negara berikut.MenggunakanKode Negarasaat menentukan negara dengan API.

Negara Didukung

Negara Kode Negara

Albania “AL”

Argentina “AR”

Austria “DI”

Australia “AU”

Bosnia dan Herzegovina “BA”

Belgium “MENJADI”

Bulgaria “BG”

Bolivia “BO”

Brazil “BR”

Belarus “OLEH”

Canada “CA”

Chili “CL”

Kolombia “CO”

Kosta Rika “CR”

Croatia “JAM”

Czech Republic “CZ”

Denmark “DK”

Ekuador “EC”

Estonia “EE”

Etiopia “ET”

Finland “FI”

France “FR”

Germany “DE”

Greece “GR”

Hungary “HU”

Islandia “ADALAH”

India “DI”

102

Amazon Forecast Panduan DeveloperKode Negara

Negara Kode Negara

Ireland “YAITU”

Italy “ITU”

Jepang “JP”

Kazakstan “KZ”

Korea “KR”

Latvia “LV”

Liechtenstein “LI”

Lithuania “LT”

Luxembourg “LU”

Makedonia “MK”

Malta “MT”

Meksiko “MX”

Moldova “MD”

Montenegro “AKU”

Netherlands “NL”

Selandia Baru “NZ”

Nikaragua “NI”

Nigeria “NG”

Norwegia “TIDAK”

Panama “PA”

Paraguay “PY”

Peru “PE”

Poland “PL”

Portugal “PT”

Romania “RO”

Rusia “RU”

Serbia “RS”

Slovakia “SK”

Slovenia “SI”

Afrika Selatan “ZA”

Spain “ES”

103

Amazon Forecast Panduan DeveloperKalender Liburan Tambahan

Negara Kode Negara

Sweden “SE”

Swiss “CH”

Ukraina “UA”

Uni Emirat Arab “AE”

Amerika Serikat “KAMI”

Britania Raya “INGGRIS”

Uruguay “UY”

Venezuela “VE”

Kalender Liburan TambahanAmazon Forecast termasuk kalender liburan dariPustaka Jollydaydan juga mendukung liburan untuk India,Korea, dan Uni Emirat Arab. Liburan mereka tercantum di bawah ini.

India - "IN"

26 Januari - Hari Republik

15 Agustus - Hari Kemerdekaan

2 Oktober - Gandhi JayantiKorea - "KR"

1 Januari - Tahun Baru

1 Maret - Hari Gerakan Kemerdekaan

5 Mei - Hari Anak

6 Juni - Hari Peringatan

15 Agustus - Hari Pembebasan

3 Oktober - Hari Yayasan Nasional

9 Oktober - Hari Hangul

25 Desember - Hari NatalUnited Arab Emirates - "AE"

1 Januari - Tahun Baru

1 Desember - Hari Peringatan

2-3 Desember - Hari Nasional

Ramadan*

Idul Fitr*

Idul Adha*

Tahun Baru Islam*

104


Amazon Forecast Panduan DeveloperPrediktor Explainability

*Hari Libur Islam ditentukan oleh siklus bulan.

Prediktor ExplainabilityNote

Prediktor Explainability hanya tersedia untuk prediktor dibuat denganAutoPredictor. Andadapat meng-upgrade prediktor warisan yang adaAutoPredictor. LihatMeng-upgradekeAutoPredictor (p. 66).

Predictor Explainability membantu Anda lebih memahami bagaimana atribut dalam dataset Andamemengaruhi variabel target Anda. Forecast menggunakan metrik yang disebut skor Dampak untukmengukur dampak relatif dari setiap atribut dan menentukan apakah mereka meningkatkan ataumengurangi nilai perkiraan.

Misalnya, pertimbangkan skenario peramalan di mana targetnyasalesdan ada dua atributterkait:pricedancolor. Forecast mungkin menemukan bahwa harga item secara signifikanmempengaruhi penjualan (Skor Dampak tinggi), sedangkan warna item memiliki efek yang dapat diabaikan(skor Dampak rendah).

Untuk mengaktifkan Explainability Predictor, prediktor Anda harus menyertakan setidaknya satu dariberikut: seri waktu terkait, metadata item, atau dataset tambahan seperti Holidays dan Indeks Cuaca.

Untuk membuat skor Dampak untuk rangkaian waktu dan titik waktu tertentu, gunakan ForecastExplainability, bukan Predictor Explainability. LihatForecast Explainability (p. 132).

Topik• Menafsirkan Skor dampak (p. 105)• Membuat Eksplainabilitas Prediktor (p. 106)• Ekspor Prediktor Explainability (p. 108)• Pembatasan dan praktik terbaik (p. 109)

Menafsirkan Skor dampakSkor dampak mengukur atribut dampak relatif terhadap nilai perkiraan. Misalnya, jika atribut 'price' memilikiskor dampak yang dua kali lebih besar dari atribut 'lokasi simpan', Anda dapat menyimpulkan bahwa hargaitem memiliki dua kali dampak pada nilai perkiraan daripada lokasi toko.

Skor dampak juga memberikan informasi tentang apakah atribut meningkatkan atau mengurangi nilaiperkiraan. Di konsol, ini dilambangkan dengan dua grafik. Atribut dengan batang biru meningkatkan nilaiperkiraan, sementara atribut dengan batang merah mengurangi nilai perkiraan.

105

Amazon Forecast Panduan DeveloperMembuat Eksplainabilitas Prediktor

Di konsol, skor Impact berkisar antara 0 hingga 1, di mana skor 0 menunjukkan tidak ada dampak dan skormendekati 1 menunjukkan dampak yang signifikan. Di SDK, skor Impact berkisar antara -1 hingga 1, dimana tanda menunjukkan arah dampaknya.

Penting untuk dicatat bahwa skor Dampak mengukur dampak relatif atribut, bukan dampak absolut. Olehkarena itu, skor Dampak tidak dapat digunakan untuk menentukan apakah atribut tertentu meningkatkanakurasi model. Jika atribut memiliki nilai Dampak rendah, itu tidak berarti bahwa ia memiliki dampak rendahpada nilai perkiraan; itu berarti bahwa ia memiliki dampak yang lebih rendah pada nilai perkiraan daripadaatribut lain yang digunakan oleh prediktor.

Membuat Eksplainabilitas PrediktorNote

Anda dapat membuat maksimal satu Explainability Predictor per prediktor

Saat Anda mengaktifkan Predictor Explainability, Amazon Forecast menghitung skor Dampak untuk semuaatribut dalam set data Anda. Skor Dampak dapat ditafsirkan sebagai atribut dampak pada nilai perkiraankeseluruhan. Anda dapat mengaktifkan Explainability ketika Anda membuat prediktor, atau Anda dapatmengaktifkan fitur setelah membuat prediktor.

Mengaktifkan Prediktor Explainability untuk prediktor baruMengaktifkan Predictor Explainability saat membuat prediktor baru akan membuat sumber daya Prediktordan sumber daya Explainability. Anda dapat mengaktifkan Predictor Explainability untuk prediktor barumenggunakan Software Development Kit (SDK) atau konsol Amazon Forecast.

Console

Untuk mengaktifkan Predictor Explainability


2. FromGrup set data, pilih grup dataset Anda.3. Di panel navigasi, pilihPrediktor.4. PilihMelatih prediktor baru.5. DiKonfigurasi prediktorbagian, pilihMengaktifkan Eksplainability.6. Memberikan nilai untuk bidang wajib berikut:

• Nama- nama prediktor yang unik.• Frekuensi Forecast- granularitas perkiraan Anda.• Forecast cakrawala- Jumlah langkah waktu untuk meramalkan.

7. Pilih Mulai

Python

Untuk mengaktifkan explainability untuk prediktor baru dengan SDK for Python (Boto3),gunakancreate_auto_predictormetode dan setExplainPredictorbenar.

Kode berikut membuat prediktor otomatis yang membuat prediksi untuk 24 (ForecastHorizon)hari (ForecastFrequency) di masa depan, dan memilikiExplainPredictordiatur ke true. Untukinformasi tentang parameter yang diperlukan dan opsional lihatCreateAutoPredictor (p. 200).

import boto3

106



Amazon Forecast Panduan DeveloperMembuat Eksplainabilitas Prediktor

forecast = boto3.client('forecast')

create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 24, ForecastFrequency = 'D', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, ExplainPredictor = True)

Mengaktifkan Prediktor Explainability untuk prediktor yang adaMengaktifkan Predictor Explainability untuk prediktor yang ada akan membuat sumber daya Explainabilityuntuk sumber daya itu. Anda hanya dapat membuat sumber daya Explainability untuk prediktor yang belummengandung sumber daya Explainability. Untuk melihat skor Dampak untuk dataset yang diperbarui, latihulang atau buat ulang prediktor dengan data yang diperbarui.

Anda dapat mengaktifkan Predictor Explainability untuk prediktor baru menggunakan SoftwareDevelopment Kit (SDK) atau konsol Amazon Forecast.

Console

Untuk mengaktifkan Predictor Explainability


2. FromGrup set data, pilih grup dataset Anda.3. Di panel navigasi, pilihPrediktor.4. Pilih prediktor Anda.5. DiPrediktor Explainabilitybagian, pilihMengaktifkan Eksplainability.6. Memberikan nama yang unik untuk Explainability Predictor.7. Pilih Mulai

Python

Untuk mengaktifkan Explainability Predictor untuk prediktor yang ada dengan SDK forPython (Boto3), gunakancreate_explainabilitymetode. Tentukan nama untukexplainability, ARN untuk prediktor, dan untukExplainabilityConfig, mengaturkeduanyaTimePointGranularitydanTimeSeriesGranularitykepadaSEGALA. Untuk membuatvisualisasi Explainability yang dapat dilihat dalam konsol, setelEnableVisualizationkepadaBenar.

Untuk informasi tentang parameter yang diperlukan dan opsional lihatCreateExplainability (p. 219).


create_explainability_response = forecast.create_explainability( ExplainabilityName = 'explainability_name', ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName', ExplainabilityConfig = { "TimePointGranularity": "ALL", "TimeSeriesGranularity": "ALL"

107



Amazon Forecast Panduan DeveloperEkspor Prediktor Explainability

}, EnableVisualization = True)

Ekspor Prediktor ExplainabilityNote


Forecast memungkinkan Anda untuk mengekspor file CSV skor Dampak ke lokasi S3. Skor Dampakberkisar dari -1 hingga 1, di mana tanda menunjukkan arah dampaknya. Anda dapat mengekspor skorDampak menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.

Console

Untuk mengekspor Prediktor Explainability


2. FromGrup set data, pilih grup dataset Anda.3. Di panel navigasi, pilihPrediktor.4. Pilih prediktor Anda.5. DiPrediktor Explainabilitybagian, pilihEkspor.6. UntukEkspor namalapangan, memberikan nama yang unik untuk ekspor.7. UntukLokasi ekspor eksploitasi S3lapangan, menyediakan lokasi S3 untuk mengekspor file CSV.8. UntukIAM Rolelapangan, memberikan peran dengan akses ke lokasi S3 yang ditentukan.9. PilihBuat ekspor.

Python

Untuk mengekspor Explainability dengan SDK for Python (Boto3),gunakancreate_explainability_exportmetode. Berikan nama pekerjaan, tentukan ARN dariexplainability, dan, diDestinationobjek, tentukan lokasi tujuan Amazon S3 Anda, dan peran layananIAM.

Untuk informasi tentang parameter yang diperlukan dan opsionallihatCreateExplainabilityExport (p. 224).


export_response = forecast.create_explainability_export(

108



Amazon Forecast Panduan DeveloperPembatasan dan praktik terbaik

Destination = { "S3Config": { "Path": "s3://bucketName/filename.csv", "RoleArn": "arn:aws:iam::accountNumber:role/roleName" } }, ExplainabilityArn = 'arn:aws:forecast:region:accountNumber:explainability/explainabilityName', ExplainabilityExportName = 'job_name')

Pembatasan dan praktik terbaikPertimbangkan pembatasan berikut dan praktik terbaik ketika bekerja dengan Predictor Explainability.

• Prediktor Explainability hanya tersedia untuk prediktor dibuat denganAutoPredictor- Anda tidak dapatmengaktifkan Explainability untuk prediktor warisan yang dibuat dengan AutoML atau melalui pemilihanmanual. LihatMeng-upgrade keAutoPredictor (p. 66).

• Eksplainability membutuhkan atribut- Prediktor Anda harus menyertakan setidaknya satu dari berikut:seri waktu terkait, metadata item, Liburan, atau Indeks Cuaca.

• Prediktor terbatas pada satu sumber daya Explainability- Anda tidak dapat membuat beberapa sumberdaya Explainability untuk prediktor. Jika Anda tertarik dengan skor Dampak untuk dataset yangdiperbarui, latih kembali prediktor Anda.

• Skor dampak nol menunjukkan tidak ada dampak- Jika atribut memiliki nilai dampak 0, maka atribut itutidak berdampak signifikan pada nilai perkiraan.

• Mencoba kembali gagal pekerjaan Prediktor Explainability- Jika Forecast berhasil menciptakanPrediktor tetapi pekerjaan Explainability Predictor gagal, Anda dapat mencoba lagi membuat PredictorExplainability di konsol atau denganCreateExplainabilityoperasi.

• Anda tidak dapat membuat skor Dampak untuk titik waktu dan rangkaian waktu tertentu- Untuk melihatskor Dampak untuk titik waktu dan rangkaian waktu tertentu, lihatForecast Explainability (p. 132).

• Visualisasi Explainability tersedia selama 90 hari setelah pembuatan- Untuk melihat visualisasi setelah90 hari, latih kembali prediktor.

Algoritme AmazonPrediktor Amazon Forecast menggunakan algoritma untuk melatih model dengan set data seri waktu Anda.Model terlatih kemudian digunakan untuk menghasilkan metrik dan prediksi.

Jika Anda tidak yakin algoritma mana yang akan digunakan untuk melatih model Anda, pilih AutoML saatmembuat prediktor dan biarkan Forecast melatih model optimal untuk dataset Anda. Jika tidak, Anda dapatmemilih salah satu algoritma Amazon Forecast secara manual.

Notebook Python

Untuk panduan langkah demi langkah tentang penggunaan AutoML, lihatMemulai denganAutoML.

Algoritme bawaanAmazon Forecast menyediakan enam algoritma bawaan untuk Anda pilih. Ini berkisar dari algoritmastatistik yang umum digunakan seperti Autoregressive Integrated Moving Average (ARIMA), hinggaalgoritma jaringan saraf yang kompleks seperti CNN-QR dan Deepar +.

109



Amazon Forecast Panduan DeveloperAlgoritme Forecast

CNN-QR (p. 112)arn:aws:forecast:::algorithm/CNN-QR

Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regresi, adalah algoritma machinelearning eksklusif untuk meramalkan rangkaian waktu menggunakan jaringan saraf konvolusional kausal(CNNs). CNN-QR bekerja paling baik dengan dataset besar yang berisi ratusan seri waktu. Ia menerimametadata item, dan merupakan satu-satunya algoritma Forecast yang menerima data seri waktu terkaittanpa nilai masa depan.

Deepar + (p. 117)arn:aws:forecast:::algorithm/Deep_AR_Plus

Amazon Forecast DeePar+ adalah algoritma machine learning eksklusif untuk meramalkan rangkaianwaktu menggunakan jaringan saraf berulang (RNNs). Deepar+bekerja paling baik dengan dataset besaryang berisi ratusan seri waktu fitur. Algoritma menerima berwawasan ke depan terkait time series dan itemmetadata.

Nabi (p. 127)arn:aws:forecast:::algorithm/Prophet

Nabi adalah algoritma peramalan seri waktu berdasarkan model aditif di mana tren non-linear cocokdengan musiman tahunan, mingguan, dan harian. Ini bekerja paling baik dengan rangkaian waktu denganefek musiman yang kuat dan beberapa musim data historis.

NPTS (p. 124)arn:aws:forecast:::algorithm/NPTS

Algoritma milik Amazon Forecast Non-Parametric Time Series (NPTS) adalah peramal baselineprobabilistik yang dapat diskalakan. NPTS sangat berguna ketika bekerja dengan seri waktu jarang atauintermiten. Forecast menyediakan empat varian algoritma: NPTS Standar, NPTS Musiman, PeramalKlimatologi, dan Peramal Klimatologi Musiman.

ARIMA (p. 111)arn:aws:forecast:::algorithm/ARIMA

Autoregressive Integrated Moving Average (ARIMA) adalah algoritma statistik yang umum digunakan untukperamalan time-series. Algoritma ini sangat berguna untuk dataset sederhana dengan di bawah 100 seriwaktu.

ETS (p. 123)arn:aws:forecast:::algorithm/ETS

Exponential Smoothing (ETS) adalah algoritma statistik yang umum digunakan untuk peramalan time-series. Algoritma ini sangat berguna untuk dataset sederhana dengan di bawah 100 seri waktu, dan datasetdengan pola musiman. ETS menghitung rata-rata tertimbang atas semua pengamatan dalam kumpulandata seri waktu sebagai prediksinya, dengan penurunan bobot secara eksponensial dari waktu ke waktu.

Algoritme ForecastGunakan tabel berikut untuk menemukan pilihan terbaik untuk dataset seri waktu Anda.

110

Amazon Forecast Panduan DeveloperARIMA

Jaringan Neural AlgoritmeLokal Algoritme Baseline

Proses pelatihan intensif komputasi Tinggi Tinggi Sedang Rendah Rendah Rendah

Menerima seri waktu terkait historis*

Menerima seri waktu terkait ke depan*

Menerima metadata item (warna produk,merek, dll)

Menerima Weather Index built-infeaturization

Cocok untuk dataset jarang

Melakukan Optimasi Hyperparameter(HPO)

Memungkinkan menimpa nilaihyperparameter default

Cocok untuk analisis apa-jika

Cocok untuk skenario Cold Start(peramalan dengan sedikit atau tanpadata historis)

* Untuk informasi lebih lanjut tentang seri waktu terkait, lihatSeri Waktu Terkait (p. 45).

Algoritma Rata-rata Bergerak Terpadu Autoregressive(ARIMA)Rata-rata Pergerakan Terpadu Autoregressive (ARIMA) adalah algoritma statistik lokal yang umumdigunakan untuk peramalan waktu-series. ARIMA menangkap struktur temporal standar (organisasi berpolawaktu) dalam dataset input. Algoritma Amazon Forecast ARIMA memanggilFungsi Arimadi dalamPackage'forecast'dari Comprehensive R Archive Network (CRAN).

Cara KerjanyaAlgoritma ARIMA sangat berguna untuk dataset yang dapat dipetakan ke seri waktu stasioner. Sifat statistikdari seri waktu stasioner, seperti autocorrelations, tidak bergantung pada waktu. Set data dengan seriwaktu stasioner biasanya berisi kombinasi sinyal dan kebisingan. Sinyal mungkin menunjukkan pola osilasisinusoidal atau memiliki komponen musiman. ARIMA bertindak seperti filter untuk memisahkan sinyal darikebisingan, dan kemudian ekstrapolasi sinyal di masa depan untuk membuat prediksi.

ARIMA Hyperparameters dan TuningUntuk informasi tentang ARIMA hyperparameters dan tuning, lihatArimadokumentasi fungsi diPaket'perkiraan'dariCRAN.

Amazon ForecastDataFrequencyparameter yang ditentukan dalamCreateDataset (p. 206)operasikefrequencyparameter RTSFungsi menggunakan tabel berikut:

111

https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average

https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1

https://cran.r-project.org/web/packages/forecast/forecast.pdf


https://cran.r-project.org

https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts

Amazon Forecast Panduan DeveloperCNN-QR

DataFrequency (string) R ts frekuensi (integer)

Y 1

M 12

W 52

D 7

H 24

30 menit 2

15 menit 4

10 menit 6

5 menit 12

1 menit 60

Untuk frekuensi kurang dari 24 atau seri waktu singkat, hyperparameters diaturmenggunakanauto.arimafungsiPackage 'forecast'dariCRAN. Untuk frekuensi yang lebih besar dariatau sama dengan 24 dan seri lama, kami menggunakan seri Fourier dengan K = 4, seperti yang dijelaskandi sini,Peramalan dengan periode musiman yang panjang.

Frekuensi data yang didukung yang tidak dalam tabel default ke atsfrekuensi 1.

Algoritma CNN-QRAmazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regresi, adalah algoritma machinelearning eksklusif untuk meramalkan rangkaian waktu skalar (satu dimensi) menggunakan jaringan sarafkonvolusional kausal (CNNs). Algoritma pembelajaran yang diawasi ini melatih satu model global darikoleksi besar rangkaian waktu dan menggunakan decoder kuantil untuk membuat prediksi probabilistik.

Topik• Memulai dengan CNN-QR (p. 112)• Bagaimana CNN-QR Bekerja (p. 113)• Menggunakan Data Terkait dengan CNN-QR (p. 114)• CNN-QR Hyperparameter (p. 114)• Tips dan Praktik Terbaik (p. 116)

Memulai dengan CNN-QRAnda dapat melatih prediktor dengan CNN-QR dengan dua cara:

1. Secara manual memilih algoritma CNN-QR.2. Memilih AutoML (CNN-QR adalah bagian dari AutoML).

Jika Anda tidak yakin dengan algoritma mana yang akan digunakan, sebaiknya pilih AutoML, dan Forecastakan memilih CNN-QR jika algoritma yang paling akurat untuk data Anda. Untuk melihat apakah CNN-QRdipilih sebagai model yang paling akurat, gunakanDescribePredictorAPI atau pilih nama prediktor di konsol.

Berikut adalah beberapa kasus penggunaan kunci untuk CNN-QR:

112


https://robjhyndman.com/hyndsight/longseasonality/

https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html


• Forecast dengan dataset besar dan kompleks- CNN-QR bekerja paling baik ketika dilatih dengan datasetbesar dan kompleks. Jaringan saraf dapat belajar di banyak dataset, yang berguna bila Anda memilikirangkaian waktu dan metadata item terkait.

• Forecast dengan sejarah terkait waktu seri- CNN-QR tidak memerlukan rangkaian waktu terkait untukberisi titik data dalam cakrawala perkiraan. Fleksibilitas tambahan ini memungkinkan Anda menyertakanrangkaian data meta dan data item terkait yang lebih luas, seperti harga barang, acara, metrik web, dankategori produk.

• Kasus khusus Forecast- CNN-QR dapat digunakan untuk skenario dingin-start, di mana ada sedikitatau tidak ada data historis yang ada. Item metadata dan seri waktu terkait dapat digunakan untukmenghasilkan prediksi dingin-start. Dengan menggunakan berbagai versi data seri waktu terkait denganmodel terlatih, Anda dapat menjalankan analisis What-if untuk skenario dan counterfactuals yangberbeda.

Bagaimana CNN-QR BekerjaCNN-QR adalahsequence-to-sequence(Seq2Seq) model untuk peramalan probabilistik yang mengujiseberapa baik prediksi merekonstruksi urutan decoding, dikondisikan pada urutan encoding.

Algoritma ini memungkinkan untuk fitur yang berbeda dalam encoding dan urutan decoding, sehinggaAnda dapat menggunakan seri waktu terkait dalam encoder, dan menghilangkannya dari decoder (dansebaliknya). Secara default, seri waktu terkait dengan titik data di cakrawala perkiraan akan disertakandalam encoder dan decoder. Seri waktu terkait tanpa titik data di cakrawala perkiraan hanya akandisertakan dalam encoder.

CNN-QR melakukan regresi kuantil dengan CNN kausal hirarkis yang berfungsi sebagai extractor fitur yangdapat dipelajari.

Untuk memfasilitasi pola belajar tergantung waktu, seperti lonjakan selama akhir pekan, CNN-QR secaraotomatis membuat seri waktu fitur berdasarkan granularitas seri waktu. Misalnya, CNN-QR menciptakandua fitur time series (day-of-monthdanday-of-year) pada frekuensi waktu-seri mingguan. Algoritma inimenggunakan seri waktu fitur turunan ini bersama dengan seri waktu fitur khusus yang disediakan selamapelatihan dan inferensi. Contoh berikut menunjukkan seri waktu target,zi,t, dan dua fitur time-series yangditurunkan:ui,1,tmewakili jam hari, danui,2,tmewakili hari dalam seminggu.

CNN-QR secara otomatis menyertakan rangkaian waktu fitur ini berdasarkan frekuensi data dan ukurandata pelatihan. Tabel berikut mencantumkan fitur yang dapat diturunkan untuk setiap frekuensi waktu dasaryang didukung.

Frekuensi SeriWaktu

Fitur Berasal

Menit minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year

Jam hour-of-day, day-of-week, day-of-month, day-of-year

113


Frekuensi SeriWaktu

Fitur Berasal

HARI day-of-week, day-of-month, day-of-year

Minggu day-of-month, week-of-year

Bulan month-of-year

Selama pelatihan, setiap kali seri dalam set data pelatihan terdiri dari sepasang konteks yang berdekatandan jendela perkiraan dengan panjang yang telah ditetapkan tetap. Hal ini ditunjukkan pada gambar dibawah, di mana jendela konteks diwakili dalam warna hijau, dan jendela perkiraan diwakili dengan warnabiru.

Anda dapat menggunakan model yang dilatih pada set pelatihan yang diberikan untuk menghasilkanprediksi untuk rangkaian waktu di set pelatihan, dan untuk rangkaian waktu lainnya. Dataset pelatihanterdiri dari seri waktu target, yang mungkin terkait dengan daftar rangkaian waktu dan metadata itemterkait.

Gambar di bawah ini menunjukkan bagaimana ini bekerja untuk elemen dari dataset pelatihanyang diindeks olehi. Dataset pelatihan terdiri dari target time series,zi,t, dan dua terkait waktuseri,xi,1,tdanxi,2,t. Seri waktu terkait pertama,xi,1,t, adalah seri waktu berwawasan ke depan, danyang kedua,xi,2,t, adalah seri waktu sejarah.

CNN-QR belajar di seluruh target waktu seri,zi,t, dan seri waktu terkait,xi,1,tdanxi,2,t, untukmenghasilkan prediksi di jendela perkiraan, diwakili oleh garis oranye.

Menggunakan Data Terkait dengan CNN-QRCNNQR mendukung dataset seri waktu terkait sejarah dan ke depan. Jika Anda memberikan dataset seriwaktu terkait ke depan, nilai yang hilang akan diisi menggunakanmetode pengisian masa depan (p. 59).Untuk informasi selengkapnya tentang rangkaian waktu terkait sejarah dan berwawasan ke depan,lihatMenggunakan Dataset Seri Waktu Terkait (p. 45).

Anda juga dapat menggunakan dataset metadata item dengan CNN-QR. Ini adalah dataset denganinformasi statis pada item dalam seri waktu target Anda. Item metadata sangat berguna untuk skenarioperamalan dingin-start di mana ada sedikit atau tidak ada data historis. Untuk informasi selengkapnyatentang metadata item, lihatMetadata Item. (p. 48)

CNN-QR HyperparameterAmazon Forecast mengoptimalkan model CNN-QR pada hyperparameters yang dipilih. Saat memilih CNN-QR secara manual, Anda memiliki opsi untuk meneruskan parameter pelatihan untuk hyperparameters ini.Tabel berikut mencantumkan hyperparameters merdu dari algoritma CNN-QR.

114


Nama Parameter Nilai Deskripsi

context_length Nilai valid

Integer positifRentang yang valid

10 sampai 500Nilai khas

2*ForecastHorizon12*ForecastHorizon

HPO merdu

Ya

Jumlah poin waktu yang dibaca model sebelummembuat prediksi. Biasanya, CNN-QR memilikinilai yang lebih besar untukcontext_lengthdariDeePar+ karena CNN-QR tidak menggunakankelambatan untuk melihat data historis lebih lanjut.

Jika nilai untukcontext_lengthberadadi luar rentang yang telah ditetapkan,CNN-QR secara otomatis akan mengaturdefaultcontext_lengthke nilai yang sesuai.

use_related_data Nilai valid

ALL

NONE

HISTORICAL

FORWARD_LOOKING

Nilai default

ALL

HPO merdu

Ya

Menentukan jenis data seri waktu terkait untukmemasukkan dalam model.

Pilih salah satu dari empat opsi:

• ALL: Sertakan semua seri waktu terkait yangdisediakan.

• NONE: Kecualikan semua seri waktu terkait yangdisediakan.

• HISTORICAL: Sertakan hanya seri waktu terkaityangjanganmeluas ke cakrawala perkiraan.

• FORWARD_LOOKING: Sertakan hanya seriwaktu terkait yangberbuatmeluas ke cakrawalaperkiraan.

HISTORICALmencakup semua seri waktu terkaitsejarah, danFORWARD_LOOKINGmencakupsemua seri waktu terkait kedepan. Anda tidak dapat memilihsubsetHISTORICALatauFORWARD_LOOKINGterkaitwaktu seri.

use_item_metadata Nilai valid

ALL

NONE

Nilai default

ALL

HPO merdu

Ya

Menentukan apakah model termasuk itemmetadata.

Pilih salah satu dari dua opsi:

• ALL: Sertakan semua metadata item yangdisediakan.

• NONE: Mengecualikan semua metadata itemyang disediakan.

use_item_metadatamencakup semua metadataitem yang disediakan atau tidak ada. Anda tidakdapat memilih subset metadata item.

115


Nama Parameter Nilai Deskripsi

epochs Nilai valid

Integer positifNilai khas

10 hingga 1000Nilai default

100HPO merdu

Tidak

Jumlah maksimum lengkap melewati datapelatihan. Dataset yang lebih kecil membutuhkanlebih banyak zaman.

Untuk nilaibesarForecastHorizondancontext_length,pertimbangkan untuk mengurangi zaman untukmeningkatkan waktu pelatihan.

Optimasi Hyperparameter (HPO)Hyperparameter optimization (HPO) adalah tugas memilih nilai hyperparameter optimal untuk tujuanpembelajaran tertentu. Dengan Forecast, Anda dapat mengotomatisasi proses ini dengan dua cara:

1. Memilih AutoML, dan HPO secara otomatis akan berjalan untuk CNN-QR.2. Secara manual memilih CNN-QR dan pengaturanPerformHPO = TRUE.

Tambahan terkait time series dan item metadata tidak selalu meningkatkan keakuratan model CNN-QRAnda. Ketika Anda menjalankan AutoML atau mengaktifkan HPO, CNN-QR menguji keakuratan modelAnda dengan dan tanpa rangkaian waktu dan metadata item terkait yang disediakan, dan memilih modeldengan akurasi tertinggi.

Amazon Forecast secara otomatis mengoptimalkan tiga hiperparameter berikut selama HPO dan memberiAnda nilai terlatih akhir:

• context_length- menentukan seberapa jauh ke masa lalu jaringan dapat melihat. Proses HPO secaraotomatis menetapkan nilai untukcontext_lengthyang memaksimalkan akurasi model, sambilmempertimbangkan waktu pelatihan.

• use_related_data- menentukan bentuk data seri waktu terkait untuk disertakan dalam model Anda.Proses HPO secara otomatis memeriksa apakah data seri waktu terkait Anda meningkatkan model, danmemilih pengaturan optimal.

• use_item_metadata- menentukan apakah akan menyertakan item metadata dalam model Anda. ProsesHPO secara otomatis memeriksa apakah metadata item Anda meningkatkan model, dan memilihpengaturan optimal.

Note

Jikause_related_datadiatur keNONEatauHISTORICALketikaHolidayfitur tambahan dipilih, iniberarti bahwa termasuk data liburan tidak meningkatkan akurasi model.

Anda dapat mengatur konfigurasi HPO untukcontext_lengthhyperparameter jika AndamengaturPerformHPO = TRUEselama seleksi manual. Namun, Anda tidak dapat mengubah aspekapapun dari konfigurasi HPO jika Anda memilih AutoML. Untuk informasi selengkapnya tentang konfigurasiHPO, lihatIntergerParameterKisaranAPI

Tips dan Praktik TerbaikHindari nilai besar untukForecastHorizon- Menggunakan nilai lebih dari 100 untukForecastHorizonakanmeningkatkan waktu pelatihan dan dapat mengurangi akurasi model. Jika Anda ingin meramalkan lebih

116

https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html

Amazon Forecast Panduan DeveloperDeepar +

jauh ke masa depan, pertimbangkan untuk menggabungkan ke frekuensi yang lebih tinggi. Misalnya,gunakan 5min sebagai ganti dari 1min.

CNN memungkinkan panjang konteks yang lebih tinggi- Dengan CNN-QR, Anda dapatmengaturcontext_lengthsedikit lebih tinggi dari itu untuk Deepar +, karena CNN umumnya lebih efisiendaripada RNNs.

Rekayasa fitur data terkait- Percobaan dengan kombinasi yang berbeda dari rangkaian waktu terkaitdan metadata item saat melatih model Anda, dan menilai apakah informasi tambahan meningkatkanakurasi. Kombinasi dan transformasi yang berbeda dari rangkaian waktu dan metadata item terkait akanmemberikan hasil yang berbeda.

CNN-QR tidak meramalkan pada rata-rata kuantil— Ketika AndamengaturForecastTypeskepadameandengan CreateForecastAPI, prakiraan malah akan dihasilkan padakuantil median (0.5atauP50).

Peramalan item awal dingin— Model global, seperti CNN-QR, belajar di seluruh seri waktu target,rangkaian waktu terkait, dan metadata item, sehingga sesuai untuk skenario start dingin. CNN-QR dapatmeramalkan permintaan untuk item baru dan SKU yang memiliki karakteristik serupa dengan item lainnyadengan data historis. Ikuti ininotebook contohuntuk memulai.

Analisa apa-jika— Dengan menggunakan versi yang berbeda dari data seri waktu historis dan berwawasanke depan Anda dengan model CNN-QR terlatih, Anda dapat membuat perkiraan untuk skenario dancounterfactuals yang berbeda. Misalnya, Anda dapat meramalkan permintaan untuk produk dengan dantanpa promosi. Ikuti ininotebook contohuntuk memulai.

Algoritma DeepAr+Amazon Forecast DeepAr+ adalah algoritma pembelajaran yang diawasi untuk meramalkan rangkaianwaktu skalar (satu dimensi) menggunakan jaringan saraf berulang (RNNs). Metode peramalan klasik,seperti rata-rata bergerak terintegrasi autoregressive (ARIMA) atau eksponensial smoothing (ETS), cocokdengan model tunggal untuk setiap seri waktu individu, dan kemudian menggunakan model itu untukmengekstrapolasi rangkaian waktu ke masa depan. Dalam banyak aplikasi, bagaimanapun, Anda memilikibanyak seri waktu yang sama di satu set unit cross-sectional. Pengelompokan seri waktu ini menuntutproduk yang berbeda, beban server, dan permintaan untuk halaman web. Dalam hal ini, dapat bermanfaatuntuk melatih satu model bersama-sama atas semua seri waktu. DeepAr+mengambil pendekatan ini.Ketika dataset Anda berisi ratusan seri waktu fitur, algoritma DeePar+ mengungguli metode ARIMA danETS standar. Anda juga dapat menggunakan model terlatih untuk menghasilkan perkiraan untuk seri waktubaru yang mirip dengan yang telah dilatih.

Notebook Python

Untuk panduan langkah demi langkah menggunakan algoritme DeepAr+, lihatMemulai denganDeepar +.

Topik• Bagaimana DeePar+ Bekerja (p. 117)• Hiperparameter Deepar (p. 120)• Model Tune Deepar + (p. 122)

Bagaimana DeePar+ BekerjaSelama pelatihan, DeepAr+ menggunakan dataset pelatihan dan dataset pengujian opsional.Menggunakan dataset pengujian untuk mengevaluasi model terlatih. Secara umum, set data pelatihandan pengujian tidak harus berisi rangkaian rangkaian waktu yang sama. Anda dapat menggunakan model

117

https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html


https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb

https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb


yang dilatih pada set pelatihan yang diberikan untuk menghasilkan perkiraan untuk masa depan rangkaianwaktu di set pelatihan, dan untuk rangkaian waktu lainnya. Kedua pelatihan dan dataset pengujian terdiridari (sebaiknya lebih dari satu) target waktu seri. Opsional, mereka dapat dikaitkan dengan vektor dari seriwaktu fitur dan vektor fitur kategoris (untuk rincian, lihatAntarmuka Input/Output Deepardi dalamPanduanDeveloper SageMaker). Contoh berikut menunjukkan bagaimana ini bekerja untuk elemen dari datasetpelatihan diindeks olehi. Dataset pelatihan terdiri dari target time series,zi,t, dan dua seri waktu fiturterkait,xi,1,tdanxi,2,t.

Target time series mungkin berisi nilai yang hilang (dilambangkan dalam grafik dengan jeda dalam timeseries). Deepar+hanya mendukung fitur time series yang dikenal di masa depan. Hal ini memungkinkanAnda untuk menjalankan skenario “apa-jika” counterfactual. Misalnya, “Apa yang terjadi jika sayamengubah harga suatu produk dalam beberapa cara?”

Setiap target waktu seri juga dapat dikaitkan dengan sejumlah fitur kategoris. Anda dapat menggunakan iniuntuk mengkodekan bahwa rangkaian waktu milik pengelompokan tertentu. Menggunakan fitur kategorismemungkinkan model untuk mempelajari perilaku khas untuk pengelompokan tersebut, yang dapatmeningkatkan akurasi. Sebuah model mengimplementasikan ini dengan mempelajari vektor embeddinguntuk setiap kelompok yang menangkap properti umum dari semua seri waktu dalam grup.

Untuk memfasilitasi pola belajar tergantung waktu, seperti lonjakan selama akhir pekan, DeepAr+secara otomatis membuat rangkaian waktu fitur berdasarkan granularitas seri waktu. Misalnya, DeePar+ menciptakan dua seri waktu fitur (hari bulan dan hari dalam setahun) pada frekuensi seri waktumingguan. Menggunakan seri waktu fitur turunan ini bersama dengan seri waktu fitur khusus yang Andaberikan selama pelatihan dan kesimpulan. Contoh berikut menunjukkan dua fitur deret-waktu yangditurunkan:ui,1,tmewakili jam hari, danui,2,thari dalam seminggu.

Deepar+secara otomatis menyertakan seri waktu fitur ini berdasarkan frekuensi data dan ukuran datapelatihan. Tabel berikut berisi daftar fitur yang dapat diturunkan untuk setiap frekuensi waktu dasar yangdidukung.

Frekuensi SeriWaktu

Fitur Berasal

Menit menit-of-jam, jam hari, hari-of-week, hari-of-month, hari-of-year

118

https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput


Frekuensi SeriWaktu

Fitur Berasal

Jam jam sehari, hari seminggu, hari sebulan, hari setahun

Hari hari seminggu, hari sebulan, hari setahun

Minggu hari-of-bulan, minggu-of-tahun

Bulan bulan-of-tahun

Model DeePar+ dilatih dengan mengambil sampel secara acak beberapa contoh pelatihan darisetiap rangkaian waktu dalam dataset pelatihan. Setiap contoh pelatihan terdiri dari sepasangjendela konteks dan prediksi yang berdekatan dengan panjang yang telah ditetapkan tetap.Parametercontext_lengthhyperparameter mengontrol seberapa jauh di masa lalu jaringan dapatmelihat, danForecastHorizonparameter mengontrol seberapa jauh dalam prediksi masa depan dapatdibuat. Selama latihan, Amazon Forecast mengabaikan elemen dalam kumpulan data pelatihan denganrangkaian waktu yang lebih pendek dari panjang prediksi yang ditentukan. Contoh berikut menunjukkanlima sampel, dengan panjang konteks (disorot dalam warna hijau) dari 12 jam dan panjang prediksi (disorotdengan warna biru) dari 6 jam, diambil dari elemeni. Demi singkatnya, kami telah mengecualikan seriwaktu fiturxi,1,tdanui,2,t.

Untuk menangkap pola musiman, DeePar+ juga secara otomatis feed tertinggal (periode masa lalu) nilaidari seri waktu target. Dalam contoh kita dengan sampel yang diambil pada frekuensi per jam, untuk setiapindeks waktut = T, model mengeksposzi,tnilai yang terjadi sekitar satu, dua, dan tiga hari di masa lalu(disorot dalam warna pink).

Sebagai kesimpulan, model terlatih mengambil sebagai input target time series, yang mungkinatau mungkin tidak telah digunakan selama pelatihan, dan memperkirakan distribusi probabilitasuntuk berikutnyaForecastHorizonnilai. Karena DeePar+ dilatih pada seluruh dataset, perkiraanmemperhitungkan pola yang dipelajari dari seri waktu yang sama.

Untuk informasi tentang matematika di belakang Deepar +, lihatDeepar: Peramalan Probabilistik denganJaringan Berulang Autoregressivedi situs web Perpustakaan Universitas Cornell.

119

https://arxiv.org/abs/1704.04110

https://arxiv.org/abs/1704.04110


Hiperparameter DeeparTabel berikut mencantumkan hyperparameter yang dapat Anda gunakan dalam algoritme Deepar +.Parameter dalam berani berpartisipasi dalam optimasi hyperparameter (HPO).

Nama Parameter Deskripsi

context_length Jumlah poin waktu yang dibaca model sebelum membuat prediksi. Nilai untukparameter ini harus hampir sama denganForecastHorizon. Model ini jugamenerima input tertinggal dari target, jadicontext_lengthbisa jauh lebih kecildari musim yang khas. Misalnya, seri waktu harian dapat memiliki musimantahunan. Model ini secara otomatis mencakup lag satu tahun, sehingga panjangkonteksnya bisa lebih pendek dari satu tahun. Nilai lag yang diambil modeltergantung pada frekuensi rangkaian waktu. Misalnya, nilai lag untuk frekuensiharian adalah: minggu sebelumnya, 2 minggu, 3 minggu, 4 minggu, dan tahun.

Nilai valid

Bilangan bulat positifNilai khas

Ceil (0,1 *ForecastHorizon) ke min (200, 10 *ForecastHorizon)Nilai default

2 *ForecastHorizon

epochs Jumlah maksimum pass untuk pergi ke data pelatihan. Nilai optimal tergantungpada ukuran data dan tingkat pembelajaran Anda. Dataset yang lebih kecil dantingkat pembelajaran yang lebih rendah keduanya membutuhkan lebih banyakzaman, untuk mencapai hasil yang baik.

Nilai valid



500

learning_rate Tingkat pembelajaran yang digunakan dalam pelatihan.

Nilai valid

Angka floating-point positifNilai khas

0.0001 untuk 0.1Nilai default

0.001

learning_rate_decayLaju saat tingkat pembelajaran menurun. Paling banyak, tingkat pembelajaranberkurangmax_learning_rate_decayskali, kemudian pelatihan berhenti.Parameter ini akan digunakan hanya jikamax_learning_rate_decayslebihbesar dari 0.

120


Nama Parameter DeskripsiNilai valid

Angka floating-point positifNilai khas

0,5 sampai 0,8 (inklusif)Nilai default

0,5

likelihood Model ini menghasilkan perkiraan probabilistik, dan dapat memberikan kuantildistribusi dan kembali sampel. Tergantung pada data Anda, pilih kemungkinanyang sesuai (model kebisingan) yang digunakan untuk perkiraan ketidakpastian.

Nilai valid

• beta: Gunakan untuk target real-dihargai antara 0 dan 1, inklusif.• deterministic-L1: Fungsi kerugian yang tidak memperkirakan

ketidakpastian dan hanya mempelajari perkiraan poin.• gaussian: Gunakan untuk data yang bernilai nyata.• negative-binomial: Gunakan untuk menghitung data (bilangan bulat non-

negatif).• piecewise-linear: Gunakan untuk distribusi fleksibel.• student-T: Gunakan alternatif ini untuk data yang bernilai nyata untuk data

bursty.

Nilai default

student-T

max_learning_rate_decaysJumlah maksimum pengurangan tingkat pembelajaran yang harus terjadi.

Nilai valid



0

121



num_averaged_modelsDalam Deepar +, lintasan pelatihan dapat menemukan beberapa model. Setiapmodel mungkin memiliki kekuatan dan kelemahan peramalan yang berbeda.Deepar+dapat rata-rata perilaku model untuk mengambil keuntungan darikekuatan semua model.

Nilai valid


1 sampai 5 (inklusif)Nilai default

1

num_cells Jumlah sel yang akan digunakan di setiap lapisan tersembunyi dari RNN.

Nilai valid



40

num_layers Jumlah lapisan tersembunyi di RNN.

Nilai valid



2

Model Tune Deepar +Untuk menyetel model DeepAr+ Amazon Forecast, ikuti rekomendasi ini untuk mengoptimalkan prosespelatihan dan konfigurasi perangkat keras.

Praktik Terbaik untuk Optimalisasi ProsesUntuk mencapai hasil terbaik, ikuti rekomendasi ini:

• Kecuali ketika membelah set data pelatihan dan pengujian, selalu berikan seluruh rangkaian waktu untukpelatihan dan pengujian, dan saat memanggil model untuk inferensi. Terlepas dari bagaimana Andamengaturcontext_length, jangan membagi seri waktu atau hanya memberikan sebagian dari itu.Model ini akan menggunakan titik data lebih jauh daricontext_lengthuntuk fitur nilai tertinggal.

• Untuk model tuning, Anda dapat membagi dataset ke dalam pelatihan dan pengujian dataset. Dalamskenario evaluasi yang khas, Anda harus menguji model pada seri waktu yang sama yang digunakandalam pelatihan, tetapi di masa depanForecastHorizonwaktu poin segera setelah titik terakhir kali

122

Amazon Forecast Panduan DeveloperES

terlihat selama pelatihan. Untuk membuat set data pelatihan dan pengujian yang memenuhi kriteriaini, gunakan seluruh dataset (semua rangkaian waktu) sebagai dataset pengujian dan hapus yangterakhirForecastHorizonpoin dari setiap seri waktu untuk pelatihan. Dengan cara ini, selamapelatihan, model tidak melihat nilai target untuk titik waktu yang dievaluasi selama pengujian. Padafase uji, yang terakhirForecastHorizonpoin dari setiap seri waktu dalam dataset pengujiandipotong dan prediksi yang dihasilkan. Perkiraan ini kemudian dibandingkan dengan nilai aktual untukyang terakhirForecastHorizonpoin. Anda dapat membuat evaluasi yang lebih kompleks denganmengulangi seri waktu beberapa kali dalam dataset pengujian, tetapi memotongnya pada titik akhir yangberbeda. Ini menghasilkan metrik akurasi yang rata-rata melebihi beberapa perkiraan dari titik waktuyang berbeda.

• Hindari menggunakan nilai yang sangat besar (> 400) untukForecastHorizonkarena inimemperlambat model dan membuatnya kurang akurat. Jika Anda ingin meramalkan lebih jauh ke masadepan, pertimbangkan untuk menggabungkan ke frekuensi yang lebih tinggi. Misalnya, gunakan 5minsebagai ganti dari 1min.

• Karena kelambatan, model dapat melihat lebih jauh ke belakang daripadacontext_length. Olehkarena itu, Anda tidak perlu mengatur parameter ini ke nilai yang besar. Titik awal yang baik untukparameter ini adalah nilai yang sama denganForecastHorizon.

• Melatih model Deepar + dengan seri waktu sebanyak yang tersedia. Meskipun model DeePar+yangdilatih dalam satu kali seri mungkin sudah bekerja dengan baik, metode peramalan standar sepertiARIMA atau ETS mungkin lebih akurat dan lebih disesuaikan dengan kasus penggunaan ini. DeePar+mulai mengungguli metode standar ketika dataset Anda berisi ratusan seri waktu fitur. Saat ini,DeepAr+ mensyaratkan bahwa jumlah total pengamatan yang tersedia, di semua seri waktu pelatihan,setidaknya 300.

• DeePar+belajar di seluruh seri waktu target, rangkaian waktu terkait, dan metadata item, sehinggasesuai untuk skenario start dingin. Deepar+dapat meramalkan permintaan untuk item baru danSKU yang memiliki karakteristik serupa dengan item lainnya dengan data historis. Ikuti ininotebookcontohuntuk memulai.

Algoritma Smoothing Eksponensial (ETS)Smoothing Eksponensial(ETS)adalah algoritma statistik lokal yang umum digunakan untuk peramalanwaktu-series. Algoritma Amazon Forecast ETS memanggilfungsi etsdiPackage 'forecast'dariComprehensive R Archive Network (CRAN).

Cara KerjanyaAlgoritma ETS sangat berguna untuk dataset dengan musiman dan asumsi sebelumnya lainnya tentangdata. ETS menghitung rata-rata tertimbang atas semua pengamatan dalam dataset seri waktu inputsebagai prediksi. Bobot secara eksponensial menurun dari waktu ke waktu, daripada bobot konstan dalammetode rata-rata bergerak sederhana. Bobot tergantung pada parameter konstan, yang dikenal sebagaiparameter smoothing.

ETS Hyperparameters dan TuningUntuk informasi tentang hiperparameter dan penyetelan ETS, lihatetsdokumentasi fungsi diPaket'perkiraan'dariCRAN.

Amazon Forecast mengkonversiDataFrequencyparameter yang ditentukandalamCreateDataset (p. 206)operasi kefrequencyparameter Rtsmenggunakan tabel berikut:


Y 1

M 12

123



https://en.wikipedia.org/wiki/Exponential_smoothing

https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1




https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts

Amazon Forecast Panduan DeveloperNPTS


W 52

D 7

H 24

30 menit 2

15 menit 4

10 menit 6

5 menit 12

1 menit 60

Frekuensi data yang didukung yang tidak dalam tabel default ketsfrekuensi 1.

Algoritma Seri Waktu Non-Parametrik (NPTS)Algoritma Amazon Forecast Non-Parametric Time Series (NPTS) adalah peramal baseline probabilistikyang dapat diskalakan. Ini memprediksi distribusi nilai masa depan dari rangkaian waktu tertentu denganpengambilan sampel dari pengamatan masa lalu. Prediksi dibatasi oleh nilai-nilai yang diamati. NPTSsangat berguna ketika seri waktu intermiten (atau jarang, mengandung banyak 0s) dan bursty. Misalnya,peramalan permintaan untuk masing-masing item di mana seri waktu memiliki banyak jumlah rendah.Amazon Forecast menyediakan varian NPTS yang berbeda dalam pengamatan masa lalu yang diambilsampel dan bagaimana mereka dicicipi. Untuk menggunakan varian NPTS, Anda memilih pengaturanhyperparameter.

Cara Kerja NPTSMirip dengan metode peramalan klasik, seperti eksponensial smoothing (ETS) dan autoregressiveintegrated moving average (ARIMA), NPTS menghasilkan prediksi untuk setiap seri waktu secaraindividual. Seri waktu di dataset dapat memiliki panjang yang berbeda. Titik waktu di mana pengamatantersedia disebut rentang pelatihan dan titik waktu di mana prediksi yang diinginkan disebut kisaran prediksi.

Amazon Forecast NPTS peramal memiliki varian berikut: NPTS, NPTS musiman, peramal klimatologis, danperamal klimatologi musiman.

Topik• NPTS (p. 124)• NPTS (p. 125)• Peramal Klimatologis (p. 125)• Peramal Klimatologi Musiman (p. 125)• Fitur Musiman (p. 125)• Praktik Terbaik (p. 125)

NPTSDalam varian ini, prediksi dihasilkan oleh pengambilan sampel dari semua pengamatan dalamrentang pelatihan dari rangkaian waktu. Namun, alih-alih pengambilan sampel seragam dari semuapengamatan, varian ini memberikan bobot untuk setiap pengamatan masa lalu sesuai dengan seberapajauh dari langkah waktu saat ini di mana prediksi diperlukan. Secara khusus, ia menggunakan bobot

124


yang membusuk secara eksponensial sesuai dengan jarak pengamatan masa lalu. Dengan caraini, pengamatan dari masa lalu diambil sampel dengan probabilitas yang jauh lebih tinggi daripadapengamatan dari masa lalu yang jauh. Ini mengasumsikan bahwa masa lalu dekat lebih indikatif untukmasa depan daripada masa lalu yang jauh. Anda dapat mengontrol jumlah pembusukan di bobotdenganexp_kernel_weightshiperparameter

Untuk menggunakan varian NPTS ini di Amazon Forecast,aturuse_seasonal_modelhyperparameterFalsedan menerima semua pengaturan default lainnya.

NPTSVarian NPTS musiman mirip dengan NPTS kecuali bahwa alih-alih pengambilan sampel dari semuapengamatan, hanya menggunakan pengamatan dari masa lalumusim. Secara default, musim ditentukanoleh granularitas rangkaian waktu. Misalnya, untuk seri waktu per jam, untuk memprediksi selama jamt,varian ini sampel dari pengamatan yang sesuai dengan jamtpada hari-hari sebelumnya. Mirip denganNPTS, observasi pada jamtpada hari sebelumnya diberi bobot lebih dari pengamatan pada jamtpada hari-hari sebelumnya Untuk informasi lebih lanjut tentang cara menentukan musiman berdasarkan granularitasseri waktu, lihatthe section called “Fitur Musiman” (p. 125).

Peramal KlimatologisVarian peramal klimatologi sampel semua pengamatan masa lalu dengan probabilitas seragam.

Untuk menggunakan peramal klimatologis,aturkernel_typehyperparameteruniformdanuse_seasonal_modelhyperparameterFalse. Menerimapengaturan default untuk semua hyperparameters lainnya.

Peramal Klimatologi MusimanMirip dengan NPTS musiman, peramal klimatologi musiman sampel pengamatan dari musim lalu, tetapisampel mereka dengan probabilitas seragam.

Untuk menggunakan peramal klimatologi musiman, aturkernel_typehyperparameteruniform. Menerimapengaturan default lainnya untuk hyperparameters lainnya.

Fitur MusimanUntuk menentukan apa yang sesuai dengan musim untuk NPTS musiman dan peramal klimatologimusiman, gunakan fitur yang tercantum dalam tabel berikut. Tabel berisi daftar fitur turunan untuk frekuensiwaktu dasar yang didukung, berdasarkan granularitas. Amazon Forecast menyertakan rangkaian waktufitur ini, sehingga Anda tidak perlu memberikannya.

Frekuensi Seri Waktu Fitur untuk Menentukan Musiman

Menit menit-of-jam

Jam jam-of-hari

Hari hari-minggu

Minggu hari-bulan

Bulan bulan-of-tahun

Praktik TerbaikSaat menggunakan algoritme NPTS Amazon Forecast, pertimbangkan praktik terbaik berikut untukmenyiapkan data dan mencapai hasil yang optimal:

125


• Karena NPTS menghasilkan prediksi untuk setiap seri waktu secara individual, berikan seluruh seriwaktu saat memanggil model untuk prediksi. Juga, terima nilai defaultcontext_lengthhiperparameterHal ini menyebabkan algoritma untuk menggunakan seluruh seri waktu.

• Jika Anda mengubahcontext_length(karena data pelatihan terlalu panjang), pastikan itu cukup besardan mencakup beberapa musim lalu. Misalnya, untuk rangkaian waktu harian, nilai ini harus setidaknya365 hari (asalkan Anda memiliki jumlah data tersebut).

Hyperparameter NPTSTabel berikut mencantumkan hyperparameters yang dapat Anda gunakan dalam algoritma NPTS.


context_length Jumlah waktu-poin di masa lalu bahwa model menggunakan untuk membuatprediksi. Secara default, ia menggunakan semua poin waktu dalam rentangpelatihan. Biasanya, nilai untuk hyperparameter ini harus besar dan harusmencakup beberapa musim lalu. Misalnya, untuk seri waktu harian nilai ini harussetidaknya 365 hari.

Nilai valid

Bilangan bulatNilai default

Panjang seri waktu pelatihan

kernel_type Kernel yang digunakan untuk menentukan bobot yang digunakan untukpengambilan sampel pengamatan masa lalu.

Nilai valid

exponential atau uniformNilai default

exponential

exp_kernel_weights Hanya berlaku bilakernel_typeadalahexponential.

Parameter penskalaan kernel. Untuk pembusukan yang lebih cepat(eksponensial) pada bobot yang diberikan pada pengamatan di masa lalu,gunakan nilai yang besar.

Nilai valid

Angka floating-point positifNilai default

0.01

use_seasonal_model Apakah akan menggunakan varian musiman.

Nilai valid

True atau FalseNilai default

True

126

Amazon Forecast Panduan DeveloperNabi


use_default_time_featuresHanya berlaku untukNPTSdanperamal klimatologi musimanvarian

Apakah akan menggunakan fitur musiman berdasarkan granularitas dari seriwaktu untuk menentukan musiman.

Nilai valid

True atau FalseNilai default

True

AlgoritmeNabiadalah model seri waktu struktural Bayesian lokal yang populer. Algoritma Amazon Forecast ProphetmenggunakanKelas Nabidari pelaksanaan Python Nabi.

Cara Nabi BerfungsiNabi sangat berguna untuk dataset yang:

• Mengandung periode waktu yang lama (bulan atau tahun) pengamatan sejarah terperinci (per jam,harian, atau mingguan)

• Memiliki banyak musiman yang kuat• Sertakan peristiwa penting yang diketahui sebelumnya, namun tidak teratur• Memiliki titik data yang hilang atau outlier besar• Memiliki tren pertumbuhan non-linier yang mendekati batas

Nabi adalah model regresi aditif dengan tren kurva pertumbuhan linear atau logistik piecewise. Ini termasukkomponen musiman tahunan yang dimodelkan menggunakan seri Fourier dan komponen musimanmingguan yang dimodelkan menggunakan variabel dummy.

Untuk informasi selengkapnya, lihatNabi: peramalan dalam skala.

Nabi Hyperparameters dan Seri Waktu TerkaitAmazon Forecast menggunakan Nabi defaulthyperparameter. Prophet juga mendukung rangkaian waktuterkait sebagai fitur, yang disediakan untuk Amazon Forecast dalam file CSV seri waktu terkait.

127

https://facebook.github.io/prophet/

https://facebook.github.io/prophet/docs/quick_start.html#python-ap

https://research.fb.com/prophet-forecasting-at-scale/

https://facebook.github.io/prophet/docs/quick_start.html#python-ap

Amazon Forecast Panduan DeveloperMembuat prakiraan

PrakiraanSetelah Anda membuat prediktor Amazon Forecast, Anda siap untuk membuat prakiraan. Perkiraanmencakup prediksi untuk setiap item (item_id) dalam kelompok dataset yang digunakan untuk melatihprediktor. Untuk menghasilkan perkiraan pada subset item, impor hanya item ke dataset yang sama yangdigunakan untuk melatih prediktor, dan kemudian membuat perkiraan Anda.

Setelah membuat perkiraan, Anda dapat mengekspornya ke bucket Amazon Simple Storage Service(Amazon S3).

Topik• Membuat prakiraan (p. 128)• Mengekspor prakiraan (p. 129)• Prakiraan (p. 131)

Membuat prakiraanAnda dapat membuat perkiraan dengan konsol Forecast,AWS CLI, atauAWSSDK. Status prediktor AndaharusAktifsebelum Anda dapat menghasilkan perkiraan.

Console

Untuk membuat perkiraan


2. FromGrup set data, pilih grup dataset Anda.3. Pada grup dataset AndaDasbor, di bawahMenghasilkan prakiraan, pilihMulai. ParameterBuat

prakiraanhalaman akan muncul.4. PadaBuat prakiraanhalaman, untukRincian Forecast, berikan nama untuk perkiraan Anda dan pilih

prediktor yang ingin Anda gunakan untuk membuat prakiraan.5. UntukKuantil, opsional menentukan kuantil di mana prakiraan probabilistik dihasilkan. Kuantil

default adalah kuantil yang Anda tentukan selama pembuatan prediktor.6. Opsional menambahkan tag untuk perkiraan. Untuk informasi selengkapnya, lihatPenandaan

Sumber Daya Amazon Forecast (p. 145).7. MemiilihBuat prakiraan. ParameterPrakiraanhalaman akan muncul.

ParameterStatuskolom mencantumkan status perkiraan Anda. Tunggu Amazon Forecast untukmenyelesaikan pembuatan ramalan. Prosesnya bisa memakan waktu beberapa menit atau lebihlama. Ketika perkiraan Anda telah dibuat, status transisi keAktif.

Sekarang setelah perkiraan Anda telah dibuat, Anda dapat mengekspor perkiraan. LihatMengekspor prakiraan (p. 129).

CLI

Untuk membuat perkiraan denganAWS CLI, gunakancreate-forecastperintah. Berikan namauntuk perkiraan dan Amazon Resource Name (ARN) dari prediktor. Untukforecast-types, opsionalmenentukan kuantil di mana prakiraan probabilistik dihasilkan. Nilai default adalah kuantil yang Anda

128



Amazon Forecast Panduan DeveloperMengekspor prakiraan

tentukan saat Anda membuat prediktor. Opsional menambahkan tag untuk perkiraan. Untuk informasiselengkapnya, lihatPenandaan Sumber Daya Amazon Forecast (p. 145).

Untuk informasi tentang parameter yang diperlukan dan opsional, lihatCreateForecast (p. 227).

aws forecast create-forecast \--forecast-name forecast_name \--forecast-types 0.1 0.5 0.9 \--predictor-arn arn:aws:forecast:region:account_number:predictor/predictorName \--tags Key=key1,Value=value1 Key=key2,Value=value2

Python

Untuk membuat prakiraan dengan SDK for Python (Boto3), gunakancreate_forecastmetode.Berikan nama untuk perkiraan dan Amazon Resource Name (ARN) dari prediktor.UntukForecastTypes, opsional menentukan kuantil di mana prakiraan probabilistik dihasilkan. Nilaidefault adalah kuantil yang Anda tentukan saat Anda membuat prediktor. Opsional menambahkantag untuk perkiraan. Untuk informasi selengkapnya, lihatPenandaan Sumber Daya AmazonForecast (p. 145).

Untuk informasi tentang parameter yang diperlukan dan opsional, lihatCreateForecast (p. 227).


create_forecast_response = forecast.create_forecast( ForecastName = "Forecast_Name", ForecastTypes = ["0.1", "0.5", "0.9"], # optional, the default types/quantiles are what you specified for the predictor PredictorArn = "arn:aws:forecast:region:accountNumber:predictor/predictorName", Tags = [ { "Key": "key1", "Value": "value1" }, { "Key": "key2", "Value": "value2" } ])forecast_arn = create_forecast_response['ForecastArn']print(forecast_arn)

Mengekspor prakiraanSetelah Anda membuat prakiraan, Anda dapat mengekspor ke bucket Amazon S3. Mengekspor perkiraanmenyalin perkiraan ke bucket Amazon S3 Anda sebagai file CSV, dan data yang diekspor mencakupsemua atribut dari dataset metadata item apa pun selain prediksi item.

Perincian perkiraan yang diekspor (seperti per jam, harian, atau mingguan) adalah frekuensi perkiraanyang Anda tentukan saat Anda membuat prediktor. Anda secara opsional dapat menentukanAWS KeyManagement Servicekunci untuk mengenkripsi data sebelum ditulis ke bucket.

Note

Ekspor file dapat langsung mengembalikan informasi dari Dataset Impor. Hal ini membuat filerentan terhadap injeksi CSV jika data yang diimpor berisi rumus atau perintah. Untuk alasan ini,

129

Amazon Forecast Panduan DeveloperMengekspor prakiraan

file yang diekspor dapat meminta peringatan keamanan. Untuk menghindari aktivitas berbahaya,nonaktifkan tautan dan makro saat membaca file yang diekspor.

Console

Untuk mengekspor perkiraan

1. Di panel navigasi, pada grup set data Anda, pilihPrakiraan.2. Pilih tombol radio untuk perkiraan Anda dan pilihMembuat ekspor prakiraan. ParameterMembuat

ekspor prakiraanhalaman ditampilkan.3. PadaMembuat ekspor prakiraanhalaman, untukDetail ekspor, berikan informasi berikut ini.

• Nama ekspor— Masukkan nama untuk pekerjaan ekspor prakiraan Anda.• Prakiraan yang dihasilkan- Dari menu drop-down, pilih prakiraan yang Anda buatStep 3:Create a Forecast.

• Peran IAM— Entah menjaga defaultMasukkan ARN IAM roleatau pilihMembuat peranbaruuntuk memiliki Amazon Forecast membuat peran untuk Anda.

• ARN IAM role— Jika Anda memasukkan IAM role kustom, masukkan Amazon Resource Name(ARN) dari IAM role yang Anda buatMembuat IAM Amazon Forecast (p. 6).

• ARN kunci KMS— Jika Anda menggunakanAWS Key Management Serviceuntuk enkripsibucket, berikan Amazon Resource Name (ARN)AWS KMSkunci.

• S3 perkiraan lokasi ekspor— Gunakan format berikut untuk memasukkan lokasi bucket ataufolder Amazon Simple Storage Service (Amazon S3) di bucket:

s3://<name of your S3 bucket>/<folder path>/

4. MemiilihMembuat ekspor prakiraan. Parametermy_forecasthalaman ditampilkan.

Tunggu Amazon Forecast selesai mengekspor perkiraan. Prosesnya bisa memakan waktubeberapa menit atau lebih lama. Ketika perkiraan Anda telah diekspor, status transisi keAktifdanAnda dapat menemukan file prakiraan di bucket Amazon S3 Anda.

CLI

Untuk mengekspor perkiraan denganAWS CLIAnda menggunakanexport-forecast-jobperintah.Berikan nama pekerjaan ekspor perkiraan, tentukan ARN perkiraan untuk diekspor, dan secaraopsional menambahkan tag apapun. Untukdestination, tentukan path ke bucket Amazon S3, ARNdari IAM role yang Anda buatMembuat IAM Amazon Forecast (p. 6), dan jika Anda menggunakanAWSKMSkunci untuk enkripsi ember, ARN untuk kunci Anda.

Untuk informasi selengkapnya tentang parameter yang diperlukan dan opsional,lihatCreateForecastExportJob (p. 231)operasi.

forecast create-forecast-export-job \--forecast-export-job-name exportJobName \--forecast-arn arn:aws:forecast:region:acctNumber:forecast/forecastName \--destination S3Config="{Path='s3://bucket/folderName',RoleArn='arn:aws:iam::acctNumber:role/Role, KMSKeyArn='arn:aws:kms:region:accountNumber:key/keyID'}"--tags Key=key1,Value=value1 Key=key2,Value=value2

Python

Untuk mengekspor prakiraan dengan SDK for Python (Boto3) Andamenggunakanexport_forecast_jobmetode. Berikan nama pekerjaan ekspor perkiraan, tentukanARN perkiraan untuk diekspor, dan secara opsional menambahkan tag apapun. UntukDestination,tentukan path ke bucket Amazon S3, ARN dari IAM role yang Anda buatMembuat IAM Amazon

130

Amazon Forecast Panduan DeveloperPrakiraan

Forecast (p. 6), dan jika Anda menggunakanAWS KMSkunci untuk enkripsi ember, ARN untuk kunciAnda.

Untuk informasi selengkapnya tentang parameter yang diperlukan dan opsional,lihatCreateForecastExportJob (p. 231)operasi.


export_forecast_response = forecast.create_forecast_export_job( Destination = { "S3Config": { "Path": "s3://bucketName/folderName/", "RoleArn": "arn:aws:iam::accountNumber:role/roleName", "KMSKeyArn": "arn:aws:kms:region:accountNumber:key/keyID" } }, ForecastArn = "arn:aws:forecast:region:accountNumber:forecast/forecastName", ForecastExportJobName = "export_job_name", Tags = [ { "Key": "key1", "Value": "value1" }, { "Key": "key2", "Value": "value2" } ])forecast_export_job_arn = export_forecast_response["ForecastExportJobArn"]print(forecast_export_job_arn)

PrakiraanAnda dapat membuat kueri perkiraan menggunakanQueryForecast (p. 345)operasi. Secara default,kisaran lengkap perkiraan dikembalikan. Anda dapat meminta rentang tanggal tertentu dalam perkiraanlengkap.

Ketika Anda query perkiraan Anda harus menentukan kriteria penyaringan. Sebuah filter adalah pasangannilai kunci. Kuncinya adalah salah satu nama atribut skema (termasuk dimensi perkiraan) dari salah satuset data yang digunakan untuk membuat perkiraan. Parameternilaiadalah nilai yang valid untuk kunci yangditentukan. Anda dapat menentukan pasangan nilai kunci. Perkiraan yang dikembalikan hanya akan berisiitem yang memenuhi semua kriteria.

131

Amazon Forecast Panduan DeveloperMenafsirkan Skor

Eksplainability ForecastNote

Forecast Explainability hanya tersedia untuk Prakiraan yang dihasilkan dari AutoPredictor.Anda dapat meng-upgrade prediktor warisan yang ada ke AutoPredictor. LihatMeng-upgrade keAutoPredictor (p. 66).

Forecast Explainability membantu Anda lebih memahami bagaimana atribut dalam dataset Andamemengaruhi perkiraan untuk rangkaian waktu tertentu (kombinasi item dan dimensi) dan titik waktu.Forecast menggunakan metrik yang disebut skor Dampak untuk mengukur dampak relatif dari setiap atributdan menentukan apakah mereka meningkatkan atau mengurangi nilai perkiraan.

Misalnya, pertimbangkan skenario di mana targetsalesdan ada dua atribut terkait:pricedancolor.Forecast mungkin menemukan bahwa warna item memiliki dampak tinggi pada penjualan untuk itemtertentu, tetapi efek diabaikan untuk item lainnya. Mungkin juga menemukan bahwa promosi di musimpanas memiliki dampak tinggi pada penjualan, tetapi promosi di musim dingin memiliki sedikit efek.

Untuk mengaktifkan Forecast Explainability, prediktor Anda harus menyertakan setidaknya satu dariberikut: seri waktu terkait, metadata item, atau dataset tambahan seperti Holidays dan Indeks Cuaca.

Untuk melihat nilai Dampak gabungan untuk semua rangkaian waktu dan titik waktu di dataset Anda,gunakan Predictor Explainability, bukan Forecast Explainability. LihatEksplainabilitas prediktor (p. 105).

Notebook Python

Untuk panduan langkah demi langkah tentang Eksplainability, lihatItem-Tingkat Eksplainability.

Topik• Menafsirkan Skor (p. 132)• Membuat Eksplainability (p. 133)• Memvisualisasikan Forecast (p. 137)• Ekspor Forecast (p. 137)• Pembatasan dan praktik terbaik (p. 138)

Menafsirkan SkorSkor dampak mengukur atribut dampak relatif terhadap nilai perkiraan. Misalnya, jika atribut 'price' memilikiskor dampak yang dua kali lebih besar dari atribut 'lokasi simpan', Anda dapat menyimpulkan bahwa hargaitem memiliki dua kali dampak pada nilai perkiraan daripada lokasi toko.

Skor dampak juga memberikan informasi tentang apakah atribut meningkatkan atau mengurangi nilaiperkiraan. Di konsol, ini dilambangkan dengan dua grafik. Atribut dengan batang biru meningkatkan nilaiperkiraan, sementara atribut dengan batang merah mengurangi nilai perkiraan.

132

https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb

Amazon Forecast Panduan DeveloperMembuat Eksplainability

Penting untuk dicatat bahwa skor Dampak mengukur dampak relatif atribut, bukan dampak absolut. Olehkarena itu, skor Dampak tidak dapat digunakan untuk menentukan apakah atribut tertentu meningkatkanakurasi model. Jika atribut memiliki nilai Dampak rendah, itu tidak berarti bahwa ia memiliki dampak rendahpada nilai perkiraan; itu berarti bahwa ia memiliki dampak yang lebih rendah pada nilai perkiraan daripadaatribut lain yang digunakan oleh prediktor.

Hal ini dimungkinkan untuk semua atau beberapa skor dampak menjadi nol. Hal ini dapat terjadi jika fiturtidak berdampak pada nilai perkiraan, AutoPredictor hanya menggunakan algoritma non-L, atau Anda tidakmemberikan rangkaian waktu atau metadata item terkait.

Untuk Eksplainability Forecast hadir dalam dua bentuk: Nilai dampak dinormalisasi dan skor dampakmentah. Nilai dampak mentah didasarkan pada nilai Shapley dan tidak diskalakan atau dibatasi. Nilaidampak dinormalisasi menskalakan skor mentah ke nilai antara -1 dan 1.

Nilai dampak mentah berguna untuk menggabungkan dan membandingkan skor di sumber dayaExplainability yang berbeda. Misalnya, jika prediktor Anda berisi lebih dari 50 seri waktu atau lebih dari500 poin waktu, Anda dapat membuat beberapa sumber daya Forecast Explainability untuk mencakupjumlah gabungan yang lebih besar dari seri waktu atau poin waktu, dan langsung membandingkan nilaidampak mentah untuk atribut. Namun, nilai dampak mentah untuk sumber daya Forecast Explainability dariperkiraan yang berbeda tidak langsung sebanding.

Saat melihat skor Dampak di konsol, Anda hanya akan melihat skor dampak Normalized. MengeksporExplainability akan memberi Anda nilai mentah dan dinormalisasi.

Membuat EksplainabilityDengan Forecast Explainability, Anda dapat mengeksplorasi bagaimana atribut memengaruhi nilaiperkiraan untuk rangkaian waktu tertentu pada titik waktu tertentu. Setelah menentukan rangkaian waktudan titik waktu, Amazon Forecast menghitung skor Dampak hanya untuk rangkaian waktu dan titik waktutertentu.

Anda dapat mengaktifkan Forecast Explainability untuk prediktor menggunakan SoftwareDevelopment Kit (SDK) atau konsol Amazon Forecast. Saat menggunakan SDK,gunakanCreateExplainability (p. 219)operasi.

Topik• Menentukan rangkaian waktu (p. 134)• Menentukan poin waktu (p. 135)

133

Amazon Forecast Panduan DeveloperMenentukan rangkaian waktu

Menentukan rangkaian waktuNote

Sebuah seri waktu adalah kombinasi dari item (item_id) dan semua dimensi dalam dataset Anda

Bila Anda menentukan rangkaian waktu (kombinasi item dan dimensi) untuk Forecast Explainability,Amazon Forecast menghitung skor Dampak untuk atribut hanya untuk rangkaian waktu tertentu tersebut.

Untuk menentukan daftar rangkaian waktu, unggah file CSV yang mengidentifikasi rangkaian waktu dengannilai item_id dan dimensi mereka ke bucket S3. Anda dapat menentukan hingga 50 seri waktu. Anda jugaharus menentukan atribut dan jenis atribut dari time series dalam skema.

Misalnya, pengecer mungkin ingin mengetahui bagaimana promosi berdampak pada penjualan untuk itemtertentu (item_id) di lokasi toko tertentu (store_location). Dalam kasus penggunaan ini, Anda akanmenentukan time series yang merupakan kombinasi dari item_id dan store_location.

File CSV berikut memilih seri lima waktu berikut:

1. Item_ID: 001, store_location: Seattle2. Item_ID: 001, store_location: New York3. Item_ID: 002, store_location: Seattle4. Item_ID: 002, store_location: New York5. Item_ID: 003, store_location: Denver

001, Seattle001, New York002, Seattle002, Seattle003, Denver

Skema mendefinisikan kolom pertama sebagaiitem_iddan kolom kedua sebagaistore_location.

Anda dapat menentukan rangkaian waktu menggunakan Forecast console atau Forecast SoftwareDevelopment Kit (SDK).

Console

Untuk menentukan time series untuk Forecast Explainability


2. FromKelompok basis data, pilih grup dataset Anda.3. Di panel navigasi, pilih Insights (Wawasan).4. PilihMembuat Explainability.5. DiNama explainabilitybidang, memberikan nama yang unik untuk Explainability Forecast.6. DiPilih prakiraanlapangan, pilih perkiraan Anda.7. DiLokasi S3lapangan, masukkan lokasi file CSV dengan rangkaian waktu Anda.8. DiSkema datalapangan, mengaturNama atributdanjenis atributdari ID item dan dimensi yang

digunakan dalam rangkaian waktu Anda.9. PilihBuat Explainability.

SDK


134



Amazon Forecast Panduan DeveloperMenentukan poin waktu

MenggunakanCreateExplainability (p. 219)operasi, memberikan nama yang unik untukexplainabilityName dan memberikan perkiraan ARN Anda untuk ResourceArn.

Konfigurasikan tipe data berikut:

• ExplainabilityConfig- menetapkan nilai untuk TimeSeriesGranularity ke “SPECIFIC” danTimePointGranulararity ke “ALL”. (Untuk menentukan titik waktu, atur TimePointGranularity ke“SPECIFIC”. LihatMenentukan poin waktu (p. 135))

• S3Config- atur nilai untuk “Path” ke lokasi S3 file CSV dan “RoleArn” ke peran dengan akses kebucket S3.

• Schema- mendefinisikan “AttributeName” dan “AttributeType” untuk item_id dan dimensi dalam seriwaktu Anda.

Contoh di bawah ini menunjukkan skema untuk time series menggunakan kombinasi “item_id” dan“store_location” dimensi.

{ "ExplainabilityName" : [unique_name], "ResourceArn" : [forecast_arn], "ExplainabilityConfig" { "TimeSeriesGranularity": "SPECIFIC", "TimePointGranularity": "ALL" }, "DataSource": { "S3Config": { "Path": [S3_path_to_CSV_file], "RoleArn":[role-to-access-s3-bucket] } }, "Schema": { "Attributes": [ { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "store_location", "AttributeType": "string" } ] },}

Menentukan poin waktuNote

Jika Anda tidak menentukan titik waktu ("TimePointGranularity": "ALL"), AmazonForecast akan mempertimbangkan seluruh cakrawala perkiraan saat menghitung skor Dampak.

Bila Anda menentukan titik waktu untuk Forecast Explainability, Amazon Forecast menghitung skorDampak untuk atribut untuk rentang waktu tertentu tersebut. Anda dapat menentukan hingga 500 poinwaktu berturut-turut dalam cakrawala perkiraan.

Misalnya, pengecer mungkin ingin mengetahui bagaimana atribut mereka berdampak pada penjualanselama musim dingin. Dalam kasus penggunaan ini, mereka akan menentukan titik waktu untuk hanyarentang periode musim dingin di cakrawala perkiraan.

135

Amazon Forecast Panduan DeveloperMenentukan poin waktu

Anda dapat menentukan titik waktu menggunakan Forecast console atau Forecast Software DevelopmentKit (SDK).

Console



2. FromKelompok basis data, pilih grup dataset Anda.3. Di panel navigasi, pilih Insights (Wawasan).4. PilihMembuat Explainability.5. DiNama explainabilitybidang, memberikan nama yang unik untuk Explainability Forecast.6. DiPilih prakiraanlapangan, pilih perkiraan Anda.7. DiLokasi S3lapangan, masukkan lokasi file CSV dengan rangkaian waktu Anda.8. DiSkema datalapangan, mengaturNama atributsebuahjenis atributdari ID item dan dimensi yang

digunakan dalam rangkaian waktu Anda.9. DiDurasi waktubidang, tentukan tanggal mulai dan tanggal akhir dalam kalender.10.PilihBuat Explainability.

SDK


MenggunakanCreateExplainability (p. 219)operasi, memberikan nama yang unik untukexplainabilityName dan memberikan perkiraan ARN Anda untuk ResourceArn. Mengatur tanggal mulai(StartDateTime) dan tanggal akhir (EndDateTime) menggunakan format timestamp berikut:yyyy-MM-ddTHH:mm:ss(contoh: 2015-01-01T 20:00:00).

Konfigurasikan tipe data berikut:

• ExplainabilityConfig- menetapkan nilai untuk TimeSeriesGranularity ke “SPECIFIC” danTimePointGranulararity ke “SPECIFIC

• S3Config- atur nilai untuk “Path” ke lokasi S3 file CSV dan “RoleArn” ke peran dengan akses kebucket S3.

• Schema- mendefinisikan “AttributeName” dan “AttributeType” untuk item_id dan dimensi dalam seriwaktu Anda.

Contoh di bawah ini menunjukkan skema untuk time series menggunakan kombinasi “item_id” dan“store_location” dimensi.

{ "ExplainabilityName" : [unique_name], "ResourceArn" : [forecast_arn], "ExplainabilityConfig" { "TimeSeriesGranularity": "SPECIFIC", "TimePointGranularity": "SPECIFIC" }, "DataSource": { "S3Config": { "Path": [S3_path_to_CSV_file], "RoleArn":[role-to-access-s3-bucket] } }, "Schema": { "Attributes": [

136



Amazon Forecast Panduan DeveloperMemvisualisasikan Forecast

{ "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "store_location", "AttributeType": "string" } ] }, "StartDateTime": "string", "EndDateTime": "string",}

Memvisualisasikan ForecastSaat membuat Forecast Explainability di konsol, Forecast secara otomatis memvisualisasikan skorDampak Anda. Saat membuat Forecast Explainability denganCreateExplainability (p. 219)operasi,mengaturEnableVisualizationke nilai “true” dan dampak untuk sumber daya Explainability itu akandivisualisasikan dalam konsol.

Visualisasi skor dampak berlangsung selama 30 hari sejak tanggal pembuatan Explainability. Untukmenciptakan visualisasi, buat Forecast Explainability baru.

Ekspor ForecastNote


Forecast memungkinkan Anda untuk mengekspor file CSV skor Dampak ke lokasi S3.

Ekspor berisi skor dampak mentah dan dinormalisasi untuk rangkaian waktu yang ditentukan, serta skordampak agregat dinormalisasi untuk semua rangkaian waktu yang ditentukan dan semua titik waktu yangditentukan. Jika Anda tidak menentukan titik waktu, skor dampak sudah dikumpulkan untuk semua titikwaktu di cakrawala perkiraan Anda.

137


Anda dapat mengekspor Forecast Explainability menggunakan Amazon Forecast Software DevelopmentKit (SDK) dan konsol Amazon Forecast.

Console

Untuk mengekspor Eksplainability Forecast


2. FromKelompok basis data, pilih grup dataset Anda.3. Di panel navigasi, pilih Insights (Wawasan).4. Pilih Explainability Anda.5. DariTindakandrop-down, pilihEkspor.6. DiNama eksporbidang, memberikan nama yang unik untuk Forecast Explainability.7. DiLokasi ekspor eksploitasi S3lapangan, masukkan lokasi S3 untuk mengekspor file CSV.8. DiIAM Rolelapangan, pilih peran dengan akses ke lokasi S3 yang dipilih.9. PilihBuat Ekspor Eksplainability.

SDK

Untuk mengekspor Eksplainability Forecast

MenggunakanCreateExplainabilityExport (p. 224)operasi, tentukan lokasi S3 Anda dan peran IAMdiDestinationobjek, bersama denganExplainabilityArndanExplainabilityExportName.

Misalnya:

{ "Destination": { "S3Config": { "Path": "s3://bucket/example-path/", "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole" } }, "ExplainabilityArn": "arn:aws:forecast:region:explainability/example", "ExplainabilityName": "Explainability-export-name",}

Pembatasan dan praktik terbaikPertimbangkan pembatasan dan praktik terbaik berikut saat bekerja dengan Forecast Explainability.

• Forecast Explainability hanya tersedia untuk Prakiraan yang dihasilkan dari AutoPredictor -Anda tidakdapat mengaktifkan Forecast Explainability for Forecast yang dihasilkan dari prediktor lama (AutoML ataupemilihan manual). LihatMeng-upgrade ke AutoPredictor (p. 66).

Eksplainability membutuhkan atribut- Prediktor Anda harus menyertakan setidaknya satu dari berikut:seri waktu terkait, metadata item, Liburan, atau Indeks Cuaca.

• Skor dampak nol menunjukkan tidak ada dampak- Jika satu atau lebih atribut memiliki nilai dampak nol,maka atribut ini tidak berdampak signifikan pada nilai perkiraan. Skor juga bisa nol jika AutoPredictorhanya menggunakan algoritma non-L, atau Anda tidak memberikan rangkaian waktu atau metadata itemterkait.

• Tentukan maksimum 50 seri waktu- Anda dapat menentukan hingga 50 seri waktu per ForecastExplainability.

138




• Tentukan maksimum 500 poin waktu- Anda dapat menentukan hingga 500 poin waktu berturut-turut perForecast Explainability.

• Forecast juga menghitung beberapa skor Dampak agregat- Forecast juga akan memberikan skordampak agregat untuk rangkaian waktu dan poin waktu yang ditentukan.

• Buat beberapa sumber daya Forecast Explainability untuk satu Forecast- Jika Anda ingin skor dampakselama lebih dari 50 seri waktu atau 500 poin waktu, Anda dapat membuat sumber daya Explainabilitydalam batch untuk rentang yang lebih besar.

• Bandingkan nilai dampak mentah di berbagai sumber daya Forecast Explainability- Skor dampak mentahdapat langsung dibandingkan di seluruh sumber daya Explainability dari perkiraan yang sama.

• Visualisasi Explainability tersedia selama 30 hari setelah pembuatan- Untuk melihat visualisasi setelah30 hari, buat Forecast Explainability baru dengan konfigurasi yang sama.

139

Amazon Forecast Panduan DeveloperSumber Daya Hentikan

Mengelola Sumber DayaAnda dapat mengelola sumber daya Amazon Forecast dengan menghentikan pekerjaan yang sedangberlangsung, menghapus sumber daya yang telah selesai atau gagal, memberi tag sumber daya, danmenyiapkan pemberitahuan peristiwa melalui Amazon EventBridge dan Amazon CloudWatch Events.

Topik• Sumber Daya Hentikan (p. 140)• Menghapus Sumber Daya (p. 142)• Penandaan Sumber Daya Amazon Forecast (p. 145)• Menerima Pemberitahuan Status Job (p. 148)

Sumber Daya HentikanAmazon ForecastStop Resource(StopResource (p. 337)Operasi menghentikan pekerjaan sumberdaya yang sedang berlangsung. Anda dapat menghentikan pekerjaan sumber daya berikut:

• Dataset kelompok impor (CreateDatasetImportJob)• Pelatihan prediktor (CreateAutoPredictordanCreatePredictor)• Prediktor backtest ekspor (CreatePredictorBacktestExportJob)• Forecast (CreateForecast)• Ekspor Forecast (CreateForecastExportJob)

Anda tidak dapat melanjutkan pekerjaan sumber daya setelah berhenti.

Menghentikan sumber daya mengakhiri alur kerjanya, namun tidak menghapus sumber daya. Anda masihdapat melihat pratinjau parameter sumber daya di konsol dan denganDescribe (p. 198)operasi.

Ketika Anda menghentikan pekerjaan prediktor atau perkiraan, Anda ditagih untuk sumber daya yangdigunakan sampai titik ketika pekerjaan berhenti.

Anda dapat menghentikan pekerjaan sumber daya menggunakan konsol Forecast atau AWS SoftwareDevelopment Kit (SDK).

Console

Untuk menghentikan pekerjaan sumber daya


2. Di panel navigasi, pilih jenis sumber daya.3. Pilih pekerjaan sumber daya.4. Pilih Berhenti.

140



Amazon Forecast Panduan DeveloperSumber Daya Hentikan

SDK

Untuk menghentikan pekerjaan sumber daya

MenggunakanStopResource (p. 337)operasi, mengatur nilaiResourceArnAmazon Resource Name(ARN) yang mengidentifikasi pekerjaan sumber daya yang ingin Anda hentikan.

{ "ResourceArn": "arn:partition:service:region:account-id:resource-id" }

141

Amazon Forecast Panduan DeveloperMenghapus Sumber Daya

Menghapus Sumber DayaAnda dapat menghapus sumber daya Amazon Forecast individual dan seluruh pohon sumber daya dengankonsol Amazon Forecast dan AWS Software Development Kit (SDK).

Pohon sumber daya Forecast adalah struktur hirarkis orangtua-anak. Sumber daya anakadalah sumberdaya yang dibuat dari sumber daya lain. Misalnya, ketika Anda membuat prediktor menggunakan grupdataset, grup dataset adalah sumber daya induk dan prediktor adalah sumber daya anak. Saat menghapussumber daya Forecast, Anda juga harus menghapus sumber daya anaknya.

Menghapus sumber daya atau sumber daya pohon adalah tindakan ireversibel. Hal ini tidak dapatdihentikan setelah dimulai

Topik• Memahami Pohon Sumber Daya (p. 142)• Menghapus Sumber Daya Individu (p. 143)• Menghapus Pohon Sumber Daya (p. 144)

Memahami Pohon Sumber DayaPohon sumber daya Forecast adalah struktur hirarkis orangtua-anak. Sumber daya anakadalah sumberdaya yang diciptakan dari sumber daya lain. Misalnya, ketika perkiraan dihasilkan dari prediktor, ramalanadalah sumber daya anak dan prediktor adalah sumber daya induk.

Untuk menghapus sumber daya Forecast, Anda juga harus menghapus seluruh pohon sumber daya. Initermasuk semua sumber daya anak dari sumber daya induk, dan juga sumber daya anak dari sumber dayaanak tersebut.

Note

Menghapus pohon sumber daya hanya menghapus sumber daya Amazon Forecast. Perangkatini tidak menghapus set data atau file yang diekspor yang disimpan di Amazon Simple StorageService (Amazon S3).

Sumber daya Forecast memiliki hierarki sumber daya orangtua-anak berikut.

Misalnya, pohon sumber daya dariprediktortermasukLowongan kerja prediktor,perkiraan, danExportjobssebagai sumber daya anak. Pohon sumber daya dariramalan cuacahanya mencakupExportjobssebagai sumber daya anak.

Parameterdatasettree sumber daya meliputiimport jobssebagai sumber daya anak. Tidakdatsetatauimportjobsadalah bagian darigrup set datapohon sumber daya.

Sumber DayaInduk

Sumber Daya Anak

Set data Lowongan kerja Dataset import

Grup set data Prediktor, prediktor backtest pekerjaan ekspor, penjelasan prediktor, eksporeksplainability prediktor, prakiraan, pekerjaan ekspor perkiraan, penjelasan perkiraan,ekspor ekspektasi explainability

Prediktor Prediktor backtest pekerjaan ekspor, penjelasan prediktor, ekspor eksplainabilityprediktor, prakiraan, pekerjaan ekspor perkiraan, penjelasan perkiraan, eksporekspektasi penjelasan

Prakiraan Forecast pekerjaan ekspor, penjelasan perkiraan, perkiraan ekspor eksplainability

142

Amazon Forecast Panduan DeveloperMenghapus Sumber Daya Individu

Sumber DayaInduk

Sumber Daya Anak

Eksplainabilitas Ekspor eksplainabilitas

Jika sumber daya tidak memiliki sumber daya anak, Anda dapat menghapusnya secara terpisah. Jikasumber daya memiliki sumber daya anak, Anda harus menghapus seluruh pohon sumber daya.

Saat menggunakan konsol Forecast, Anda secara otomatis diminta untuk menghapus seluruh pohonsumber daya saat Anda menghapus sumber daya dengan sumber daya anak. Saat menggunakanKit Pengembangan Perangkat Lunak (SDK) AWS, gunakan Kit Pengembangan Perangkat LunakAWSDeletereSourceTree (p. 264)operasi untuk menghapus pohon sumber daya.

Menghapus Sumber Daya IndividuAnda dapat menghapus sumber daya individual jika sumber daya anak tersebut tidak terkait. Misalnya,Anda dapat menghapus prediktor individu yang belum digunakan untuk membuat prakiraan atau pekerjaanekspor.

Anda dapat menghapus sumber daya menggunakan konsol Amazon Forecast atau AWS SoftwareDevelopment Kit (SDK).

Console

Cara menghapus sumber daya


2. Pada panel navigasi, pilih jenis sumber daya yang ingin Anda hapus.3. Pilih sumber daya dan pilihHapus.4. Di bidang konfirmasi, ketikdelete.5. Pilih Delete (Hapus).

143



Amazon Forecast Panduan DeveloperMenghapus Pohon Sumber Daya

SDK

Cara menghapus sumber daya

Operasi yang Anda gunakan untuk menghapus sumber daya tergantung pada jenis sumber dayanya.Tentukan Nama Sumber Daya Amazon (ARN) yang ingin Anda hapus:

• DeleteDataset (p. 246)• DeleteDatasetGroup (p. 248)• DeleteDatasetImportJob (p. 250)• DeletePredictor (p. 260)• DeletePredictorBackTestExportJob (p. 262)• DeleteForecast (p. 256)• Menghapus ForecasTexportJob (p. 258)• DeleteExplainability (p. 252)

Misalnya, untuk menghapus prediktor denganDeletePredictor (p. 260)operasi, menentukannilaiPredictorArnke ARN prediktor yang ingin Anda hapus.

{ "PredictorArn": arn:partition:service:region:account-id:resource-id }

Menghapus Pohon Sumber DayaMenghapus pohon sumber daya menghapus sumber daya induk dan semua sumber daya anak yangterkait. Misalnya, Anda dapat menghapus prediktor dan semua sumber daya anak - pekerjaan eksporprediktor backtest, prakiraan, dan perkiraan pekerjaan ekspor - terkait dengan prediktor. Anda menghapuspohon sumber daya dengan menentukan sumber daya induk.

Anda dapat menghapus pohon sumber daya menggunakan konsol Amazon Forecast atau AWS SoftwareDevelopment Kit (SDK).

Console

Cara menghapus tree sumber daya


2. Pada panel navigasi, pilih jenis sumber daya induk.3. Pilih sumber daya induk yang ingin Anda hapus. dan pilihHapus.4. Di bidang konfirmasi, ketikdelete.5. Pilih Delete (Hapus).

144



Amazon Forecast Panduan DeveloperMenandai Sumber Daya

SDK

Cara menghapus tree sumber daya

Untuk menghapus tree sumber daya, gunakan tree sumberdayaDeletereSourceTree (p. 264)operasi. Mengatur nilaiResourceArnAmazon Resource Name(ARN) dari sumber daya induk.

{ "ResourceArn": arn:partition:service:region:account-id:resource-id }

Penandaan Sumber Daya Amazon ForecastSEBUAHmenandaiadalah label yang Anda tentukan dan kaitkan secara opsionalAWSsumber daya,termasuk jenis sumber daya Amazon Forecast tertentu. Tag dapat membantu Anda mengategorikan danmengelola sumber daya dengan cara yang berbeda, misalnya berdasarkan tujuan, pemilik, lingkungan,atau kriteria lainnya. Misalnya, Anda dapat menggunakan tag untuk menerapkan kebijakan atauotomatisasi, atau untuk mengidentifikasi sumber daya yang tunduk pada persyaratan kepatuhan tertentu.Anda dapat menambahkan tanda ke jenis sumber daya Forecast berikut ini:

• Grup set data• Set Data• Lowongan kerja Dataset import• Prediktor• Lowongan kerja Predictor export• Prakiraan

145

Amazon Forecast Panduan DeveloperMengelola Tanda

• Forecast pekerjaan ekspor

Sumber daya dapat memiliki sebanyak 50 tag.

Mengelola TandaSetiap tanda terdiri atas kunci tanda yang diperlukan dan nilai tanda opsional, yang keduanya Andatentukan. Kunci tag adalah label umum yang bertindak sebagai kategori untuk nilai tag yang lebihspesifik. Nilai tag bertindak sebagai deskriptor untuk kunci tag. Misalnya, jika Anda memiliki dua versipekerjaan impor dataset Forecast (satu untuk pengujian internal dan lainnya untuk produksi), Andamungkin menetapkanEnvironmenttag kunci untuk kedua proyek. Nilai dariEnvironmentkunci tagmungkinTestuntuk satu versi dari pekerjaan impor dataset danProductionuntuk versi lainnya.

Kunci tag dapat berisi sebanyak 128 karakter. Nilai tag dapat berisi sebanyak 256 karakter. Karakter dapatberupa huruf Unicode, angka, spasi putih, atau salah satu simbol berikut: _.:/= + -. Batasan tambahanberikut berlaku untuk tanda:

• Kunci dan nilai tag peka huruf besar dan kecil.• Untuk setiap sumber daya yang terkait, setiap kunci tag harus unik dan hanya dapat memiliki satu nilai.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau kecil seperti prefiks untuk kunci, karena

dicadangkan untukAWSgunakan. Anda tidak dapat mengedit atau menghapus kunci tag dengan awalanini. Nilai dapat memiliki awalan ini. Jika nilai tag memilikiawssebagai awalan tetapi kuncinya tidak, makaForecast menganggapnya sebagai tag pengguna dan akan menghitung terhadap batas 50 tag. Tagdengan hanya key prefixawsjangan dihitung terhadap tanda Anda per batas sumber daya.

• Anda tidak dapat memperbarui atau menghapus sumber daya hanya berdasarkan tag nya. Anda jugaharus menentukan Amazon Resource Name (ARN) atau ID sumber daya, tergantung pada operasi yangAnda gunakan.

• Anda dapat mengaitkan tag dengan sumber daya publik atau bersama. Namun, tag hanya tersediauntuk akun AWS Anda, bukan akun lain yang berbagi sumber daya. Selain itu, tag hanya tersedia untuksumber daya yang terletak di Wilayah AWS yang ditentukan untuk akun AWS Anda.

Untuk menambahkan, menampilkan, memperbarui, dan menghapus kunci tag dan nilai dari sumberForecast, Anda dapat menggunakanAWS Command Line Interface(AWS CLI), Forecast API, atau AWSSDK.

Menggunakan Tag dalam Kebijakan IAMSetelah Anda mulai menerapkan izin tingkat sumber dayaAWS Identity and Access Management(IAM)kebijakan dan operasi API. Ini termasuk operasi yang mendukung penambahan tag ke sumber daya saatsumber daya dibuat. Dengan menggunakan tag dengan cara ini, Anda dapat menerapkan kontrol granularyang kelompok dan pengguna di AndaAWSakun memiliki izin untuk membuat dan menandai sumberdaya, dan grup dan pengguna mana yang memiliki izin untuk membuat, memperbarui, dan menghapus tagsecara lebih umum.

Misalnya, Anda dapat membuat kebijakan yang memungkinkan pengguna untuk memiliki akses penuh kesemua sumber daya Forecast dimana nama mereka merupakan nilai diOwnertag untuk sumber daya.

{ "Version": "2012-10-17", "Statement": [ { "Sid": "ModifyResourceIfOwner", "Effect": "Allow", "Action": "forecast:*",

146

Amazon Forecast Panduan DeveloperMenambahkan Tanda ke Sumber Daya

"Resource": "*", "Condition": { "StringEqualsIgnoreCase": { "aws:ResourceTag/Owner": "${aws:username}" } } } ]}

Contoh berikut menunjukkan cara membuat kebijakan untuk memungkinkan pembuatan dan menghapusset data. Operasi ini hanya diperbolehkan jika nama penggunajohndoe.

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:CreateDataset", "forecast:DeleteDataset" ], "Resource": "arn:aws:forecast:*:*:dataset/*", "Condition": { "StringEquals": {"aws:username" : "johndoe"} } }, { "Effect": "Allow", "Action": "forecast:DescribeDataset", "Resource": "*" } ]}

Jika Anda menentukan izin tingkat sumber daya, izin akan segera berlaku. Ini berarti bahwa sumber dayaAnda lebih aman segera setelah dibuat, dan Anda dapat dengan cepat mulai menerapkan penggunaantag untuk sumber daya baru. Anda juga dapat menggunakan izin tingkat sumber daya untuk mengontrolkunci dan nilai tag dapat dikaitkan dengan sumber daya baru dan yang sudah ada. Untuk informasiselengkapnya, lihatMengontrol Akses Menggunakan TagdiAWSPanduan Pengguna IAM.

Menambahkan Tanda ke Sumber DayaContoh berikut menunjukkan cara menambahkan sebuah tag ke sumber daya Forecast denganmenggunakanAWS CLIdanAWS Management Console.

AWS CLI

Untuk menambahkan tag saat membuat sumber daya Forecast baru denganAWS CLI, gunakan yangsesuaicreateperintah untuk sumber daya dan termasuktagsparameter dan nilai. Misalnya, perintahberikut dari membuat grup set data baru bernamamyDatasetGroupuntuk domain CUSTOM, danmenambahkan tag berikut: SesiEnvironmentkunci tag denganTestnilai tag, danOwnerkunci tagdanxyzCorpnilai.

aws forecast create-dataset-group \--dataset-group-name myDatasetGroup \--dataset-arns arn:aws:forecast:region:acct-id:dataset/dataset_name \--domain CUSTOM \--tags Key=Environment,Value=Test Key=Owner,Value=xyzCorp

147

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html

https://docs.aws.amazon.com/cli/latest/userguide/

Amazon Forecast Panduan DeveloperInformasi tambahan

Untuk informasi tentang perintah yang dapat Anda gunakan untuk membuat sumber daya Forecast,lihatPrakiraanAWS CLIReferensi Perintah.

Untuk menambahkan sebuah tag ke sumber daya yang ada, gunakantag-resourceperintah danmenentukan ARN sumber daya dan memberikan kunci tag dan nilai dalamtags-modelparameter.

aws forecast tag-resource \--resource-arn resource ARN \--tags Key=key,Value=value

AWS Management Console

Bila Anda membuat sumber daya di Forecast, Anda dapat menambahkan tag opsional. Contoh berikutmenambahkan tag ke grup dataset. Menambahkan tag ke sumber daya lain mengikuti pola yangsama.

Untuk menambahkan tanda ke grup set data baru


2. PilihBuat grup set data.3. UntukNama grup set data, masukkan nama.4. UntukDomain peramalan, pilih domain.5. Pilih Add new tag (Tambahkan tanda baru).6. UntukKuncidanNilai, masukkan nilai yang sesuai.

Misalnya,EnvironmentdanTest, masing-masing.7. Untuk menambahkan tanda, pilihTambahkan tag baru.

Anda dapat menambahkan hingga 50 tag ke sumber daya.8. PilihSelanjutnyauntuk terus membuat sumber daya Anda.

Informasi tambahanUntuk informasi lebih lanjut tentang penandaan, lihat sumber daya berikut ini.

• Prinsip Penandaan AWSdiAWSReferensi Umum• Strategi Penandaan AWS(PDF yang dapat diunduh)• Kontrol Akses AWSdiAWSPanduan Pengguna IAM• Kebijakan Penandaan AWSdiAWS OrganizationsPanduan Pengguna

Menerima Pemberitahuan Status JobAnda dapat meminta Amazon EventBridge atau Amazon CloudWatch Events memberi tahu Anda tentangpembaruan status untuk pekerjaan sumber daya Amazon Forecast yang sedang berlangsung, sepertimembuat prediktor atau prakiraan. EventBridge dan CloudWatch Events memberikan pengaliran sistemwaktu nyata yang menjelaskan perubahan di Amazon Web Services (AWS) sumber daya. Misalnya, Andadapat mengatur acara untuk memberi tahu Anda ketika prediktor Forecast menyelesaikan pelatihan.

Peristiwa dipancarkan atas dasar upaya terbaik. Untuk informasi selengkapnya tentang peristiwa,lihatPanduan Pengguna Amazon EventBridgeatauPanduan Pengguna Amazon CloudWatch Events.

148

https://docs.aws.amazon.com/cli/latest/reference/forecast/



https://docs.aws.amazon.com/general/latest/gr/aws_tagging.html

https://d1.awsstatic.com/whitepapers/aws-tagging-best-practices.pdf

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html

https://docs.aws.amazon.com/organizations/latest/userguide/orgs_introduction.html

https://docs.aws.amazon.com/eventbridge/latest/userguide/what-is-amazon-eventbridge.html

https://docs.aws.amazon.com/AmazonCloudWatch/latest/events/WhatIsCloudWatchEvents.html

Amazon Forecast Panduan DeveloperPekerjaan Pemantauan Forecast Sumber Daya

Note

Sebaiknya gunakan Amazon EventBridge untuk mengelola acara. CloudWatch Events danEventBridge menggunakan API yang sama dan menyediakan fungsionalitas yang sama,tetapi EventBridge menyediakan lebih banyak fitur. Perubahan yang Anda buat di CloudWatchatau EventBridge akan muncul di setiap konsol. Untuk informasi selengkapnya, lihat AmazonEventBridge.

Topik• Pekerjaan Pemantauan Forecast Sumber Daya (p. 149)• Membuat Aturan EventBridge untuk Pemberitahuan Status Job (p. 150)• Membuat Aturan CloudWatch Events untuk Pemberitahuan Status Job (p. 150)

Pekerjaan Pemantauan Forecast Sumber DayaSebuah peristiwa menunjukkan perubahan dalamAWSlingkungan, dan aturan cocok peristiwa yangmasuk dan merutekannya ke target pemrosesan. Anda dapat menyiapkan aturan untuk mencocokkanperistiwa Forecast dan merutekannya ke satu atau beberapa fungsi atau pengaliran target. EventBridgedan CloudWatch Events mendeteksi peristiwa saat terjadi dan memanggil target dalam aturan yang cocok.

Tabel berikut mencantumkan pekerjaan sumber daya Forecast dan peristiwa perubahan status mereka,yang dapat Anda pantau.

Job Sumber Daya Nama Peristiwa PerubahanStatus

Status

CreateDatasetImportJob Forecast Dataset Impor TugasPerubahan Status Tugas

AKTIF,CREATE_IN_PROGRESS,CREATE_FAILED,CREATE_STOPPED

CreatePredictor Forecast Prediktor PenciptaanNegara Perubahan


CreateForecast Forecast Forecast PenciptaanPerubahan Negara


CreatePredictorBacktestEksporJob Forecast Prediktor BacktestEkspor Job Perubahan Negara


CreateForecastExportJob Forecast Ekspor TugasPerubahan Status Tugas


DeleteDataset Forecast Dataset PenghapusanNegara Perubahan

DELETE_IN_PROGRESS,DELETE_FAILED

DeleteDatasetImportJob Forecast Dataset Impor JobPenghapusan Negara Perubahan


149

https://docs.aws.amazon.com/eventbridge/index.html

https://docs.aws.amazon.com/eventbridge/index.html

https://docs.aws.amazon.com/forecast/latest/dg/API_CreateDatasetImportJob.html

https://docs.aws.amazon.com/forecast/latest/dg/API_CreatePredictor.html


https://docs.aws.amazon.com/forecast/latest/dg/API_CreatePredictorBacktestExportJob.html

https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecastExportJob.html

https://docs.aws.amazon.com/forecast/latest/dg/API_DeleteDataset.html

https://docs.aws.amazon.com/forecast/latest/dg/API_DeleteDatasetImportJob.html

Amazon Forecast Panduan DeveloperMembuat Aturan EventBridge

untuk Pemberitahuan Status Job

Job Sumber Daya Nama Peristiwa PerubahanStatus

Status

DeletePredictor Forecast Prediktor PenghapusanNegara Perubahan


DeleteForecast Forecast Forecast PenghapusanPerubahan Negara


Notifikasi berisi informasi tentang sumber daya, termasuk Nama Sumber Daya Amazon (ARN), statuspekerjaan, durasi pekerjaan (dalam hitungan menit), dan, jika pekerjaan gagal, pesan kesalahan.Menghapus notifikasi peristiwa tidak menyertakanDurationbidang. Berikut adalah contoh notifikasi:

{ "version": "0", "id": "017fcb6d-7ca3-ebf8-819e-3e0fa956ee17", "detail-type": "Forecast Dataset Import Job State Change", "source": "aws.forecast", "account": "000000000001", "time": "2021-02-19T05:45:51Z", "region": "us-east-1", "resources": [ "arn:aws:forecast:us-west-2:000000000001:dataset/example_data" ], "detail": { "Arn": "arn:aws:forecast:us-west-2:000000000001:dataset/example_data", "Duration": 60, "Status": "ACTIVE", }}

Membuat Aturan EventBridge untuk PemberitahuanStatus JobUntuk membuat aturan EventBridge untuk memberi tahu Anda tentang perubahan status untuk pekerjaansumber daya Forecast yang sedang berlangsung, lihatMembuat aturan untukAWSlayanandiPanduanPengguna Amazon EventBridge. Dalam prosedurnya, untukNama layanan, pilihAmazon Forecast.UntukJenis acara, pilih acara Forecast untuk dipantau. LihatPekerjaan Pemantauan Forecast SumberDaya (p. 149)untuk daftar peristiwa Forecast.

Membuat Aturan CloudWatch Events untukPemberitahuan Status JobUntuk membuat aturan CloudWatch Events untuk memberi tahu Anda tentang perubahan status untukpekerjaan sumber daya Forecast yang sedang berlangsung, lihatMembuat Aturan CloudWatch Eventsyang Memicu PeristiwadiPanduan Pengguna Amazon CloudWatch. Dalam prosedurnya, untukNamalayanan, pilihAmazon Forecast. UntukJenis acara, pilih acara Forecast untuk dipantau. LihatPekerjaanPemantauan Forecast Sumber Daya (p. 149)untuk daftar peristiwa Forecast.

150

https://docs.aws.amazon.com/forecast/latest/dg/API_DeletePredictor.html

https://docs.aws.amazon.com/forecast/latest/dg/API_DeleteForecast.html

https://docs.aws.amazon.com/eventbridge/latest/userguide/create-eventbridge-rule.html

https://docs.aws.amazon.com/AmazonCloudWatch/latest/events/Create-CloudWatch-Events-Rule.html

https://docs.aws.amazon.com/AmazonCloudWatch/latest/events/Create-CloudWatch-Events-Rule.html

Amazon Forecast Panduan DeveloperDidukungAWSKawasan

Pedoman dan KuotaBagian berikut berisi informasi tentang pedoman dan kuota Amazon Forecast.

Topik• DidukungAWSKawasan (p. 151)• Kepatuhan (p. 151)• Service Quotas (p. 151)

DidukungAWSKawasanUntuk daftarAWSWilayah yang mendukung Forecast, lihatAWSWilayah dan Titik Akhirdi dalamReferensiUmum Amazon Web Services.

KepatuhanUntuk informasi selengkapnya tentang program kepatuhan Forecast, lihatAWSKepatuhan,AWSProgramKepatuhan, danAWSLayanan dalam Lingkup oleh Program Kepatuhan.

Service QuotasNote

Untuk meminta peningkatan kuota yang dapat disesuaikan, gunakanService Quotasdan ikutilangkah-langkah diMeminta peningkatan kuotabagianService Quotas.

Forecast memiliki kuota layanan berikut.

Kuota Dikenakan olehCreateDatasetImportJob (p. 214)API

Resource Kuota Default Dapat Disesuaikan

Jumlah maksimum file dalambucket Amazon S3

10.000 Tidak

Ukuran kumulatif maksimumsemua file di bucket Amazon S3Anda

30 GBYa

Jumlah maksimum set datadalam grup set data

3 (1 untuk setiap jenis) Tidak

Jumlah maksimum baris dalamset data

3 miliar

Catatan: kuota untukap-south-1wilayah adalah 1 miliar.

Ya

Jumlah maksimum kolom dalamset data deret waktu target

(Kolom yang dibutuhkan+dimensiperkiraan tambahan)

13 (3 + 10)

Tidak

151

https://docs.aws.amazon.com/general/latest/gr/rande.html#forecast_region

http://aws.amazon.com/compliance/

http://aws.amazon.com/compliance/programs/


http://aws.amazon.com/compliance/services-in-scope

https://console.aws.amazon.com/servicequotas/

https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html

Amazon Forecast Panduan DeveloperService Quotas


Jumlah maksimum kolom dalamset data deret waktu terkait

(Kolom yang diperlukan+dimensiperkiraan tambahan+fitur terkait)

25 (2 + 10 + 13)

Tidak

Jumlah maksimum kolom dalamset data metadata item

10 Tidak

Kuota Dikenakan olehCreatePredictor (p. 235)API


Maksimumnumberof backtestwindows(EvaluationParameters (p. 371))

5Tidak

Jumlah maksimum deret waktuper prediktor

(jumlah item X jumlah nilai unik diseluruh dimensi perkiraan dalamdataset seri waktu target)

5.000.000 di semua item dandimensi seri waktu target.

Catatan: kuota untukap-south-1wilayah 1.000.000.

Jika Anda melebihi 100.000 item,Forecast mendukung frekuensitahunan, bulanan, mingguan,dan harian, bukan frekuensi yanglebih granular (seperti per jam).

Ya

Jumlah prakiraan maksimum CNN-QR, Deepar +, AutoML:Semakin rendah dari 500 titikdata atau 1/3 dari panjangdataset seri waktu target

ETS, NPTS, Nabi, ARIMA:Semakin rendah dari 500 titikdata atau panjang dataset seriwaktu target minus satu.

Tidak

Kuota Sumber Daya


ParalelmaksimumCreateDatasetImportJobtugas

3 Ya

ParalelmaksimumCreatePredictortugas

3 Ya

ParalelmaksimumCreatePredictortugasmenggunakan AutoML

3Ya

ParalelmaksimumCreateAutoPredictortugas

3 Tidak

152



ParalelmaksimumCreateExplainabilitytugas

3 Tidak

ParalelmaksimumCreateExplainabilityTugasekspor

3Tidak

ParalelmaksimumCreatePredictorBacktestExportJobtugas

3 Ya

ParalelmaksimumCreateForecasttugas

3 Ya

ParalelmaksimumCreateForecastExportJobtugas

3 Ya

ParalelmaksimumStopResourcetugasper jenis sumber daya

3Ya

Jumlah maksimum set data 1500 Ya

Jumlah maksimum grup set data 500 Ya

Jumlah maksimum tugas imporset data

1000 Ya

Jumlah maksimum prediktor 500 Ya

Jumlah maksimumAutoPredictors 500 Tidak

Jumlah maksimum tugas eksporbacktest prediktor

1000 Ya

Jumlah maksimum prakiraan 100 Ya

Jumlah maksimum tugas eksporprakiraan

1000 Ya

Waktu maksimum yang prakiraandapat ditanyakan pada konsolatauQueryForecast (p. 345)API

30 hariTidak

Jumlah maksimum tag yangdapat Anda tambahkan kesumber daya

50Tidak

ParalelmaksimumQueryForecastTugasAPI

10 prakiraan, termasuk 5 dibuatdengan dataset besar (apa punlebih dari 20GB atau 100.000item).

Jika Anda memiliki lebihdari 5 prakiraan yangdibuat dengan datasetbesar,QueryForecastdapatmengakses hanya 5 perkiraandataset besar terbaru.

Tidak

153



Jumlah maksimum Explainability 1000 Tidak

Jumlah maksimum pekerjaanEkspor

1000 Tidak

154


Nama Bidang CadanganAmazon Forecast menyimpan nama-nama berikut. Anda tidak dapat menggunakan nama-nama ini untukbidang skema atau header dataset Anda.

A

• A

• ABORT

• ABS

• ABSOLUTE

• ACCESS

• ACTION

• ADA

• ADD

• ADMIN

• AFTER

• AGGREGATE

• ALIAS

• ALL

• ALLOCATE

• ALSO

• ALTER

• ALWAYS

• ANALYSE

• ANALYZE

• AND

• ANY

• ARE

• ARRAY

• AS

• ASC

• ASENSITIVE

• ASSERTION

• ASSIGNMENT

• ASYMMETRIC

• AT

• ATOMIC

• ATTRIBUTE

• ATTRIBUTES

• AUDIT

• AUTHORIZATION

• AUTO_INCREMENT

• AVG

155


• AVG_ROW_LENGTH

B

• BACKUP

• BACKWARD

• BEFORE

• BEGIN

• BERNOULLI

• BETWEEN

• BIGINT

• BINARY

• BIT

• BIT_LENGTH

• BITVAR

• BLOB

• BOOL

• BOOLEAN

• BOTH

• BREADTH

• BREAK

• BROWSE

• BULK

• BY

C

• C

• CACHE

• CALL

• CALLED

• CARDINALITY

• CASCADE

• CASCADED

• CASE

• CAST

• CATALOG

• CATALOG_NAME

• CEIL

• CEILING

• CHAIN

• CHANGE

• CHAR

• CHAR_LENGTH

• CHARACTER

• CHARACTER_LENGTH

156


• CHARACTER_SET_CATALOG

• CHARACTER_SET_NAME

• CHARACTER_SET_SCHEMA

• CHARACTERISTICS

• CHARACTERS

• CHECK

• CHECKED

• CHECKPOINT

• CHECKSUM

• CLASS

• CLASS_ORIGIN

• CLOB

• CLOSE

• CLUSTER

• CLUSTERED

• COALESCE

• COBOL

• COLLATE

• COLLATION

• COLLATION_CATALOG

• COLLATION_NAME

• COLLATION_SCHEMA

• COLLECT

• COLUMN

• COLUMN_NAME

• COLUMNS

• COMMAND_FUNCTION

• COMMAND_FUNCTION_CODE

• COMMENT

• COMMIT

• COMMITTED

• COMPLETION

• COMPRESS

• COMPUTE

• CONDITION

• CONDITION_NUMBER

• CONNECT

• CONNECTION

• CONNECTION_NAME

• CONSTRAINT

• CONSTRAINT_CATALOG

• CONSTRAINT_NAME

• CONSTRAINT_SCHEMA

• CONSTRAINTS

• CONSTRUCTOR

157


• CONTAINS

• CONTAINSTABLE

• CONTINUE

• CONVERSION

• CONVERT

• COPY

• CORR

• CORRESPONDING

• COUNT

• COVAR_POP

• COVAR_SAMP

• CREATE

• CREATEDB

• CREATEROLE

• CREATEUSER

• CROSS

• CSV

• CUBE

• CUME_DIST

• CURRENT

• CURRENT_DATE

• CURRENT_DEFAULT_TRANSFORM_GROUP

• CURRENT_PATH

• CURRENT_ROLE

• CURRENT_TIME

• CURRENT_TIMESTAMP

• CURRENT_TRANSFORM_GROUP_FOR_TYPE

• CURRENT_USER

• CURSOR

• CURSOR_NAME

• CYCLE

D

• DATA

• DATABASE

• DATABASES

• DATETIME

• DATETIME_INTERVAL_CODE

• DATETIME_INTERVAL_PRECISION

• DAY

• DAY_HOUR

• DAY_MICROSECOND

• DAY_MINUTE

• DAY_SECOND

• DAYOFMONTH

158


• DAYOFWEEK

• DAYOFYEAR

• DBCC

• DEALLOCATE

• DEC

• DECIMAL

• DECLARE

• DEFAULT

• DEFAULTS

• DEFERRABLE

• DEFERRED

• DEFINED

• DEFINER

• DEGREE

• DELAY_KEY_WRITE

• DELAYED

• DELETE

• DELIMITER

• DELIMITERS

• DENSE_RANK

• DENY

• DEPTH

• DEREF

• DERIVED

• DESC

• DESCRIBE

• DESCRIPTOR

• DESTROY

• DESTRUCTOR

• DETERMINISTIC

• DIAGNOSTICS

• DICTIONARY

• DISABLE

• DISCONNECT

• DISK

• DISPATCH

• DISTINCT

• DISTINCTROW

• DISTRIBUTED

• DIV

• DO

• DOMAIN

• DOUBLE

• DROP

• DUAL

• DUMMY

159


• DUMP

• DYNAMIC

• DYNAMIC_FUNCTION

• DYNAMIC_FUNCTION_CODE

E

• EACH

• ELEMENT

• ELSE

• ELSEIF

• ENABLE

• ENCLOSED

• ENCODING

• ENCRYPTED

• END

• END-EXEC

• ENUM

• EQUALS

• ERRLVL

• ESCAPE

• ESCAPED

• EVERY

• EXCEPT

• EXCEPTION

• EXCLUDE

• EXCLUDING

• EXCLUSIVE

• EXEC

• EXECUTE

• EXISTING

• EXISTS

• EXIT

• EXP

• EXPLAIN

• EXTERNAL

• EXTRACT

F

• FALSE

• FETCH

• FIELDS

• FILE

• FILLFACTOR

• FILTER

160


• FINAL

• FIRST

• FLOAT

• FLOAT4

• FLOAT8

• FLOOR

• FLUSH

• FOLLOWING

• FOR

• FORCE

• FOREIGN

• FORTRAN

• FORWARD

• FOUND

• FREE

• FREETEXT

• FREETEXTTABLE

• FREEZE

• FROM

• FULL

• FULLTEXT

• FUNCTION

• FUSION

G

• G

• GENERAL

• GENERATED

• GET

• GLOBAL

• GO

• GOTO

• GRANT

• GRANTED

• GRANTS

• GREATEST

• GROUP

• GROUPING

H

• HANDLER

• HAVING

• HEADER

• HEAP

161


• HIERARCHY

• HIGH_PRIORITY

• HOLD

• HOLDLOCK

• HOST

• HOSTS

• HOUR

• HOUR_MICROSECOND

• HOUR_MINUTE

• HOUR_SECOND

I

• IDENTIFIED

• IDENTITY

• IDENTITY_INSERT

• IDENTITYCOL

• IF

• IGNORE

• ILIKE

• IMMEDIATE

• IMMUTABLE

• IMPLEMENTATION

• IMPLICIT

• IN

• INCLUDE

• INCLUDING

• INCREMENT

• INDEX

• INDICATOR

• INFILE

• INFIX

• INHERIT

• INHERITS

• INITIAL

• INITIALIZE

• INITIALLY

• INNER

• INOUT

• INPUT

• INSENSITIVE

• INSERT

• INSERT_ID

• INSTANCE

• INSTANTIABLE

• INSTEAD

162


• INT

• INT1

• INT2

• INT3

• INT4

• INT8

• INTEGER

• INTERSECT

• INTERSECTION

• INTERVAL

• INTO

• INVOKER

• IS

• ISAM

• ISNULL

• ISOLATION

• ITERATE

J

• JOIN

K

• K

• KEY

• KEY_MEMBER

• KEY_TYPE

• KEYS

• KILL

L

• LANCOMPILER

• LANGUAGE

• LARGE

• LAST

• LAST_INSERT_ID

• LATERAL

• LEADING

• LEAST

• LEAVE

• LEFT

• LENGTH

• LESS

• LEVEL

• LIKE

163


• LIMIT

• LINENO

• LINES

• LISTEN

• LN

• LOAD

• LOCAL

• LOCALTIME

• LOCALTIMESTAMP

• LOCATOR

• LOCK

• LOGIN

• LOGS

• LONG

• LONGBLOB

• LONGTEXT

• LOOP

• LOW_PRIORITY

• LOWER

M

• M

• MAP

• MATCH

• MATCHED

• MAX

• MAX_ROWS

• MAXEXTENTS

• MAXVALUE

• MEDIUMBLOB

• MEDIUMINT

• MEDIUMTEXT

• MEMBER

• MERGE

• MESSAGE_LENGTH

• MESSAGE_OCTET_LENGTH

• MESSAGE_TEXT

• METHOD

• MIDDLEINT

• MIN

• MIN_ROWS

• MINUS

• MINUTE

• MINUTE_MICROSECOND

• MINUTE_SECOND

164


• MINVALUE

• MLSLABEL

• MOD

• MODE

• MODIFIES

• MODIFY

• MODULE

• MONTH

• MONTHNAME

• MORE

• MOVE

• MULTISET

• MUMPS

• MYISAM

N

• NAME

• NAMES

• NATIONAL

• NATURAL

• NCHAR

• NCLOB

• NESTING

• NEW

• NEXT

• NO

• NO_WRITE_TO_BINLOG

• NOAUDIT

• NOCHECK

• NOCOMPRESS

• NOCREATEDB

• NOCREATEROLE

• NOCREATEUSER

• NOINHERIT

• NOLOGIN

• NONCLUSTERED

• NONE

• NORMALIZE

• NORMALIZED

• NOSUPERUSER

• NOT

• NOTHING

• NOTIFY

• NOTNULL

• NOWAIT

165


• NULL

• NULLABLE

• NULLIF

• NULLS

• NUMBER

• NUMERIC

O

• OBJECT

• OCTET_LENGTH

• OCTETS

• OF

• OFF

• OFFLINE

• OFFSET

• OFFSETS

• OIDS

• OLD

• ON

• ONLINE

• ONLY

• OPEN

• OPENDATASOURCE

• OPENQUERY

• OPENROWSET

• OPENXML

• OPERATION

• OPERATOR

• OPTIMIZE

• OPTION

• OPTIONALLY

• OPTIONS

• OR

• ORDER

• ORDERING

• ORDINALITY

• OTHERS

• OUT

• OUTER

• OUTFILE

• OUTPUT

• OVER

• OVERLAPS

• OVERLAY

• OVERRIDING

166


• OWNER

P

• PACK_KEYS

• PAD

• PARAMETER

• PARAMETER_MODE

• PARAMETER_NAME

• PARAMETER_ORDINAL_POSITION

• PARAMETER_SPECIFIC_CATALOG

• PARAMETER_SPECIFIC_NAME

• PARAMETER_SPECIFIC_SCHEMA

• PARAMETERS

• PARTIAL

• PARTITION

• PASCAL

• PASSWORD

• PATH

• PCTFREE

• PERCENT

• PERCENT_RANK

• PERCENTILE_CONT

• PERCENTILE_DISC

• PLACING

• PLAN

• PLI

• POSITION

• POSTFIX

• POWER

• PRECEDING

• PRECISION

• PREFIX

• PREORDER

• PREPARE

• PREPARED

• PRESERVE

• PRIMARY

• PRINT

• PRIOR

• PRIVILEGES

• PROC

• PROCEDURAL

• PROCEDURE

• PROCESS

• PROCESSLIST

167


• PUBLIC

• PURGE

Q

• QUOTE

R

• RAID0

• RAISERROR

• RANGE

• RANK

• RAW

• READ

• READS

• READTEXT

• REAL

• RECHECK

• RECONFIGURE

• RECURSIVE

• REF

• REFERENCES

• REFERENCING

• REGEXP

• REGR_AVGX

• REGR_AVGY

• REGR_COUNT

• REGR_INTERCEPT

• REGR_R2

• REGR_SLOPE

• REGR_SXX

• REGR_SXY

• REGR_SYY

• REINDEX

• RELATIVE

• RELEASE

• RELOAD

• RENAME

• REPEAT

• REPEATABLE

• REPLACE

• REPLICATION

• REQUIRE

• RESET

• RESIGNAL

168


• RESOURCE

• RESTART

• RESTORE

• RESTRICT

• RESULT

• RETURN

• RETURNED_CARDINALITY

• RETURNED_LENGTH

• RETURNED_OCTET_LENGTH

• RETURNED_SQLSTATE

• RETURNS

• REVOKE

• RIGHT

• RLIKE

• ROLE

• ROLLBACK

• ROLLUP

• ROUTINE

• ROUTINE_CATALOG

• ROUTINE_NAME

• ROUTINE_SCHEMA

• ROW

• ROW_COUNT

• ROW_NUMBER

• ROWCOUNT

• ROWGUIDCOL

• ROWID

• ROWNUM

• ROWS

• RULE

D

• SAVE

• SAVEPOINT

• SCALE

• SCHEMA

• SCHEMA_NAME

• SCHEMAS

• SCOPE

• SCOPE_CATALOG

• SCOPE_NAME

• SCOPE_SCHEMA

• SCROLL

• SEARCH

• SECOND

169


• SECOND_MICROSECOND

• SECTION

• SECURITY

• SELECT

• SELF

• SENSITIVE

• SEPARATOR

• SEQUENCE

• SERIALIZABLE

• SERVER_NAME

• SESSION

• SESSION_USER

• SET

• SETOF

• SETS

• SETUSER

• SHARE

• SHOW

• SHUTDOWN

• SIGNAL

• SIMILAR

• SIMPLE

• SIZE

• SMALLINT

• SOME

• SONAME

• SOURCE

• SPACE

• SPATIAL

• SPECIFIC

• SPECIFIC_NAME

• SPECIFICTYPE

• SQL

• SQL_BIG_RESULT

• SQL_BIG_SELECTS

• SQL_BIG_TABLES

• SQL_CALC_FOUND_ROWS

• SQL_LOG_OFF

• SQL_LOG_UPDATE

• SQL_LOW_PRIORITY_UPDATES

• SQL_SELECT_LIMIT

• SQL_SMALL_RESULT

• SQL_WARNINGS

• SQLCA

• SQLCODE

• SQLERROR

170


• SQLEXCEPTION

• SQLSTATE

• SQLWARNING

• SQRT

• SSL

• STABLE

• START

• STARTING

• STATE

• STATEMENT

• STATIC

• STATISTICS

• STATUS

• STDDEV_POP

• STDDEV_SAMP

• STDIN

• STDOUT

• STORAGE

• STRAIGHT_JOIN

• STRICT

• STRING

• STRUCTURE

• STYLE

• SUBCLASS_ORIGIN

• SUBLIST

• SUBMULTISET

• SUBSTRING

• SUCCESSFUL

• SUM

• SUPERUSER

• SYMMETRIC

• SYNONYM

• SYSDATE

• SYSID

• SYSTEM

• SYSTEM_USER

T

• TABLE

• TABLE_NAME

• TABLES

• TABLESAMPLE

• TABLESPACE

• TEMP

• TEMPLATE

171


• TEMPORARY

• TERMINATE

• TERMINATED

• TEXT

• TEXTSIZE

• THAN

• THEN

• TIES

• TIME

• TIMEZONE_HOUR

• TIMEZONE_MINUTE

• TINYBLOB

• TINYINT

• TINYTEXT

• TO

• TOAST

• TOP

• TOP_LEVEL_COUNT

• TRAILING

• TRAN

• TRANSACTION

• TRANSACTION_ACTIVE

• TRANSACTIONS_COMMITTED

• TRANSACTIONS_ROLLED_BACK

• TRANSFORM

• TRANSFORMS

• TRANSLATE

• TRANSLATION

• TREAT

• TRIGGER

• TRIGGER_CATALOG

• TRIGGER_NAME

• TRIGGER_SCHEMA

• TRIM

• TRUE

• TRUNCATE

• TRUSTED

• TSEQUAL

• TYPE

U

• UESCAPE

• UID

• UNBOUNDED

• UNCOMMITTED

172


• UNDER

• UNDO

• UNENCRYPTED

• UNION

• UNIQUE

• UNKNOWN

• UNLISTEN

• UNLOCK

• UNNAMED

• UNNEST

• UNSIGNED

• UNTIL

• UPDATE

• UPDATETEXT

• UPPER

• USAGE

• USE

• USER

• USER_DEFINED_TYPE_CATALOG

• USER_DEFINED_TYPE_CODE

• USER_DEFINED_TYPE_NAME

• USER_DEFINED_TYPE_SCHEMA

• USING

• UTC_DATE

• UTC_TIME

• UTC_TIMESTAMP

V

• VACUUM

• VALID

• VALIDATE

• VALIDATOR

• VALUE

• VALUES

• VAR_POP

• VAR_SAMP

• VARBINARY

• VARCHAR

• VARCHAR2

• VARCHARACTER

• VARIABLE

• VARIABLES

• VARYING

• VERBOSE

• VIEW

173


• VOLATILE

W

• WAITFOR

• WHEN

• WHENEVER

• WHERE

• WHILE

• WIDTH_BUCKET

• WINDOW

• WITH

• WITHIN

• WITHOUT

• WORK

• WRITE

• WRITETEXT

X

• X509

• XOR

Y

• YEAR

• YEAR_MONTH

Z

• ZEROFILL

• ZONE

174

Amazon Forecast Panduan DeveloperPerlindungan Data

Amazon ForecastKeamanan cloud di AWS merupakan prioritas tertinggi. Sebagai pelanggan AWS, Anda mendapatkanmanfaat dari pusat data dan arsitektur jaringan yang dibangun untuk memenuhi persyaratan organisasiyang paling sensitif terhadap keamanan.

Keamanan adalah tanggung jawab bersama antara AWS dan Anda. Model tanggung jawab bersamamenggambarkan ini sebagai keamanan dari cloud dan keamanan di dalam cloud:

• Keamanan cloud – AWS bertanggung jawab untuk melindungi infrastruktur yang menjalankan layananAWS di Cloud AWS. AWS juga menyediakan layanan yang dapat Anda gunakan dengan aman. Auditorpihak ketiga menguji dan memverifikasi efektivitas keamanan kami secara berkala sebagai bagian dariProgram Kepatuhan AWS. Untuk mempelajari tentang program kepatuhan yang berlaku di AmazonForecast, lihatLayanan AWS dalam Lingkup oleh Program Kepatuhan.

• Keamanan di cloud – Tanggung jawab Anda ditentukan menurut layanan AWS yang Anda gunakan.Anda juga bertanggung jawab atas faktor lain termasuk sensitivitas data Anda, persyaratan perusahaanAnda, serta hukum dan peraturan yang berlaku.

Dokumentasi ini membantu Anda memahami cara menerapkan model tanggung jawab bersama saatmenggunakan Forecast. Topik berikut menunjukkan kepada Anda cara mengonfigurasi Forecast untukmemenuhi tujuan keamanan dan kepatuhan Anda. Anda juga mempelajari cara menggunakan layananAWS lain yang membantu Anda memantau dan mengamankan sumber daya Forecast.

Topik• Prakiraan Perlindungan Data di Amazon (p. 175)• Identity and Access Management untuk Amazon Forecast (p. 176)• Pencatatan dan Pemantauan di Amazon Forecast (p. 190)• Validasi Kepatuhan untuk Amazon Forecast (p. 193)• Ketahanan di Amazon Forecast (p. 194)• Keamanan Infrastruktur di Amazon Forecast (p. 194)• Forecast dan titik akhir VPC antarmuka (AWS PrivateLink) (p. 194)

Prakiraan Perlindungan Data di AmazonParameterAWS Model tanggung jawab bersamaberlaku untuk perlindungan data di Amazon Forecast.Sebagaimana diuraikan dalam model ini, AWS bertanggung jawab untuk melindungi infrastruktur globalyang menjalankan semua AWS Cloud. Anda bertanggung jawab untuk memelihara kendali terhadapkonten yang di-hosting pada infrastruktur ini. Konten ini meliputi konfigurasi keamanan dan tugaspengelolaan untuk berbagai layanan Layanan AWS yang Anda gunakan. Untuk informasi lebih lanjuttentang privasi data, lihat FAQ tentang Privasi Data. Untuk informasi tentang perlindungan data di Eropa,lihat postingan blog Model Tanggung Jawab Bersama AWS dan GDPR di Blog Keamanan AWS.

Untuk tujuan perlindungan data, kami sarankan agar Anda melindungi kredensial Akun AWS danmenyiapkan akun pengguna individu dengan AWS Identity and Access Management (IAM). Dengan caratersebut, setiap pengguna hanya diberi izin yang diperlukan untuk memenuhi tugas tugas mereka. Kamijuga menyarankan agar Anda mengamankan data dengan cara-cara berikut:

• Gunakan autentikasi multifaktor (MFA) pada setiap akun.

175

http://aws.amazon.com/compliance/shared-responsibility-model/


http://aws.amazon.com/compliance/services-in-scope/

http://aws.amazon.com/compliance/shared-responsibility-model/

http://aws.amazon.com/compliance/data-privacy-faq

http://aws.amazon.com/blogs/security/the-aws-shared-responsibility-model-and-gdpr/

Amazon Forecast Panduan DeveloperEnkripsi saat Istirahat

• Gunakan SSL/TLS untuk berkomunikasi dengan sumber daya AWS. Kami merekomendasikan TLS 1.2atau versi yang lebih baru.

• Siapkan API dan log aktivitas pengguna dengan AWS CloudTrail.• Gunakan solusi enkripsi AWS, bersama semua kontrol keamanan default dalam layanan AWS.• Gunakan layanan keamanan terkelola lanjutan seperti Amazon Macie, yang membantu menemukan dan

mengamankan data pribadi yang disimpan di Amazon S3.• Jika Anda memerlukan modul kriptografi yang divalidasi FIPS 140-2 ketika mengakses AWS melalui

antarmuka baris perintah atau API, gunakan titik akhir FIPS. Untuk informasi lebih lanjut tentang titikakhir FIPS yang tersedia, lihat Standar Pemrosesan Informasi Federal (FIPS) 140-2.

Kami sangat menyarankan agar Anda tidak pernah memasukkan informasi identifikasi yang sensitif,seperti nomor rekening pelanggan Anda, ke dalam bidang isian bentuk bebas seperti bidang Nama. Initermasuk saat Anda bekerja dengan Forecast atau lainnyaAWSlayanan menggunakan konsol, API,AWSCLI, atauAWSSDK. Data apa pun yang Anda masukkan ke dalam tanda atau bidang formulir bebas yangdigunakan untuk nama dapat digunakan untuk penagihan atau log diagnostik. Saat Anda memberikan URLke server eksternal, kami sangat menyarankan jangan menyertakan informasi kredensial di URL untukmemvalidasi permintaan Anda ke server tersebut.

Enkripsi saat IstirahatData apa pun yang disimpan dalam Forecast selalu dienkripsi dengan Forecast yangdikelolaAWS Key Management Service(AWS KMS) kunci. Jika Anda memberikan AndasendiriAWS KMSkunci selama pembuatan sumber daya, Forecast menggunakan kunci untukmengenkripsi data dan menyimpannya. Misalnya, jika Anda memberikan kunciKMSKeyArndanaRoleArndiEncryptionConfigdariCreateDataset (p. )operasi, Forecast akan mengambil perandan menggunakan kunci untuk mengenkripsi dataset.

Untuk data apa pun yang disimpan di bucket Amazon S3 Anda, data dienkripsi dengan kunci Amazon S3default. Anda juga dapat menggunakanAWS KMSkunci untuk mengenkripsi data Anda dan memberikanForecast akses ke kunci ini. Untuk informasi tentang enkripsi data di Amazon S3, lihatMelindungi datamenggunakan enkripsi. Untuk informasi tentang mengelola Anda sendiriAWS KMSkunci, lihatMengelolakuncidiAWS Key Management ServicePanduan Pengembang.

Enkripsi dalam Transit dan PengolahanAmazon Forecast menggunakan TLS denganAWSsertifikat untuk mengenkripsi data apa pun yang dikirimke lainnyaAWSlayanan. Setiap komunikasi dengan lainnyaAWSlayanan terjadi melalui HTTPS, dan titikakhir Forecast hanya mendukung koneksi aman melalui HTTPS.

Amazon Forecast menyalin data dari akun Anda dan memprosesnya dalam sistem AWS internal. Saatmemproses data, Forecast mengenkripsi data dengan ForecastAWS KMSkunci atau apapunAWSKMSkunci yang Anda berikan.

Identity and Access Management untuk AmazonForecast

AWS Identity and Access Management(IAM) adalahLayanan AWSyang membantu administratordalam mengendalikan akses keAWSsumber daya. Administrator IAM mengontrol siapa yangbisamengonfirmasi(masuk) danresmi(memiliki izin) untuk menggunakan sumber daya Forecast. IAMadalahLayanan AWSyang dapat Anda gunakan tanpa biaya tambahan.

Topik

176

http://aws.amazon.com/compliance/fips/

https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingEncryption.html

https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingEncryption.html

https://docs.aws.amazon.com/kms/latest/developerguide/overview.html

https://docs.aws.amazon.com/kms/latest/developerguide/overview.html

Amazon Forecast Panduan DeveloperPenonton

• Penonton (p. 177)• Mengautentikasi Menggunakan Identitas (p. 177)• Mengelola Akses Menggunakan Kebijakan (p. 179)• Cara Amazon Forecast Bekerja dengan IAM (p. 181)• Contoh Kebijakan Berbasis Identitas Amazon Forecast (p. 183)• Pemecahan masalah identitas dan akses Amazon (p. 188)

PenontonCara menggunakanAWS Identity and Access Management(IAM) berbeda, tergantung pada pekerjaan yangAnda lakukan di Forecast.

Pengguna layanan— Jika Anda menggunakan layanan Forecast untuk melakukan tugas Anda,administrator Anda akan memberikan kredenal dan izin yang dibutuhkan. Saat Anda menggunakanlebih banyak fitur Forecast untuk melakukan pekerjaan, Anda mungkin memerlukan izin tambahan.Memahami cara akses dikelola dapat membantu Anda untuk meminta izin yang tepat dari administratorAnda. Jika Anda tidak dapat mengakses fitur di Forecast, lihatPemecahan masalah identitas dan aksesAmazon (p. 188).

Administrator layanan— Jika Anda bertanggung jawab atas sumber daya Forecast di perusahaan Anda,Anda mungkin memiliki akses penuh ke Forecast. Tugas Anda adalah menentukan fitur dan sumber dayaForecast mana yang harus diakses karyawan Anda. Anda kemudian harus mengirimkan permintaan keadministrator IAM Anda untuk mengubah izin pengguna layanan Anda. Tinjau informasi di halaman iniuntuk memahami konsep dasar IAM. Untuk mempelajari lebih lanjut tentang cara perusahaan Anda dapatmenggunakan IAM dengan Forecast, lihatCara Amazon Forecast Bekerja dengan IAM (p. 181).

Administrator IAM— Jika Anda adalah administrator IAM, Anda mungkin ingin mempelajari detail tentangcara Anda dapat menulis kebijakan untuk mengelola akses ke Forecast. Untuk melihat contoh kebijakanberbasis identitas Forecast yang dapat Anda gunakan di IAM, lihatContoh Kebijakan Berbasis IdentitasAmazon Forecast (p. 183).

Mengautentikasi Menggunakan IdentitasAutentikasi adalah cara Anda untuk masuk ke AWS menggunakan kredensial identitas Anda. Untukinformasi selengkapnya tentang cara masuk menggunakan AWS Management Console, lihat Masuk keAWS Management Console sebagai pengguna IAM atau pengguna root dalam Panduan Pengguna IAM.

Anda harus terautentikasi (masuk ke AWS) sebagai pengguna root Akun AWS, pengguna IAM, ataudengan menggunakan IAM role. Anda juga dapat menggunakan autentikasi single sign-on milikperusahaan Anda, atau bahkan masuk menggunakan Google atau Facebook. Dalam kasus ini,administrator Anda sebelumnya telah menyiapkan federasi identitas menggunakan IAM role. Saat Andamengakses AWS menggunakan kredensial dari perusahaan lain, secara tidak langsung Anda mengambilsebuah peran.

Untuk masuk secara langsung ke AWS Management Console, gunakan kata sandi Anda dengan alamatemail pengguna asal atau nama pengguna IAM Anda. Anda dapat mengakses AWS secara terprogrammenggunakan kunci akses pengguna asal atau pengguna IAM Anda. AWS menyediakan SDK dan alatbaris perintah untuk menandatangani permintaan Anda secara kriptografis menggunakan kredensial Anda.Jika Anda tidak menggunakan peralatan AWS, Anda harus menandatangani sendiri permintaan tersebut.Lakukan ini menggunakan Versi Tanda Tangan 4, sebuah protokol untuk mengautentikasi permintaan APImasuk. Untuk informasi selengkapnya tentang autentikasi permintaan, lihat proses penandatanganan VersiTanda Tangan 4 dalam Referensi Umum AWS.

Terlepas dari metode autentikasi yang Anda gunakan, Anda mungkin juga diminta untuk menyediakaninformasi keamanan tambahan. Misalnya, AWS menyarankan supaya Anda menggunakan autentikasi

177

https://docs.aws.amazon.com/IAM/latest/UserGuide/console.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/console.html

https://console.aws.amazon.com/

https://docs.aws.amazon.com/general/latest/gr/signature-version-4.html


Amazon Forecast Panduan DeveloperMengautentikasi Menggunakan Identitas

multi-faktor (MFA) untuk meningkatkan keamanan akun Anda. Untuk mempelajari selengkapnya, lihatMenggunakan autentikasi multi-faktor (MFA) di AWS dalam Panduan Pengguna IAM.

Pengguna root Akun AWSKetika Anda pertama kali membuatAkun AWS, Anda memulai dengan identitas masuk tunggal yangmemiliki akses penuh ke semuaLayanan AWSdan sumber daya di akun. Identitas ini disebut penggunaroot Akun AWS dan diakses dengan cara masuk menggunakan alamat email dan kata sandi yang Andagunakan saat membuat akun. Kami sangat menyarankan agar Anda tidak menggunakan penggunaroot untuk tugas sehari-hari, bahkan tugas administratif. Sebagai gantinya, patuhi praktik terbaik dalammenggunakan pengguna root saja untuk membuat pengguna IAM pertama Anda. Kemudian, kuncikredensial pengguna root dengan aman dan gunakan kredensial itu untuk melakukan beberapa tugasmanajemen akun dan layanan saja.

Pengguna dan Grup IAMPengguna IAM adalah identitas dalam akun Akun AWS Anda yang memiliki izin khusus untuk satu orangatau aplikasi. Pengguna IAM dapat memiliki kredensial jangka panjang, seperti nama pengguna dan katasandi atau satu set access key. Untuk mempelajari cara membuat kunci akses, lihat Mengelola access keyuntuk pengguna IAM dalam Panduan Pengguna IAM. Saat Anda membuat access key untuk penggunaIAM, pastikan bahwa Anda melihat pasangan kunci dan menyimpannya dengan aman. Anda tidak dapatmemulihkan secret access key di masa mendatang. Sebaliknya, Anda harus membuat pasangan accesskey baru.

Grup IAM adalah identitas yang menentukan kumpulan dari para pengguna IAM. Anda tidak dapat masuksebagai kelompok. Anda dapat menggunakan grup untuk menentukan izin untuk beberapa penggunasekaligus. Grup membuat izin lebih mudah dikelola untuk set besar pengguna. Misalnya, Anda dapatmemiliki grup yang diberi nama IAMAdmins dan memberikan izin kepada grup tersebut untuk mengelolasumber daya IAM.

Para pengguna berbeda dari peran. Seorang pengguna secara unik terkait dengan satu orang atauaplikasi, tetapi peran ini dimaksudkan untuk dapat digunakan oleh siapa pun yang membutuhkannya.Pengguna memiliki kredensial jangka panjang permanen, tetapi peran memberikan kredensial sementara.Untuk mempelajari selengkapnya, lihat Kapan harus membuat pengguna IAM (bukan peran) dalamPanduan Pengguna IAM.

IAM RoleIAM role adalah identitas dalam akun Akun AWS Anda yang memiliki izin khusus. Peran ini mirip denganpengguna IAM, tetapi tidak terkait dengan orang tertentu. Anda dapat menggunakan IAM role untuksementara di dalam AWS Management Console dengan cara berganti peran. Anda dapat mengambilperan dengan cara memanggil operasi API AWS CLI atau AWS atau menggunakan URL khusus. Untukinformasi selengkapnya tentang metode penggunaan peran, lihat Menggunakan IAM roles dalam PanduanPengguna IAM.

IAM role dengan kredensial sementara berguna dalam situasi berikut:

• Izin pengguna IAM sementara – Pengguna IAM dapat menggunakan IAM role untuk sementara danmendapatkan izin yang berbeda untuk tugas tertentu.

• Akses pengguna gabungan – Alih-alih membuat pengguna IAM, Anda dapat menggunakan identitasyang sudah ada dari AWS Directory Service, direktori pengguna korporasi Anda, atau penyedia identitasweb. Ini dikenal sebagai pengguna gabungan. AWS menugaskan peran kepada pengguna gabungansaat akses diminta melalui penyedia identitas. Untuk informasi selengkapnya tentang penggunagabungan, lihat Pengguna dan peran gabungan dalam Panduan Pengguna IAM.

• Akses lintas akun – Anda dapat menggunakan IAM role agar seseorang (principal tepercaya) di akunlain diizinkan untuk mengakses sumber daya di akun Anda. Peran adalah cara utama untuk memberikan

178

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_mfa.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html#create-iam-users

https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html#create-iam-users

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_groups.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html#id_which-to-choose


https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_use_switch-role-console.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_use.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_providers.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction_access-management.html#intro-access-roles

Amazon Forecast Panduan DeveloperMengelola Akses Menggunakan Kebijakan

akses lintas akun. Namun, dengan beberapaLayanan AWS, Anda dapat melampirkan kebijakanlangsung ke sumber daya (alih-alih menggunakan peran sebagai proksi). Untuk mempelajari perbedaanantara kebijakan peran dan kebijakan berbasis sumber daya untuk akses lintas akun, lihat Perbedaanantara IAM role dan kebijakan berbasis sumber daya dalam Panduan Pengguna IAM.

• Akses lintas layanan— BeberapaLayanan AWSmenggunakan fitur di lainLayanan AWS. Sebagai conoth,ketika Anda melakukan panggilan dalam suatu layanan, biasanya layanan tersebut menjalankan aplikasidi Amazon EC2 atau menyimpan objek di Amazon S3. Layanan mungkin melakukan ini menggunakanizin panggilan principal, menggunakan peran layanan, atau peran tertaut layanan.• Izin prinsipal – Saat Anda menggunakan pengguna IAM atau IAM role untuk melakukan tindakan

di AWS, Anda dianggap sebagai principal. Kebijakan memberikan izin kepada principal. Saat Andamenggunakan beberapa layanan, Anda mungkin melakukan tindakan yang kemudian memicutindakan lain di layanan yang berbeda. Dalam hal ini, Anda harus memiliki izin untuk melakukankedua tindakan tersebut. Untuk melihat apakah suatu tindakan memerlukan tindakan dependentambahan dalam kebijakan, lihatTindakan, Sumber Daya, dan Kunci Ketentuan untuk AmazonForecastdiReferensi Otorisasi Layanan.

• Peran layanan – Peran layanan adalah IAM role yang diambil oleh layanan untuk melakukan tindakanatas nama Anda. Administrator IAM dapat membuat, memodifikasi, dan menghapus peran layanandari dalam IAM. Untuk informasi selengkapnya, lihatMembuat peran untuk mendelegasikan izin kesebuahLayanan AWSdiPanduan Pengguna IAM.

• Peran yang terhubung dengan layananPeran tertaut layanan adalah jenis peran layanan yang tertautdenganLayanan AWS. Layanan dapat menggunakan peran untuk melakukan tindakan atas namaAnda. Peran tertaut layanan muncul di akun IAM Anda dan dimiliki oleh layanan tersebut. AdministratorIAM dapat melihat, tetapi tidak dapat mengedit izin untuk peran terkait layanan.

• Aplikasi yang berjalan di Amazon EC2 – Anda dapat menggunakan IAM role untuk mengelola kredensialsementara untuk aplikasi yang berjalan pada instans EC2, dan membuat permintaan API AWS CLI atauAWS. Menyimpan access key di dalam instans EC2 lebih disarankan. Untuk menugaskan sebuah peranAWS ke instans EC2 dan membuatnya tersedia untuk semua aplikasinya, Anda dapat membuat sebuahprofil instans yang dilampirkan ke instans. Profil instans berisi peran dan memungkinkan program yangberjalan di instans EC2 untuk mendapatkan kredensial sementara. Untuk informasi selengkapnya, lihatMenggunakan IAM role untuk memberikan izin ke aplikasi yang berjalan di instans Amazon EC2 dalamPanduan Pengguna IAM.

Untuk mempelajari kapan waktunya menggunakan IAM role atau pengguna IAM, lihat Kapan harusmembuat IAM role (bukan pengguna) dalam Panduan Pengguna IAM.

Mengelola Akses Menggunakan KebijakanAnda mengendalikan akses di AWS dengan membuat kebijakan dan melampirkannya ke identitas IAMatau sumber daya AWS. Kebijakan adalah objek di AWS, yang saat terkait dengan identitas atau sumberdaya, akan menentukan izinnya. Anda dapat masuk sebagai pengguna root atau pengguna IAM, atauAnda dapat menggunakan IAM role. Ketika Anda kemudian membuat permintaan, AWS mengevaluasikebijakan berbasis identitas atau kebijakan berbasis sumber daya yang terkait. Izin dalam kebijakan dapatmenentukan permintaan yang diizinkan atau ditolak. Sebagian besar kebijakan disimpan di AWS sebagaidokumen JSON. Untuk informasi selengkapnya tentang struktur dan isi dokumen kebijakan JSON, lihatGambaran Umum kebijakan JSON dalam Panduan Pengguna IAM.

Administrator dapat menggunakan kebijakan JSON AWS untuk menentukan siapa yang memiliki akses kehal apa. Yaitu, principal dapat melakukan tindakan pada suatu sumber daya, dan dalam suatu syarat.

Setiap entitas IAM (pengguna atau peran) dimulai tanpa izin. Dengan kata lain, secara default, penggunatidak dapat melakukan apa pun, termasuk mengubah kata sandi mereka sendiri. Untuk memberikanizin kepada pengguna untuk melakukan sesuatu, administrator harus melampirkan kebijakan izinkepada pengguna. Atau administrator dapat menambahkan pengguna ke grup yang memiliki izin yangdimaksudkan. Ketika administrator memberikan izin untuk grup, semua pengguna dalam grup tersebutdiberikan izin tersebut.

179

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_compare-resource-policies.html


https://docs.aws.amazon.com/IAM/latest/UserGuide/list_amazonforecast.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/list_amazonforecast.html


https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-service.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-service.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_use_switch-role-ec2.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html#id_which-to-choose_role

https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html#id_which-to-choose_role

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies.html#access_policies-json

Amazon Forecast Panduan DeveloperMengelola Akses Menggunakan Kebijakan

Kebijakan IAM mendefinisikan izin untuk suatu tindakan terlepas dari metode yang Anda gunakan untukpengoperasiannya. Misalnya, Anda memiliki kebijakan yang mengizinkan tindakan iam:GetRole.Pengguna dengan kebijakan tersebut dapat memperoleh informasi peran dari API AWS ManagementConsole, the AWS CLI, or the AWS.

Kebijakan Berbasis IdentitasKebijakan berbasis identitas adalah dokumen kebijakan izin JSON yang dapat Anda lampirkan ke identitas,seperti pengguna IAM, grup pengguna, atau peran. Kebijakan ini mengontrol tipe tindakan yang dapatdilakukan oleh pengguna dan peran, di sumber daya mana, dan dalam syarat. Untuk mempelajari caramembuat kebijakan berbasis identitas, lihat Membuat kebijakan IAM dalam Panduan Pengguna IAM.

Kebijakan berbasis identitas dapat dikategorikan lebih lanjut sebagai kebijakan inline atau kebijakanterkelola. Kebijakan inline disematkan secara langsung ke satu pengguna, grup, atau peran. Kebijakanterkelola adalah kebijakan mandiri yang dapat Anda lampirkan ke beberapa pengguna, grup, dan perandalam akun Akun AWS Anda. Kebijakan terkelola meliputi kebijakan yang dikelola AWS dan kebijakanyang dikelola pelanggan. Untuk mempelajari cara memilih antara kebijakan terkelola atau kebijakan inline,lihat Memilih antara kebijakan terkelola dan kebijakan inline dalam Panduan Pengguna IAM.

Kebijakan Berbasis Sumber DayaKebijakan berbasis sumber daya adalah dokumen kebijakan JSON yang Anda lampirkan ke sumberdaya. Contoh kebijakan berbasis sumber daya adalah kebijakan tepercaya IAM role dan kebijakan bucketAmazon S3. Dalam layanan yang mendukung kebijakan berbasis sumber daya, administrator layanandapat menggunakannya untuk mengontrol akses ke sumber daya tertentu. Untuk sumber daya yangdilampiri kebijakan tersebut, kebijakan menetapkan tindakan apa yang dapat dilakukan oleh principaltertentu di sumber daya tersebut dan dalam kondisi apa. Anda harus menentukan principal dalamkebijakan berbasis sumber daya. Prinsipal dapat mencakup akun, pengguna federasi, atauLayanan AWS.

Kebijakan berbasis sumber daya merupakan kebijakan inline yang terletak di layanan tersebut. Anda tidakdapat menggunakan kebijakan yang dikelola AWS dari IAM dalam kebijakan berbasis sumber daya.

Daftar Kontrol Akses (ACL)Daftar kontrol akses (ACL) mengendalikan principal mana (anggota akun, pengguna, atau peran) yangmemiliki izin untuk mengakses sumber daya. ACL serupa dengan kebijakan berbasis sumber daya,meskipun tidak menggunakan format dokumen kebijakan JSON.

Amazon S3, AWS WAF, dan Amazon VPC adalah contoh layanan yang mendukung ACL. Untukmempelajari ACL selengkapnya, lihat Gambaran umum daftar kontrol akses (ACL) dalam PanduanDeveloper Amazon Simple Storage Service.

Tipe Kebijakan LainnyaAWS mendukung tipe kebijakan tambahan, yang kurang umum. Tipe kebijakan ini dapat mengatur izinmaksimum yang diberikan kepada Anda oleh tipe kebijakan yang lebih umum.

• Batasan izin – Batasan izin adalah fitur lanjutan tempat Anda mengatur izin maksimum yang dapatdiberikan oleh kebijakan berbasis identitas kepada entitas IAM (pengguna atau IAM role). Anda dapatmenetapkan batas izin untuk suatu entitas. Izin yang dihasilkan adalah persimpangan antara kebijakanberbasis identitas milik entitas dan batas izinnya. Kebijakan berbasis sumber daya yang menentukanpengguna atau peran dalam bidang Principal tidak dibatasi oleh batasan izin. Penolakan eksplisitdalam salah satu kebijakan ini dapat membatalkan izin. Untuk informasi selengkapnya tentang batasanizin, lihat Batasan izin untuk entitas IAM dalam Panduan Pengguna IAM.

• Kebijakan Kontrol Layanan (SCPs) – SCP adalah kebijakan JSON yang menentukan izin maksimumuntuk sebuah organisasi atau unit organisasi (OU) di AWS Organizations. AWS Organizations adalah

180

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html#choosing-managed-or-inline

https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_elements_principal.html

https://docs.aws.amazon.com/AmazonS3/latest/dev/acl-overview.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_boundaries.html

Amazon Forecast Panduan DeveloperCara Amazon Forecast Bekerja dengan IAM

layanan untuk mengelompokkan dan mengelola beberapa akun Akun AWS secara terpusat yangdimiliki oleh bisnis Anda. Jika Anda mengaktifkan semua fitur di sebuah organisasi, maka Anda dapatmenerapkan kebijakan kontrol layanan (SCP) ke salah satu atau ke semua akun Anda. SCP membatasiizin untuk entitas dalam akun anggota, termasuk setiap pengguna root Akun AWS. Untuk informasiselengkapnya tentang Organizations dan SCP, lihat Cara kerja SCP dalam Panduan Pengguna AWSOrganizations.

• Kebijakan sesi – Kebijakan sesi adalah kebijakan lanjutan yang Anda berikan sebagai parameter saatAnda membuat sesi sementara secara terprogram bagi peran atau pengguna gabungan. Izin sesi yangdihasilkan adalah persimpangan kebijakan berbasis identitas pengguna atau peran dan kebijakan sesi.Izin juga dapat berasal dari kebijakan berbasis sumber daya. Penolakan eksplisit dalam salah satukebijakan ini membatalkan izin. Untuk informasi selengkapnya, lihat Kebijakan sesi dalam PanduanPengguna IAM.

Berbagai Tipe KebijakanKetika beberapa tipe kebijakan berlaku untuk sebuah permintaan, izin yang dihasilkan lebih rumit untukdipahami. Untuk mempelajari cara AWS menentukan untuk mengizinkan permintaan ketika beberapa tipekebijakan dilibatkan, lihat Logika evaluasi kebijakan dalam Panduan Pengguna IAM.

Cara Amazon Forecast Bekerja dengan IAMSebelum Anda menggunakan IAM untuk mengelola akses ke Amazon Forecast, Anda harus memahamifitur-fitur IAM apa yang tersedia untuk digunakan dengan Forecast. Untuk mendapatkan tampilan tingkattinggi tentang cara Forecast dan lainnyaAWSlayanan bekerja dengan IAM, lihatAWSLayanan yang Bekerjadengan IAMdiPanduan Pengguna IAM.

Topik• Kebijakan Berbasis Identitas (p. 181)• Peran IAM (p. 183)

Kebijakan Berbasis IdentitasDengan kebijakan berbasis identitas IAM, Anda dapat menentukan apakah tindakan dan sumber dayadiizinkan atau ditolak, serta persyaratan terkait diizinkan atau ditolaknya tindakan tersebut. Forecastmendukung tindakan, sumber daya, dan kunci ketentuan tertentu. Untuk mempelajari semua elemen yangAnda gunakan dalam kebijakan JSON, lihat Referensi Elemen Kebijakan JSON IAM dalam PanduanPengguna IAM.

Tindakan

Administrator dapat menggunakan kebijakan JSON AWS untuk menentukan siapa yang memiliki akses kehal apa. Yaitu, principal mana yang dapat melakukan tindakan pada sumber daya apa, dan dalam syaratapa.

Elemen Action dari kebijakan JSON menjelaskan tindakan-tindakan yang dapat Anda gunakan untukmengizinkan atau menolak akses dalam sebuah kebijakan. Tindakan kebijakan biasanya memiliki namayang sama sebagai operasi API AWS terkait. Ada beberapa pengecualian, misalnya tindakan hanyadengan izin yang tidak memiliki operasi API yang cocok. Ada juga beberapa operasi yang memerlukanbeberapa tindakan dalam kebijakan. Tindakan tambahan ini disebut tindakan dependen.

Sertakan tindakan dalam kebijakan untuk memberikan izin guna melakukan operasi yang terkait.

Tindakan kebijakan di Forecast menggunakan prefiks berikut sebelum tindakan: forecast:. Misalnya,untuk memberikan izin kepada seseorang untuk menjalankan pekerjaan pembuatan grup dataset FOR

181

https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_about-scps.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies.html#policies_session

https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_evaluation-logic.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_aws-services-that-work-with-iam.html


https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_elements.html

Amazon Forecast Panduan DeveloperCara Amazon Forecast Bekerja dengan IAM

denganCreateDatasetGroupAPI operasi, Anda termasukforecast:CreateDatasetGrouptindakandalam kebijakan mereka. Pernyataan kebijakan harus memuat elemen Action atau NotAction. Forecastmenentukan serangkaian tindakannya sendiri yang menjelaskan tugas yang dapat Anda lakukan denganlayanan ini.

Untuk menetapkan beberapa tindakan dalam satu pernyataan, pisahkan dengan koma seperti berikut.

"Action": [ "forecast:action1", "forecast:action2"

Anda dapat menentukan beberapa tindakan menggunakan wildcard (*). Misalnya, untuk menentukansemua tindakan yang dimulai dengan kata Describe, sertakan tindakan berikut.

"Action": "forecast:Describe*"

Untuk melihat daftar tindakan Forecast, lihatTindakan yang Ditetapkan oleh Amazon ForecastdiPanduanPengguna IAM.

Sumber daya

Administrator dapat menggunakan kebijakan JSON AWS untuk menentukan siapa yang memiliki akses kehal apa. Yaitu, principal mana yang dapat melakukan tindakan pada sumber daya apa, dan dalam syaratapa.

Elemen kebijakan JSON Resource menentukan objek atau objek-objek yang menjadi target penerapantindakan. Pernyataan harus mencakup elemen Resource atau NotResource. Sebagai praktik terbaik,tentukan sumber daya menggunakan Amazon Resource Name (ARN). Anda dapat melakukan ini untuktindakan yang mendukung tipe sumber daya tertentu, yang dikenal sebagai izin tingkat sumber daya.

Untuk tindakan yang tidak mendukung izin tingkat sumber daya, misalnya operasi pencantuman, gunakankarakter wildcart (*) untuk menunjukkan bahwa pernyataan tersebut berlaku bagi semua sumber daya.

"Resource": "*"

Sumber daya set data Amazon Forecast memiliki ARN berikut.

arn:${Partition}:forecast:${Region}:${Account}:dataset/${DatasetName}

Untuk informasi lebih lanjut tentang format ARN, lihat Amazon Resource Name (ARN) dan NamespaceLayanan AWS.

Misalnya, untuk menentukan dataset yang disebutMyDatasetdalam pernyataan Anda, gunakan ARNberikut.

"Resource": "arn:aws:forecast:us-east-1:123456789012:dataset/MyDataset"

Untuk menentukan semua set data milik akun tertentu, gunakan wildcard (*).

"Resource": "arn:aws:forecast:us-east-1:123456789012:dataset/*"

Beberapa tindakan Forecast, seperti membuat sumber daya, tidak dapat dilakukan pada sumber dayatertentu. Dalam kasus tersebut, Anda harus menggunakan wildcard (*).

182

https://docs.aws.amazon.com/IAM/latest/UserGuide/list_awskeymanagementservice.html#amazonforecast-actions-as-permissions

https://docs.aws.amazon.com/general/latest/gr/aws-arns-and-namespaces.html



Amazon Forecast Panduan DeveloperContoh Kebijakan Berbasis Identitas

"Resource": "*"

Untuk melihat daftar jenis sumber daya Forecast dan ARN mereka, lihatSumber Daya Ditetapkan olehAmazon ForecastdiPanduan Pengguna IAM. Untuk mempelajari tindakan mana yang dapat menentukanARN setiap sumber daya, lihatTindakan yang Ditetapkan oleh Amazon Forecast.

Kunci kondisiForecast tidak menyediakan kunci ketentuan khusus layanan apa pun.

Contoh

Untuk melihat contoh kebijakan berbasis identitas Forecast, lihatContoh Kebijakan Berbasis IdentitasAmazon Forecast (p. 183).

Peran IAMIAM role adalah entitas di dalam akun AWS Anda yang memiliki izin tertentu.

Menggunakan kredenitas sementara dengan ForecastAnda dapat menggunakan kredensial sementara untuk masuk dengan gabungan, menjalankan IAMrole, atau menjalankan peran lintas akun. Anda mendapatkan kredensi keamanan sementara denganmeneleponAWS STSOperasi API sepertiAssumeRoleatauGetFederationToken.

Forecast mendukung penggunaan kredensi sementara.

Peran Tertaut LayananPeran terkait layanan mengizinkan layanan AWS untuk mengakses sumber daya di layanan lain untukmenyelesaikan tindakan atas nama Anda. Peran terkait layanan muncul di akun IAM Anda dan dimilikioleh layanan tersebut. Administrator IAM dapat melihat tetapi tidak dapat mengedit izin untuk peran terkaitlayanan.

Forecast tidak mendukung peran terkait layanan.

Peran LayananFitur ini memungkinkan layanan untuk menerima peran layanan atas nama Anda. Peran ini mengizinkanlayanan untuk mengakses sumber daya di layanan lain untuk menyelesaikan tindakan atas nama Anda.Peran layanan muncul di akun IAM Anda dan dimiliki oleh akun tersebut. Ini berarti administrator IAM dapatmengubah izin untuk peran ini. Namun, melakukan hal itu dapat merusak fungsionalitas layanan.

Forecast mendukung peran layanan.

Contoh Kebijakan Berbasis Identitas Amazon ForecastSecara default, pengguna dan peran IAM tidak memiliki izin untuk membuat atau memodifikasi sumberdaya Forecast. Mereka juga tidak dapat melakukan tugas menggunakan API AWS ManagementConsole, AWS CLI, or AWS. Administrator IAM harus membuat kebijakan IAM yang memberikan izinkepada pengguna dan peran untuk melakukan operasi API tertentu pada sumber daya yang diperlukan.Administrator kemudian harus melampirkan kebijakan tersebut ke pengguna IAM atau grup yangmemerlukan izin tersebut.

Untuk mempelajari cara membuat kebijakan berbasis identitas IAM menggunakan contoh dokumenkebijakan JSON ini, lihat Membuat Kebijakan pada Tab JSON dalam Panduan Pengguna IAM.

183

https://docs.aws.amazon.com/IAM/latest/UserGuide/list_awskeymanagementservice.html#amazonforecast-resources-for-iam-policies

https://docs.aws.amazon.com/IAM/latest/UserGuide/list_awskeymanagementservice.html#amazonforecast-resources-for-iam-policies

https://docs.aws.amazon.com/IAM/latest/UserGuide/list_awskeymanagementservice.html#amazonforecast-actions-as-permissions


https://docs.aws.amazon.com/STS/latest/APIReference/API_AssumeRole.html

https://docs.aws.amazon.com/STS/latest/APIReference/API_GetFederationToken.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_terms-and-concepts.html#iam-term-service-linked-role

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_terms-and-concepts.html#iam-term-service-role

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html#access_policies_create-json-editor


Topik• Praktik Terbaik Kebijakan (p. 184)• Menggunakan Konsol Forecast (p. 184)• Izinkan Pengguna untuk Melihat Izin Mereka Sendiri (p. 185)• Kebijakan Terkelola (Ditentukan Sebelumnya) AWS (p. 186)• Contoh Kebijakan yang Dikelola Pelanggan (p. 186)

Praktik Terbaik KebijakanKebijakan berbasis identitas adalah pilihan yang sangat tepat. Kebijakan ini menentukan apakahseseorang dapat membuat, mengakses, atau menghapus sumber daya Forecast di akun Anda. Tindakanini membuat Akun AWS Anda terkena biaya. Ketika Anda membuat atau mengedit kebijakan berbasisidentitas, ikuti panduan dan rekomendasi ini:

• Memulai menggunakanAWSkebijakan yang dikelola- Untuk mulai menggunakan Forecast dengancepat, gunakanAWSkebijakan yang dikelola untuk memberi karyawan Anda izin yang mereka butuhkan.Kebijakan ini sudah tersedia di akun Anda dan dikelola, serta diperbarui oleh AWS. Untuk informasiselengkapnya, lihat Memulai menggunakan izin dengan kebijakan yang dikelola AWS dalam PanduanPengguna IAM.

• Pemberian hak istimewa terendah – Ketika Anda membuat kebijakan kustom, berikan izin yangdiperlukan saja untuk melakukan tugas. Mulai dengan satu set izin minimum dan berikan izin tambahansesuai kebutuhan. Melakukan hal tersebut lebih aman daripada memulai dengan izin yang terlalufleksibel, lalu mencoba memperketatnya nanti. Untuk informasi selengkapnya, lihat Pemberian hakistimewa terendah dalam Panduan Pengguna IAM.

• Aktifkan autentikasi multifaktor (MFA) untuk operasi sensitif – Untuk keamanan ekstra, mintalahpengguna IAM untuk menggunakan autentikasi multifaktor (MFA) guna mengakses sumber daya atauoperasi API yang sensitif. Untuk informasi selengkapnya, lihat Menggunakan autentikasi multifaktor(MFA) dalam AWS dalam Panduan Pengguna IAM.

• Gunakan syarat kebijakan untuk keamanan tambahan – Selama bisa dilakukan, tentukan persyaratanagar kebijakan berbasis identitas Anda mengizinkan akses ke sumber daya. Misalnya, Anda dapatmenulis persyaratan untuk menentukan jangkauan alamat IP yang diizinkan untuk mengajukanpermintaan. Anda juga dapat menulis ketentuan untuk mengizinkan permintaan hanya dalam rentangtanggal atau waktu tertentu, atau untuk mengharuskan penggunaan SSL atau MFA. Untuk informasilebih lanjut, lihat Elemen kebijakan IAM JSON: Ketentuan dalam Panduan Pengguna IAM.

Menggunakan Konsol ForecastUntuk mengakses konsol Amazon Forecast, Anda harus memiliki serangkaian izin minimum. Izin ini harusmemperbolehkan Anda untuk membuat daftar dan melihat detail tentang sumber daya Forecast di akunAndaAWSakun. Jika Anda membuat kebijakan berbasis identitas yang lebih ketat daripada izin minimumyang diperlukan, konsol tersebut tidak akan berfungsi sebagaimana mestinya untuk entitas (pengguna IAMatau peran) dengan kebijakan tersebut.

Untuk memastikan bahwa entitas tersebut masih dapat menggunakan konsol Forecast, lampirkanjuga yang berikut iniAWSkebijakan yang dikelola untuk entitas. Untuk informasi selengkapnya, lihatMenambahkan izin ke Pengguna dalam Panduan Pengguna IAM:

AWSForecastFullAccess

Kebijakan berikut memberikan akses penuh ke semua tindakan Amazon Forecast saat menggunakankonsol:

{

184

https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html#bp-use-aws-defined-policies

https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html#grant-least-privilege

https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html#grant-least-privilege



https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_elements_condition.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_change-permissions.html#users_change_permissions-add-console


"Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:*" ], "Resource": "*" }, { "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": "*", "Condition": { "StringEquals": { "iam:PassedToService": "forecast.amazonaws.com" } } } ]}

Anda tidak perlu mengizinkan konsol minimum untuk pengguna yang melakukan panggilan hanya ke AWSCLI atau API AWS. Alih-alih, izinkan akses hanya ke tindakan yang sesuai dengan operasi API yang Andacoba lakukan.

Izinkan Pengguna untuk Melihat Izin Mereka SendiriContoh ini menunjukkan cara Anda dapat membuat kebijakan yang mengizinkan para pengguna IAMuntuk melihat kebijakan inline dan terkelola yang dilampirkan ke identitas pengguna mereka. Kebijakan inimencakup izin untuk menyelesaikan tindakan pada konsol atau secara terprogram menggunakan API AWSCLI atau AWS.

{ "Version": "2012-10-17", "Statement": [ { "Sid": "ViewOwnUserInfo", "Effect": "Allow", "Action": [ "iam:GetUserPolicy", "iam:ListGroupsForUser", "iam:ListAttachedUserPolicies", "iam:ListUserPolicies", "iam:GetUser" ], "Resource": ["arn:aws:iam::*:user/${aws:username}"] }, { "Sid": "NavigateInConsole", "Effect": "Allow", "Action": [ "iam:GetGroupPolicy", "iam:GetPolicyVersion", "iam:GetPolicy", "iam:ListAttachedGroupPolicies", "iam:ListGroupPolicies", "iam:ListPolicyVersions", "iam:ListPolicies", "iam:ListUsers" ],

185


"Resource": "*" } ]}

Kebijakan Terkelola (Ditentukan Sebelumnya) AWSAWS menangani banyak kasus penggunaan umum dengan menyediakan kebijakan IAM mandiri yangdibuat dan dikelola oleh AWS. Kebijakan terkelola AWS ini memberikan izin yang diperlukan untuk kasuspenggunaan umum sehingga Anda tidak perlu menyelidiki izin mana yang diperlukan. Untuk informasiselengkapnya, lihat Kebijakan yang Dikelola AWS dalam Panduan Pengguna IAM.

Kebijakan terkelola AWS berikut, yang dapat Anda lampirkan ke pengguna di akun Anda, khusus untukAmazon Forecast:

• AmazonForecastFullAccess— Memberikan akses penuh ke sumber daya Amazon Forecast dan semuaoperasi yang didukung.

Anda dapat meninjau kebijakan izin ini dengan masuk ke konsol IAM dan mencarinya.

Anda juga dapat membuat kebijakan IAM khusus Anda sendiri untuk memberikan izin untuk tindakan dansumber daya Amazon Forecast. Anda dapat melampirkan kebijakan kustom ini ke pengguna IAM atau grupyang memerlukannya.

Contoh Kebijakan yang Dikelola PelangganDalam bagian ini, Anda dapat menemukan contoh kebijakan pengguna yang memberikan izin untukberbagai tindakan Amazon Forecast. Kebijakan ini berlaku saat Anda menggunakan AWS SDK atauAWSCLI. Saat Anda menggunakan konsol, lihatMenggunakan Konsol Forecast (p. 184).

Contoh• Contoh 1: Berikan Izin Administrator Akun (p. 186)• Contoh 2: Izinkan Semua Amazon Forecast dan IAMPassRoleTindakan (p. 187)• Contoh 3: Izinkan semua tindakan Amazon Forecast sambil membatasi

IAMPassRoleTindakan (p. 187)• Contoh 4: Kebijakan berbasis tindakan: Amazon Forecast (p. 188)

Contoh 1: Berikan Izin Administrator Akun

Setelah Anda mengatur akun (lihatMendaftar ke AWS (p. 5)), Anda membuat pengguna administrator untukmengelola akun Anda. Pengguna administrator dapat membuat pengguna dan mengelola izin mereka.

Untuk memberikan pengguna administrator semua izin yang tersedia untuk akun Anda, lampirkankebijakan izin berikut ke pengguna tersebut:

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": "*", "Resource": "*" } ]}

186

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html#aws-managed-policies


Contoh 2: Izinkan Semua Amazon Forecast dan IAMPassRoleTindakanAnda dapat memilih untuk membuat pengguna yang memiliki izin untuk semua tindakan Amazon Forecasttetapi tidak untuk layanan Anda yang lain (anggap pengguna ini sebagai administrator khusus layanan).Lampirkan kebijakan izin berikut ke pengguna ini:

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:*" ], "Resource": "*" }, { "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": "*", "Condition": { "StringEquals": { "iam:PassedToService": "forecast.amazonaws.com" } } } ]}

Contoh 3: Izinkan semua tindakan Amazon Forecast sambil membatasiIAMPassRoleTindakanAnda dapat memilih untuk membuat pengguna yang memiliki izin untuk semua tindakan Amazon Forecastsambil membatasi IAM merekaPassRoletindakan. Lampirkan kebijakan izin berikut ke pengguna ini:

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:*" ], "Resource": "*" }, { "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": "arn:aws:iam::EXAMPLE_ACCOUNT_ID_12349858:role/EXAMPLE_ROLE_TO_ALLOW_TO_PASS", "Condition": { "StringEquals": { "iam:PassedToService": "forecast.amazonaws.com" } } } ]}

187

Amazon Forecast Panduan DeveloperPemecahan Masalah

Contoh 4: Kebijakan berbasis tindakan: Amazon Forecast

Kebijakan berikut memberikan izin ke tindakan Amazon Forecast yang mengizinkan pengguna untukmembuat daftar dan menjelaskan sumber daya:

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:DescribeDataset", "forecast:DescribeDatasetGroup", "forecast:DescribeDatasetImportJob", "forecast:DescribeForecast", "forecast:DescribeForecastExportJob", "forecast:DescribePredictor", "forecast:ListDatasetGroups", "forecast:ListDatasetImportJobs", "forecast:ListDatasets", "forecast:ListDatasetExportJobs", "forecast:ListForecasts", "forecast:ListPredictors" ], "Resource": "*" } ]}

Pemecahan masalah identitas dan akses AmazonGunakan informasi berikut untuk membantu Anda mendiagnosis dan memperbaiki masalah umum yangmungkin dialami saat menggunakan Forecast dan IAM.

Topik• Saya tidak Berwenang untuk Melakukan Tindakan di Forecast (p. 188)• Saya tidak Berwenang untuk Melakukan iam:PassRole (p. 189)• Saya Ingin Melihat Access Key Saya (p. 189)• Saya seorang Administrator dan Ingin Mengizinkan Orang Lain Mengakses Forecast (p. 189)• Saya Ingin Mengizinkan Orang di Luar SayaAWSAkun untuk Mengakses Sumber Daya Forecast

Saya (p. 190)

Saya tidak Berwenang untuk Melakukan Tindakan di ForecastJika AWS Management Console memberi tahu bahwa Anda tidak diotorisasi untuk melakukan tindakan,Anda harus menghubungi administrator untuk mendapatkan bantuan. Administrator Anda adalah orangyang memberikan nama pengguna dan kata sandi Anda.

Contoh kesalahan berikut terjadi ketika pengguna IAM mateojackson mencoba menggunakan konsoluntuk melihat detail tentang suatu widget, tetapi tidak memiliki izin forecast:GetWidget.

User: arn:aws:iam::123456789012:user/mateojackson is not authorized to perform: forecast:GetWidget on resource: my-example-widget

Dalam hal ini, Mateo meminta administratornya untuk memperbarui kebijakannya agar dia dapatmengakses my-example-widget menggunakan forecast:GetWidget tindakan.

188

Amazon Forecast Panduan DeveloperPemecahan Masalah

Saya tidak Berwenang untuk Melakukan iam:PassRoleJika Anda menerima kesalahan bahwa Anda tidak terotorisasi untuk melakukan tindakan iam:PassRole,Anda harus menghubungi administrator untuk mendapatkan bantuan. Administrator Anda adalah orangyang memberikan Anda nama pengguna dan kata sandi Anda. Minta orang tersebut untuk memperbaruikebijakan Anda agar Anda dapat meneruskan peran ke Forecast.

BeberapaLayanan AWSAnda dapat meneruskan peran yang sudah ada ke layanan tersebut, alih-alihmembuat peran layanan atau peran tertaut layanan baru. Untuk melakukannya, Anda harus memiliki izinuntuk meneruskan peran ke layanan.

Contoh kesalahan berikut terjadi ketika pengguna IAM bernamamarymajormencoba menggunakan konsoluntuk melakukan tindakan di Forecast. Namun, tindakan tersebut mengharuskan layanan untuk memilikiizin yang diberikan oleh peran layanan. Mary tidak memiliki izin untuk meneruskan peran tersebut kelayanan.

User: arn:aws:iam::123456789012:user/marymajor is not authorized to perform: iam:PassRole

Dalam kasus ini, Mary meminta administrator untuk memperbarui kebijakannya agar mengizinkannya untukmelakukan tindakan iam:PassRole.

Saya Ingin Melihat Access Key SayaSetelah membuat access key pengguna IAM, Anda dapat melihat access key ID Anda setiap saat. Namun,Anda tidak dapat melihat secret access key Anda lagi. Jika Anda kehilangan secret key, Anda harusmembuat pasangan access key baru.

Access key terdiri dari dua bagian: access key ID (misalnya, AKIAIOSFODNN7EXAMPLE) dan secret accesskey (misalnya, wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY). Seperti nama pengguna dan katasandi, Anda harus menggunakan access key ID dan secret access key sekaligus untuk mengautentikasipermintaan Anda. Kelola access key Anda seaman nama pengguna dan kata sandi Anda.

Important

Jangan memberikan access key Anda kepada pihak ke tiga, bahkan untuk membantu menemukanID pengguna kanonis Anda. Anda mungkin memberi seseorang akses permanen ke akun Anda,dengan melakukan ini.

Saat Anda membuat pasangan access key, Anda diminta menyimpan access key ID dan secret accesskey di lokasi yang aman. secret access key hanya tersedia saat Anda membuatnya. Jika Anda kehilangansecret access key Anda, Anda harus menambahkan access key baru ke pengguna IAM Anda. Andadapat memiliki maksimum dua access key. Jika Anda sudah memiliki dua, Anda harus menghapus satupasangan kunci sebelum membuat pasangan baru. Untuk melihat instruksi, lihat Mengelola access keys diPanduan Pengguna IAM.

Saya seorang Administrator dan Ingin Mengizinkan Orang LainMengakses ForecastUntuk mengizinkan orang lain mengakses Forecast, Anda harus membuat entitas IAM (pengguna atauperan) untuk orang atau aplikasi yang memerlukan akses. Mereka akan menggunakan kredensial untukentitas tersebut untuk mengakses AWS. Selanjutnya, Anda harus melampirkan kebijakan ke entitastersebut agar memperoleh izin yang tepat di Forecast.

Untuk segera mulai, lihat Membuat pengguna dan grup khusus IAM pertama Anda di Panduan PenggunaIAM.

189

https://docs.aws.amazon.com/general/latest/gr/acct-identifiers.html#FindingCanonicalId

https://docs.aws.amazon.com/general/latest/gr/acct-identifiers.html#FindingCanonicalId

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html#Using_CreateAccessKey

https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started_create-delegated-user.html

Amazon Forecast Panduan DeveloperPencatatan dan Pemantauan

Saya Ingin Mengizinkan Orang di Luar SayaAWSAkun untukMengakses Sumber Daya Forecast SayaAnda dapat membuat peran yang dapat digunakan para pengguna di akun lain atau orang-orang di luarorganisasi Anda untuk mengakses sumber daya Anda. Anda dapat menentukan siapa yang dipercayauntuk mengambil peran tersebut. Untuk layanan yang mendukung kebijakan berbasis sumber daya ataudaftar kontrol akses (ACL), Anda dapat menggunakan kebijakan tersebut untuk memberi akses pada orangke sumber daya Anda.

Untuk mempelajari selengkapnya, periksa hal berikut:

• Untuk mempelajari apakah Forecast mendukung fitur-fitur iniCara Amazon Forecast Bekerja denganIAM (p. 181).

• Untuk mempelajari cara memberikan akses ke sumber daya di seluruh Akun AWS yang Anda miliki,lihat Menyediakan akses ke pengguna IAM di akun Akun AWS lain yang Anda miliki dalam PanduanPengguna IAM.

• Untuk mempelajari cara memberikan akses ke sumber daya Anda ke Akun AWS pihak ketiga, lihatMenyediakan akses ke akun Akun AWS yang dimiliki oleh pihak ketiga dalam Panduan Pengguna IAM.

• Untuk mempelajari cara memberikan akses melalui federasi identitas, lihat Menyediakan akses kepengguna terautentikasi eksternal (gabungan identitas) dalam Panduan Pengguna IAM .

• Untuk mempelajari perbedaan antara penggunaan peran dan kebijakan berbasis sumber daya untukakses lintas akun, lihat Perbedaan IAM role dan kebijakan berbasis sumber daya di Panduan PenggunaIAM.

Pencatatan dan Pemantauan di Amazon ForecastPemantauan adalah bagian penting dari pemeliharaan keandalan, ketersediaan, dan performaaplikasi Amazon Forecast Anda. Untuk memantau panggilan API Amazon Forecast, Anda dapatmenggunakanAWS CloudTrail. Untuk memantau status aset dan proses Forecast Anda, gunakanAmazonCloudWatch.

Topik• Mencatat Panggilan API denganAWS CloudTrail (p. 190)• CloudWatchPrakiraan Amazon Forecast (p. 192)

Mencatat Panggilan API denganAWS CloudTrailAmazon Forecast terintegrasi denganAWS CloudTrail, layanan yang menyediakan catatan tindakan yangdiambil oleh pengguna, peran, atauAWSlayanan di Forecast. CloudTrailmerekam semua panggilan APIuntuk Forecast sebagai peristiwa. Panggilan yang direkam mencakup panggilan dari konsol Forecastdan panggilan kode ke operasi API Forecast. Jika Anda membuat jejak, Anda dapat mengaktifkanpengiriman berkelanjutanCloudTrailevent ke bucket Amazon Simple Storage Service (Amazon S3),termasuk event untuk Forecast. Jika Anda tidak membuat konfigurasi jejak, Anda masih dapat melihatkejadian terbaru dalam konsol CloudTrail di Riwayat peristiwa. Menggunakan informasi yang dikumpulkanolehCloudTrailAnda dapat menentukan permintaan yang dibuat ke Forecast, alamat IP tempat permintaandibuat, siapa yang membuat permintaan, kapan permintaan dibuat, dan detail lainnya.

Untuk mempelajari selengkapnyaCloudTrail, lihatAWS CloudTrailPanduan Pengguna.

Informasi Forecast diCloudTrailCloudTrail diaktifkan pada akun AWS Anda saat Anda membuat akun tersebut. Ketika aktivitas terjadi diForecast, aktivitas tersebut dicatat dalamCloudTrailacara bersama dengan lainnyaAWSacara layanan

190

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_common-scenarios_aws-accounts.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_common-scenarios_third-party.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_common-scenarios_federated-users.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_common-scenarios_federated-users.html


https://docs.aws.amazon.com/awscloudtrail/latest/userguide/

Amazon Forecast Panduan DeveloperMencatat Panggilan API denganAWS CloudTrail

diRiwayat peristiwa. Anda dapat melihat, mencari, dan mengunduh peristiwa terbaru di akun AWS Anda.Untuk informasi lain, lihat Melihat Peristiwa dengan Riwayat Peristiwa CloudTrail.

Untuk catatan berkelanjutan tentang peristiwa diAWSakun, termasuk peristiwa untuk Forecast, buat jejak.Jejak memungkinkan CloudTrail untuk mengirim berkas log ke bucket Amazon S3. Secara default, ketikaAnda membuat jejak di konsol tersebut, jejak diterapkan ke semua Wilayah AWS. Jejak mencatat kejadiandari semua Wilayah di partisi AWS dan mengirimkan berkas log ke bucket Amazon S3 yang Anda tentukan.Selain itu, Anda dapat membuat konfigurasi layanan AWS lainnya untuk menganalisis lebih lanjut danbertindak berdasarkan data peristiwa yang dikumpulkan di log CloudTrail. Untuk informasi selengkapnya,lihat yang berikut:

• Ikhtisar untuk Membuat Jejak• CloudTrailLayanan dan Integrasi yang Didukung• Mengonfigurasi Notifikasi Amazon SNS untukCloudTrail• Menerima File Log CloudTrail dari Beberapa Wilayah dan Menerima File Log CloudTrail dari Beberapa

Akun

Semua tindakan Forecast dicatat olehCloudTraildan didokumentasikan dalamPanduan PengembangAmazon Forecast. Misalnya, panggilan keCreateDatasetdanCreateForecasttindakan menghasilkanentri dalamCloudTrailfile log.

Setiap entri peristiwa atau log berisi informasi tentang siapa yang membuat permintaan tersebut. Informasiidentitas membantu Anda menentukan hal berikut:

• Bahwa permintaan dibuat dengan kredensial pengguna root atau pengguna AWS Identity and AccessManagement (IAM).

• Bahwa permintaan tersebut dibuat dengan kredensial keamanan sementara untuk peran atau penggunagabungan.

• Bahwa permintaan dibuat oleh layanan AWS lain.

Untuk informasi lain, lihat Elemen userIdentity CloudTrail.

Memahami Entri Berkas Log ForecastJejak adalah konfigurasi yang memungkinkan pengiriman peristiwa sebagai berkas log ke bucket AmazonS3 yang telah Anda tentukan. Berkas log CloudTrail berisi satu atau beberapa entri log. Peristuwa mewakilisatu permintaan dari sumber apa pun dan mencakup informasi tentang tindakan yang diminta, tanggaldan waktu tindakan, parameter permintaan, dan sebagainya. Berkas log CloudTrail bukan jejak tumpukanterurut dari panggilan API publik, sehingga berkas tersebut tidak muncul dalam urutan tertentu.

Contoh berikut menunjukkan catatan log CloudTrail yang menunjukkan tindakan CreateDataset.

{ "eventVersion": "1.05", "userIdentity": { "type": "IAMUser", "principalId": "AIDAIQ4PAJSMEEPNEXAMPLE", "arn": "arn:aws:iam::acct-id:user/userxyz", "accountId": "111111111111", "accessKeyId": "AKIAIOSFODNN7EXAMPLE", "userName": "userxyz" }, "eventTime": "2018-11-21T23:53:06Z", "eventSource": "forecast.amazonaws.com", "eventName": "CreateDataset",

191

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/view-cloudtrail-events.html

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-create-and-update-a-trail.html

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-aws-service-specific-topics.html#cloudtrail-aws-service-specific-topics-integrations

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/getting_notifications_top_level.html

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/receive-cloudtrail-log-files-from-multiple-regions.html

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-receive-logs-from-multiple-accounts.html

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-receive-logs-from-multiple-accounts.html

https://docs.aws.amazon.com/forecast/latest/dg/

https://docs.aws.amazon.com/forecast/latest/dg/

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-event-reference-user-identity.html

Amazon Forecast Panduan DeveloperCloudWatchPrakiraan Amazon Forecast

"awsRegion": "us-west-2", "sourceIPAddress": "192.168.0.1", "userAgent": "Boto3/1.7.82 Python/3.6.5 Linux/4.14.72-68.55.amzn1.x86_64 Botocore/1.10.84", "requestParameters": { "domain": "CUSTOM", "datasetType": "TARGET_TIME_SERIES", "dataFormat": "CSV", "datasetName": "forecast_test_script_ds", "dataFrequency": "D", "timeStampFormat": "yyyy-MM-dd", "schema": { "attributes": [ { "attributeName": "item_id", "attributeType": "string" }, { "attributeName": "timestamp", "attributeType": "timestamp" }, { "attributeName": "target_value", "attributeType": "float" }, { "attributeName": "visits", "attributeType": "float" }, { "attributeName": "was_open", "attributeType": "float" }, { "attributeName": "promotion_applied", "attributeType": "float" } ] } }, "responseElements": { "datasetName": "forecast_test_script_ds", "datasetArn": "arn:aws:forecast:us-west-2:acct-id:ds/forecast_test_script_ds" }, "requestID": "EXAMPLE8-90ab-cdef-fedc-ba987EXAMPLE", "eventID": "EXAMPLE8-90ab-cdef-fedc-ba987EXAMPLE", "eventType": "AwsApiCall", "recipientAccountId": "111111111111"}

CloudWatchPrakiraan Amazon ForecastBagian ini memuat informasi tentang AmazonCloudWatchmetrik tersedia untuk Amazon Forecast.

Tabel berikut menjelaskan metrik Amazon Forecast.

Metrik Dimensi Unit Statistik Deskripsi

DatasetSize Kilobyte Rata-rata,Jumlah, Min,Maks

Ukuran total dataset yang diimpor olehAmazon Forecast ke akun pelanggan.

192

Amazon Forecast Panduan DeveloperValidasi Kepatuhan

Metrik Dimensi Unit Statistik Deskripsi

DatasetSize DatasetArn

DatasetImportJobArn

Kilobyte Rata-rata,Jumlah

Ukuran dataset yang diimporolehCreateDatasetImportJob (p. 214)operasi.

CreatePredictorExecutionTimePredictorArn Detik Rata-rata,Jumlah

Waktu yang dibutuhkan untuk pelatihan,kesimpulan, dan metrik untuk prediktortertentu. Amazon Forecast menormalkanbiaya komputasi ke instans c5.xlarge untukmencapai jumlah jam yang dikonsumsi olehpekerjaan pelatihan.

CreateForecastExecutionTimeForecastArn Detik Rata-rata,Jumlah

Waktu yang dibutuhkan untuk pelatihandan kesimpulan selama generasi perkiraan.Amazon Forecast menormalkan biayakomputasi ke instans c5.xlarge untukmencapai jumlah jam yang dikonsumsi olehpekerjaan pelatihan.

TimeSeriesForecastsGenerated Count Rata-rata,Jumlah, Min,Maks

Jumlah perkiraan seri waktu unik yangdihasilkan untuk setiap kuantil di semuaprediktor di akun. Prakiraan ditagih ke 1000terdekat dan dibebankan per 1.000 basis.

TimeSeriesForecastsGeneratedPredictorArn Count Rata-rata,Jumlah, Min,Maks

Jumlah perkiraan seri waktu unik yangdihasilkan untuk setiap kuantil di semuaprediktor di akun. Prakiraan ditagih ke1.000 terdekat dan dibebankan per 1.000basis.

TimeSeriesForecastsGeneratedPredictorArn

ForecastArn

Count Rata-rata,Jumlah, Min,Maks

Jumlah perkiraan seri waktu unik yangdihasilkan untuk setiap kuantil di semuaprediktor di akun. Prakiraan ditagih ke1.000 terdekat dan dibebankan per 1.000basis.

Validasi Kepatuhan untuk Amazon ForecastAuditor pihak ketiga menilai keamanan dan kepatuhan Amazon Forecast sebagai bagian daribeberapaAWSprogram kepatuhan. Hal ini mencakup SOC, PCI, HIPAA, dan lainnya.

Untuk daftar layanan AWS dalam cakupan program kepatuhan tertentu, lihat Layanan AWS dalamCakupan Program Kepatuhan. Untuk informasi umum, lihat Program Kepatuhan AWS.

Anda bisa mengunduh laporan audit pihak ketiga menggunakan AWS Artifact. Untuk informasiselengkapnya, lihat Pengunduhan Laporan dalam AWS Artifact.

Tanggung jawab kepatuhan Anda saat menggunakan Forecast ditentukan oleh sensitivitas data Anda,tujuan kepatuhan perusahaan Anda, serta undang-undang dan peraturan yang berlaku.AWSmenyediakansumber daya berikut untuk membantu kepatuhan:

• Panduan Quick Start Keamanan dan Kepatuhan – Panduan deployment ini membahas pertimbanganarsitektur dan menyediakan langkah untuk deployment lingkungan dasar yang fokus pada keamanandan kepatuhan di AWS.

• Merancang Laporan Resmi Keamanan dan Kepatuhan HIPAA – Laporan resmi ini menjelaskan caraperusahaan dapat menggunakan AWS untuk membuat aplikasi yang patuh-HIPAA.

193




https://docs.aws.amazon.com/artifact/latest/ug/downloading-documents.html

http://aws.amazon.com/quickstart/?awsf.quickstart-homepage-filter=categories%23security-identity-compliance

https://d0.awsstatic.com/whitepapers/compliance/AWS_HIPAA_Compliance_Whitepaper.pdf

Amazon Forecast Panduan DeveloperKetahanan

• Sumber Daya Kepatuhan AWS – Kumpulan buku kerja dan panduan ini mungkin berlaku untuk industridan lokasi Anda.

• Mengevaluasi Sumber Daya dengan Aturan di Panduan Developer AWS Config – Layanan AWS Configmenilai seberapa baik konfigurasi sumber daya Anda dalam mematuhi praktik internal, pedoman industri,dan peraturan.

• AWS Security Hub – Layanan AWS ini memberikan pandangan komprehensif tentang status keamananAnda dalam AWS yang membantu Anda memeriksa kepatuhan Anda terhadap standar industrikeamanan dan praktik terbaik.

Ketahanan di Amazon ForecastInfrastruktur global AWS dibangun di sekitar Wilayah AWS dan Availability Zone. AWS Wilayahmenyediakan beberapa Availability Zone yang terpisah secara fisik dan terisolasi, yang terhubung denganjaringan berlatensi rendah, throughput yang tinggi, dan sangat redundan. Dengan Availability Zone, Andadapat mendesain dan mengoperasikan aplikasi dan basis data yang secara otomatis mengalami kegagalandi antara zona tanpa gangguan. Availability Zone lebih tersedia, memiliki toleransi kesalahan, dan dapatdiskalakan dibandingkan dengan satu atau beberapa infrastruktur pusat data tradisional.

Untuk informasi selengkapnya tentang Wilayah AWS dan Availability Zone, lihat AWS Infrastruktur Global.

Keamanan Infrastruktur di Amazon ForecastSebagai layanan terkelola, Amazon Forecast dilindungi olehAWSprosedur keamanan jaringan global yangdijelaskan dalamAmazon Web Services: Whitepaper Ikhtisar Proses Keamanan.

Anda menggunakanAWSPanggilan API yang dipublikasikan untuk mengakses Forecast melalui jaringan.Klien harus mendukung Keamanan Lapisan Pengangkutan (TLS) 1.0 atau versi yang lebih baru. Kamimerekomendasikan TLS 1.2 atau versi yang lebih baru. Klien juga harus mendukung suite cipher denganperfect forward secrecy (PFS) seperti Ephemeral Diffie-Hellman (DHE) atau Elliptic Curve Ephemeral Diffie-Hellman (ECDHE). Sebagian besar sistem modern seperti Java 7 dan sistem yang lebih baru mendukungmode ini.

Selain itu, permintaan harus ditandatangani menggunakan access key ID dan secret access key yangterkait dengan principal IAM. Atau Anda bisa menggunakan AWS Security Token Service (AWS STS) untukmembuat kredensial keamanan sementara guna menandatangani permintaan.

Forecast dan titik akhir VPC antarmuka (AWSPrivateLink)

Jika Anda menggunakan Amazon Virtual Private Cloud (Amazon VPC) untuk meng-host AndaAWSsumberdaya, Anda dapat membangun koneksi privat antara VPC dan Amazon Forecast. Koneksi inimemungkinkan Amazon Forecast untuk berkomunikasi dengan sumber daya Anda di VPC Anda tanpamelalui internet publik.

Amazon VPC adalahAWSlayanan yang Anda gunakan untuk meluncurkanAWSsumber daya di virtualprivate cloud (VPC) atau jaringan virtual yang Anda tentukan. Dengan VPC, Anda memiliki kendaliterhadap pengaturan jaringan, seperti rentang alamat IP, subnet, tabel rute, dan pintu masuk jaringan.Dengan titik akhir VPC,AWSjaringan menangani routing antara VPC Anda danAWSlayanan.

Untuk menghubungkan VPC Anda ke Amazon Forecast, Anda menentukan VPC endpoint antarmukauntuk Amazon Forecast. Antarmuka titik akhir adalah antarmuka jaringan elastis dengan alamat IP privat

194

http://aws.amazon.com/compliance/resources/

https://docs.aws.amazon.com/config/latest/developerguide/evaluate-config.html

https://docs.aws.amazon.com/securityhub/latest/userguide/what-is-securityhub.html

http://aws.amazon.com/about-aws/global-infrastructure/

https://d0.awsstatic.com/whitepapers/Security/AWS_Security_Whitepaper.pdf

https://docs.aws.amazon.com/STS/latest/APIReference/Welcome.html

Amazon Forecast Panduan DeveloperPertimbangan untuk Forecast VPC endpoint

yang berfungsi sebagai titik masuk untuk lalu lintas ditujukan untuk layanan AWS yang didukung. Titikakhir memberikan konektivitas yang dapat diandalkan, dapat diskalakan ke Amazon Forecast — danitu tidak memerlukan gateway internet, instans terjemahan alamat jaringan (NAT), atau koneksi VPN.Untuk informasi selengkapnya, lihat Apa yang dimaksud dengan Amazon VPC dalam Panduan PenggunaAmazon VPC.

Endpoint VPC diaktifkan olehAWS PrivateLink. IniAWSteknologi memungkinkan komunikasi pribadiantaraAWSlayanan dengan menggunakan elastic network interface dengan alamat IP privat.

Note

Semua titik akhir Amazon Forecast Information Processing Standard (FIPS) didukung olehAWSPrivateLink.

Pertimbangan untuk Forecast VPC endpointSebelum Anda menyiapkan VPC endpoint antarmuka untuk Forecast, pastikan bahwa AndameninjauProperti endpoint antarmuka dan keterbatasandiPanduan Pengguna Amazon VPC.

Forecast mendukung panggilan ke semua tindakan API-nya dari VPC Anda.

Membuat VPC endpoint antarmuka untuk ForecastAnda dapat membuat VPC endpoint untuk layanan Forecast dengan konsol Amazon VPC atauAWSCommand Line Interface(AWS CLI). Untuk informasi lebih lanjut, lihat Membuat titik akhir antarmuka diPanduan Pengguna Amazon VPC.

Anda dapat membuat dua tipe titik akhir VPC untuk digunakan dengan Amazon Forecast:

• VPC endpoint untuk digunakan dengan operasi Amazon Forecast. Bagi sebagian besar pengguna, iniadalah tipe VPC endpoint yang paling sesuai.• com.amazonaws.daerah.forecast• com.amazonaws.daerah.forecastquery

• VPC endpoint untuk operasi Amazon Forecast dengan titik akhir yang sesuai dengan standar pemerintahAS Publikasi Federal Information Processing Standard (FIPS) 140-2 (tersedia di wilayah tertentu,lihatTitik akhir dan kuota Amazon Forecast).• com.amazonaws.daerah.ramalan-fips• com.amazonaws.daerah.forecastquery-fips

Jika Anda mengaktifkan DNS privat untuk titik akhir, Anda dapat mengajukan permintaan API ke Forecastmenggunakan nama DNS defaultnya untuk Wilayah, misalnya,forecast.us-east-1.amazonaws.com.

Untuk informasi lebih lanjut, lihat Mengakses layanan melalui titik akhir antarmuka di Panduan PenggunaAmazon VPC.

Membuat kebijakan VPC endpoint untuk ForecastAnda dapat melampirkan kebijakan titik akhir ke VPC endpoint yang mengendalikan akses ke Forecast.Kebijakan menentukan informasi berikut ini:

• Prinsip-prinsip yang dapat melakukan tindakan.• Tindakan yang dapat dilakukan.• Sumber daya yang dapat digunakan untuk mengambil tindakan.

195

https://docs.aws.amazon.com/vpc/latest/userguide/

https://docs.aws.amazon.com/vpc/latest/userguide/vpce-interface.html#vpce-interface-limitations

https://docs.aws.amazon.com/vpc/latest/userguide/vpce-interface.html#create-interface-endpoint

https://docs.aws.amazon.com/general/latest/gr/forecast.html#forecast_region

https://docs.aws.amazon.com/vpc/latest/userguide/vpce-interface.html#access-service-though-endpoint

Amazon Forecast Panduan DeveloperMembuat kebijakan VPC endpoint untuk Forecast

Untuk informasi selengkapnya, lihat Mengendalikan akses ke layanan dengan titik akhir VPC dalamPanduan Pengguna Amazon VPC.

Contoh: Kebijakan endpoint VPC memungkinkan semua tindakan Forecast dan tindakan PassRole

Jika dilampirkan ke sebuah titik akhir, kebijakan ini memberikan akses ke semua tindakan Forecast dantindakan PassRole.

{ "Statement": [ { "Principal": "*", "Effect": "Allow", "Action": [ "forecast:*", "iam:PassRole" ], "Resource": "*" } ]}

Contoh: Kebijakan VPC endpoint memungkinkan ForecastListDatasetstindakan

Jika dilampirkan ke sebuah titik akhir, kebijakan ini memberikan akses ke Forecast yangterdaftarListDatasetstindakan.

{ "Statement": [ { "Principal": "*", "Effect": "Allow", "Action": [ "forecast:ListDatasets" ], "Resource": "*" } ]}

196

https://docs.aws.amazon.com/vpc/latest/userguide/vpc-endpoints-access.html

Amazon Forecast Panduan DeveloperTindakan

Referensi APIBagian ini menyediakan dokumentasi untuk operasi Amazon Forecast API.

Topik• Tindakan (p. 197)• Tipe Data (p. 347)• Kesalahan Umum (p. 419)• Parameter Umum (p. 421)

TindakanTindakan berikut didukung oleh Amazon Forecast Service:

• CreateAutoPredictor (p. 200)• CreateDataset (p. 206)• CreateDatasetGroup (p. 210)• CreateDatasetImportJob (p. 214)• CreateExplainability (p. 219)• CreateExplainabilityExport (p. 224)• CreateForecast (p. 227)• CreateForecastExportJob (p. 231)• CreatePredictor (p. 235)• CreatePredictorBacktestExportJob (p. 243)• DeleteDataset (p. 246)• DeleteDatasetGroup (p. 248)• DeleteDatasetImportJob (p. 250)• DeleteExplainability (p. 252)• DeleteExplainabilityExport (p. 254)• DeleteForecast (p. 256)• DeleteForecastExportJob (p. 258)• DeletePredictor (p. 260)• DeletePredictorBacktestExportJob (p. 262)• DeleteResourceTree (p. 264)• DescribeAutoPredictor (p. 266)• DescribeDataset (p. 271)• DescribeDatasetGroup (p. 275)• DescribeDatasetImportJob (p. 278)• DescribeExplainability (p. 283)• DescribeExplainabilityExport (p. 287)• DescribeForecast (p. 290)• DescribeForecastExportJob (p. 294)• DescribePredictor (p. 297)

197

Amazon Forecast Panduan DeveloperAmazon Forecast Layanan

• DescribePredictorBacktestExportJob (p. 304)• GetAccuracyMetrics (p. 307)• ListDatasetGroups (p. 310)• ListDatasetImportJobs (p. 312)• ListDatasets (p. 315)• ListExplainabilities (p. 317)• ListExplainabilityExports (p. 320)• ListForecastExportJobs (p. 323)• ListForecasts (p. 326)• ListPredictorBacktestExportJobs (p. 329)• ListPredictors (p. 332)• ListTagsForResource (p. 335)• StopResource (p. 337)• TagResource (p. 339)• UntagResource (p. 341)• UpdateDatasetGroup (p. 343)

Tindakan berikut didukung oleh Amazon Forecast Query Service:

• QueryForecast (p. 345)

Amazon Forecast LayananTindakan berikut didukung oleh Amazon Forecast Service:

• CreateAutoPredictor (p. 200)• CreateDataset (p. 206)• CreateDatasetGroup (p. 210)• CreateDatasetImportJob (p. 214)• CreateExplainability (p. 219)• CreateExplainabilityExport (p. 224)• CreateForecast (p. 227)• CreateForecastExportJob (p. 231)• CreatePredictor (p. 235)• CreatePredictorBacktestExportJob (p. 243)• DeleteDataset (p. 246)• DeleteDatasetGroup (p. 248)• DeleteDatasetImportJob (p. 250)• DeleteExplainability (p. 252)• DeleteExplainabilityExport (p. 254)• DeleteForecast (p. 256)• DeleteForecastExportJob (p. 258)• DeletePredictor (p. 260)• DeletePredictorBacktestExportJob (p. 262)• DeleteResourceTree (p. 264)• DescribeAutoPredictor (p. 266)

198


• DescribeDataset (p. 271)• DescribeDatasetGroup (p. 275)• DescribeDatasetImportJob (p. 278)• DescribeExplainability (p. 283)• DescribeExplainabilityExport (p. 287)• DescribeForecast (p. 290)• DescribeForecastExportJob (p. 294)• DescribePredictor (p. 297)• DescribePredictorBacktestExportJob (p. 304)• GetAccuracyMetrics (p. 307)• ListDatasetGroups (p. 310)• ListDatasetImportJobs (p. 312)• ListDatasets (p. 315)• ListExplainabilities (p. 317)• ListExplainabilityExports (p. 320)• ListForecastExportJobs (p. 323)• ListForecasts (p. 326)• ListPredictorBacktestExportJobs (p. 329)• ListPredictors (p. 332)• ListTagsForResource (p. 335)• StopResource (p. 337)• TagResource (p. 339)• UntagResource (p. 341)• UpdateDatasetGroup (p. 343)

199


CreateAutoPredictorLayanan:Amazon Forecast Service

Menciptakan prediktor Amazon Forecast.

Amazon Forecast membuat prediktor dengan AutoPredictor, yang melibatkan penerapankombinasi optimal algoritma untuk setiap seri waktu dalam set data Anda. Anda dapatmenggunakanCreateAutoPredictor (p. 200)untuk membuat prediktor baru atau meningkatkan/melatihprediktor yang ada.

Membuat prediktor baru

Parameter-parameter berikut diperlukan saat membuat prediktor baru:

• PredictorName- Nama unik untuk prediktor.• DatasetGroupArn- ARN dari kelompok dataset yang digunakan untuk melatih prediktor.• ForecastFrequency- Granularitas perkiraan Anda (per jam, harian, mingguan, dll).• ForecastHorizon- Jumlah waktu-langkah yang diprediksi model. Ramalan cakrawala juga disebut

panjang prediksi.

Saat membuat prediktor baru, jangan menentukan nilai untukReferencePredictorArn.

Upgrade dan pelatihan ulang prediktor

Parameter-parameter berikut diperlukan saat melatih ulang atau meningkatkan prediktor:

• PredictorName- Nama unik untuk prediktor.• ReferencePredictorArn- The ARN dari prediktor untuk melatih atau meng-upgrade.

Saat meng-upgrade atau melatih kembali prediktor, hanya tentukan nilaiuntukReferencePredictorArndanPredictorName.

Sintaksis Permintaan

{ "DataConfig": { "AdditionalDatasets": [ { "Configuration": { "string" : [ "string" ] }, "Name": "string" } ], "AttributeConfigs": [ { "AttributeName": "string", "Transformations": { "string" : "string" } } ], "DatasetGroupArn": "string" }, "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" },

200


"ExplainPredictor": boolean, "ForecastDimensions": [ "string" ], "ForecastFrequency": "string", "ForecastHorizon": number, "ForecastTypes": [ "string" ], "OptimizationMetric": "string", "PredictorName": "string", "ReferencePredictorArn": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}

Parameter Permintaan

Permintaan menerima data berikut dalam format JSON.

DataConfig (p. 200)

Konfigurasi data untuk grup dataset Anda dan setiap set data tambahan.

Tipe: Objek DataConfig (p. 359)

Diperlukan: TidakEncryptionConfig (p. 200)

Kunci AWS Key Management Service (KMS) dan peran AWS Identity and Access Management (IAM)yang dapat diasumsikan Amazon Forecast untuk mengakses kunci tersebut. Anda dapat menentukanobjek opsional ini dalamCreateDataset (p. 206)danCreatePredictor (p. 235)permintaan.

Tipe: Objek EncryptionConfig (p. 368)

Diperlukan: TidakExplainPredictor (p. 200)

Buat sumber daya Explainability untuk prediktor.

Jenis: Boolean

Diperlukan: TidakForecastDimensions (p. 200)

Array dimensi (field) nama yang menentukan bagaimana mengelompokkan perkiraan yang dihasilkan.

Misalnya, jika Anda menghasilkan perkiraan untuk penjualan item di semua toko Anda, dan datasetAnda berisistore_idbidang, Anda akan menentukanstore_idsebagai dimensi untuk perkiraanpenjualan kelompok untuk setiap toko.

Jenis: Array

Anggota Array: Jumlah minimum 1 item. Jumlah maksimum 10 item.

Batasan: Panjang minimum 1. Panjang maksimum 63.

Pola: ^[a-zA-Z][a-zA-Z0-9_]*

Diperlukan: Tidak

201


ForecastFrequency (p. 200)

Frekuensi prediksi dalam perkiraan.

Interval yang valid adalah Y (Tahun), M (Bulan), W (Minggu), D (Hari), H (Jam), 30 menit (30 menit),15 menit (15 menit), 10 menit (10 menit), 5 menit (5 menit), dan 1 menit (1 menit). Misalnya, “Y”menunjukkan setiap tahun dan “5min” menunjukkan setiap lima menit.

Frekuensi harus lebih besar atau sama dengan frekuensi dataset TARGET_TIME_SERIES.

Ketika dataset RELATED_TIME_SERIES disediakan, frekuensi harus sama dengan frekuensi datasetRELATED_TIME_SERIES.

Jenis: String


Pola: ^Y|M|W|D|H|30min|15min|10min|5min|1min$

Diperlukan: TidakForecastHorizon (p. 200)

Jumlah waktu-langkah yang diprediksi model. Ramalan cakrawala juga disebut panjang prediksi.

Horizon perkiraan maksimum adalah lebih rendah dari 500 langkah waktu atau 1/4 dari panjangdataset TARGET_TIME_SERIES. Jika Anda melatih ulang AutoPredictor yang ada, maka horizonperkiraan maksimum adalah lebih rendah dari 500 langkah waktu atau 1/3 dari panjang datasetTARGET_TIME_SERIES.

Jika Anda meningkatkan ke AutoPredictor atau melatih ulang AutoPredictor yang ada, Anda tidakdapat memperbarui parameter horizon perkiraan. Anda dapat memenuhi persyaratan ini denganmenyediakan lebih lama waktu-seri dalam dataset.

Jenis: Bulat

Diperlukan: TidakForecastTypes (p. 200)

Jenis perkiraan yang digunakan untuk melatih prediktor. Anda dapat menentukan hingga lima jenisperkiraan. Jenis Forecast dapat kuantil 0,01-0,99, dengan penambahan 0,01 atau lebih tinggi. Andajuga dapat menentukan perkiraan rata-rata denganmean.

Jenis: Array



Pola: (^0?\.\d\d?$|^mean$)

Diperlukan: TidakOptimizationMetric (p. 200)

Akurasi metrik yang digunakan untuk mengoptimalkan prediktor.

Jenis: Rangkaian

Nilai Valid: WAPE | RMSE | AverageWeightedQuantileLoss | MASE | MAPE

Diperlukan: Tidak

202


PredictorName (p. 200)

Nama unik untuk prediktor

Jenis: String



Diperlukan: YaReferencePredictorArn (p. 200)

ARN dari prediktor untuk melatih atau meng-upgrade. Parameter ini hanya digunakan saat melatihulang atau meningkatkan prediktor. Saat membuat prediktor baru, jangan menentukan nilai untukparameter ini.

Saat meng-upgrade atau melatih kembali prediktor, hanya tentukan nilaiuntukReferencePredictorArndanPredictorName. Nilai untukPredictorNameharus menjadinama prediktor yang unik.

Jenis: String

Batasan: Panjang maksimum 256.

Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakTags (p. 200)

Metadata opsional untuk membantu Anda mengategorikan dan mengatur prediktor Anda. Setiap tandaterdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Anda tentukan. Kunci dan nilai tagpeka huruf besar dan kecil.

Batasan berikut berlaku untuk tag:• Untuk setiap sumber daya, setiap kunci tag harus unik dan setiap kunci tag harus memiliki satu nilai.• Jumlah maksimum tanda per sumber daya: 50.• Panjang kunci maksimum: 128 karakter Unicode dalam UTF-8.• Panjang nilai maksimum: 256 karakter Unicode dalam UTF-8.• Karakter yang diterima: semua huruf dan angka, spasi yang dapat diwakili dalam UTF-8, beserta +

=. _:/@. Jika skema penandaan Anda digunakan di layanan dan sumber daya lainnya, pembatasankarakter layanan tersebut juga berlaku.

• Awalan kunci tidak dapat menyertakan kombinasi atas atau huruf kecilaws:atauAWS:. Nilai dapatmemiliki awalan ini. Jika nilai tag memilikiawssebagai awalan tetapi kuncinya tidak, Forecastmenganggapnya sebagai tag pengguna dan akan menghitung terhadap batas 50 tag. Tag denganhanya key prefixawsjangan menghitung tanda Anda per batas sumber daya. Anda tidak dapatmengedit atau menghapus kunci tanda dengan awalan ini.

Jenis: ArrayTag (p. 412)objek


Diperlukan: Tidak

Sintaksis Respons

{

203


"PredictorArn": "string"}

Elemen ResponsJika tindakan berhasil, layanan mengirimkan kembali respons HTTP 200.

Layanan mengembalikan data berikut dalam format JSON.

PredictorArn (p. 203)

Amazon Resource Name (ARN) dari prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan

InvalidInputException

Kami tidak dapat memproses permintaan karena mencakup nilai yang tidak valid atau nilai yangmelebihi rentang yang valid.

Kode Status HTTP: 400LimitExceededException

Batas jumlah sumber daya per akun telah terlampaui.

Kode Status HTTP: 400ResourceAlreadyExistsException

Sudah ada sumber daya dengan nama ini. Coba lagi dengan nama yang berbeda.

Kode Status HTTP: 400ResourceInUseException

Sumber daya yang ditentukan sedang digunakan.

Kode Status HTTP: 400ResourceNotFoundException

Kami tidak dapat menemukan sumber daya dengan Amazon Resource Name (ARN). Periksa ARN dancoba lagi.

Kode Status HTTP: 400

Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasaAWSSDK, lihat yang berikutini:

• AWSAntarmuka Baris Perintah• AWSSDK for .NET• AWSSDK for C++

204

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateAutoPredictor


• AWSSDK for Go• AWSSDK for Java V2• AWSSDK for JavaScript• AWSSDK for PHP V3• AWSSDK for Python• AWSSDK for Ruby V3

205

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateAutoPredictor

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateAutoPredictor


CreateDatasetLayanan:Amazon Forecast Service

Membuat dataset Amazon Forecast. Informasi tentang dataset yang Anda berikan membantu Forecastmemahami cara mengkonsumsi data untuk pelatihan model. Hal ini mencakup hal berikut:

• DataFrequency - Seberapa sering data historis waktu-seri Anda dikumpulkan.• Domain dan DatasetType - Setiap dataset memiliki domain dataset terkait dan jenis dalam domain.

Amazon Forecast menyediakan daftar domain dan jenis yang telah ditetapkan dalam setiap domain.Untuk setiap domain dan tipe dataset unik dalam domain, Amazon Forecast mengharuskan data Andauntuk menyertakan seperangkat bidang standar minimum.

• Schema - Sebuah skema menentukan bidang dalam dataset, termasuk nama bidang dan tipe data.

Setelah membuat dataset, Anda mengimpor data pelatihan Anda ke dalamnya dan menambahkandataset ke grup dataset. Anda menggunakan grup dataset untuk membuat prediktor. Untuk informasiselengkapnya, lihatMengimpor set data.

Untuk mendapatkan daftar semua set data Anda, gunakanListDatasetsoperasi.

Misalnya dataset Forecast, lihatAmazon Forecast Contoh repositori GitHub.Note

ParameterStatusdari dataset harusACTIVEsebelum Anda dapat mengimpor data pelatihan.MenggunakanDescribeDatasetoperasi untuk mendapatkan status.


{ "DataFrequency": "string", "DatasetName": "string", "DatasetType": "string", "Domain": "string", "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "Schema": { "Attributes": [ { "AttributeName": "string", "AttributeType": "string" } ] }, "Tags": [ { "Key": "string", "Value": "string" } ]}

Parameter PermintaanPermintaan menerima data berikut dalam format JSON.

DataFrequency (p. 206)

Frekuensi pengumpulan data. Parameter ini wajib untuk set data RELATED_TIME_SERIES.

206

https://docs.aws.amazon.com/forecast/latest/dg/howitworks-datasets-groups.html

https://docs.aws.amazon.com/forecast/latest/dg/API_ListDatasets.html


https://docs.aws.amazon.com/forecast/latest/dg/API_DescribeDataset.html


Interval yang valid adalah Y (Tahun), M (Bulan), W (Minggu), D (Hari), H (Jam), 30 menit (30 menit),15 menit (15 menit), 10 menit (10 menit), 5 menit (5 menit), dan 1 menit (1 menit). Misalnya, “D”menunjukkan setiap hari dan “15min” menunjukkan setiap 15 menit.

Jenis: String

Batasan Panjang: Panjang minimum 1. Panjang maksimum 5.


Diperlukan: TidakDatasetName (p. 206)

Nama untuk set data.

Jenis: String



Diperlukan: YaDatasetType (p. 206)

Jenis dataset. Nilai yang valid tergantung dari pilihanDomain.

Jenis: Rangkaian

Nilai Valid: TARGET_TIME_SERIES | RELATED_TIME_SERIES | ITEM_METADATA

Diperlukan: YaDomain (p. 206)

Domain yang terkait dengan dataset. Ketika Anda menambahkan dataset ke grup dataset, nilai ini dannilai yang ditentukan untukDomainparameterCreateDatasetGroupoperasi harus sesuai.

ParameterDomaindanDatasetTypebahwa Anda memilih menentukan bidang yangharus ada dalam data pelatihan yang Anda impor ke dataset. Misalnya, jika AndamemilihRETAILdomain danTARGET_TIME_SERIESsebagaiDatasetType, Amazon Forecastmembutuhkanitem_id,timestamp, dandemandbidang yang akan hadir dalam data Anda. Untukinformasi selengkapnya, lihatMengimpor set data.

Jenis: Rangkaian

Nilai Valid: RETAIL | CUSTOM | INVENTORY_PLANNING | EC2_CAPACITY | WORK_FORCE |WEB_TRAFFIC | METRICS

Diperlukan: YaEncryptionConfig (p. 206)

Kunci AWS Key Management Service (KMS) dan peran AWS Identity and Access Management (IAM)yang dapat diasumsikan Amazon Forecast untuk mengakses kunci.


Diperlukan: TidakSchema (p. 206)

Skema untuk set data. Atribut skema dan urutannya harus sesuai dengan bidang data Anda. SetdataDomaindanDatasetTypeyang Anda pilih menentukan bidang minimum yang diperlukan dalam

207

https://docs.aws.amazon.com/forecast/latest/dg/API_CreateDatasetGroup.html



data pelatihan Anda. Untuk informasi tentang bidang yang diperlukan untuk domain dan jenis datasettertentu, lihatDataset Domain dan Jenis Dataset.

Tipe: Objek Schema (p. 405)

Diperlukan: YaTags (p. 206)

Metadata opsional yang Anda terapkan ke set data untuk membantu Anda mengkategorikan danmengaturnya. Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Andatentukan.

Batasan dasar berikut berlaku untuk tanda:• Jumlah maksimum tag per sumber daya - 50.• Untuk setiap sumber daya, setiap kunci tanda harus unik, dan setiap kunci tanda hanya dapat

memiliki satu nilai.• Panjang kunci maksimum - 128 karakter Unicode dalam UTF-8.• Panjang nilai maksimum - 256 karakter Unicode dalam UTF-8.• Jika skema penandaan Anda digunakan di beberapa layanan dan sumber daya, ingatlah bahwa

layanan lain mungkin memiliki pembatasan pada karakter yang diizinkan. Karakter-karakter yangdiizinkan secara umum adalah: huruf, angka, dan spasi yang dapat diwakili dalam UTF-8, besertakarakter-karakter berikut: + - = . _ : / @.

• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau huruf kecil seperti prefiks untuk kunci

karena dicadangkan untuk penggunaan AWS. Anda tidak dapat mengedit atau menghapus kuncitag dengan awalan ini. Nilai dapat memiliki awalan ini. Jika nilai tag memilikiawssebagai awalantetapi kuncinya tidak, maka Forecast menganggapnya sebagai tag pengguna dan akan menghitungterhadap batas 50 tag. Tag dengan hanya key prefixawsjangan dihitung terhadap tag Anda perbatas sumber daya.



Diperlukan: Tidak

Sintaksis Respons

{ "DatasetArn": "string"}

Elemen Respons

Jika tindakan berhasil, layanan mengirimkan kembali respons HTTP 200.


DatasetArn (p. 208)

Amazon Resource Name (ARN) dari set data.

Jenis: String

Batasan Panjang: Panjang maksimum 256.

208

https://docs.aws.amazon.com/forecast/latest/dg/howitworks-domains-ds-types.html


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan








Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khususAWSSDK, lihat yangberikut ini:

• AWSAntarmuka Baris Perintah• AWSSDK for .NET• AWSSDK for C++• AWSSDK for Go• AWSSDK for Java V2• AWSSDK for JavaScript• AWSSDK for PHP V3• AWSSDK for Python• AWSSDK for Ruby V3

209

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateDataset

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateDataset


CreateDatasetGroupLayanan:Amazon Forecast Service

Menciptakan kelompok dataset, yang memegang koleksi dataset terkait. Anda dapat menambahkandataset ke grup dataset ketika Anda membuat grup dataset, atau yang lebih baru denganmenggunakanUpdateDatasetGroupoperasi.

Setelah membuat grup dataset dan menambahkan dataset, Anda menggunakan grup dataset saat Andamembuat prediktor. Untuk informasi selengkapnya, lihatGrup basis data.

Untuk mendapatkan daftar semua grup data Anda, gunakanListDatasetGroupsoperasi.

Note

ParameterStatusdari kelompok dataset harusACTIVEsebelum Anda dapatmenggunakan kelompok dataset untuk membuat prediktor. Untuk mendapatkan status,gunakanDescribeDatasetGroupoperasi.


{ "DatasetArns": [ "string" ], "DatasetGroupName": "string", "Domain": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}



DatasetArns (p. 210)

Array Amazon Resource Names (ARN) dari set data yang ingin Anda sertakan dalam grup set data.

Jenis: Array string


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakDatasetGroupName (p. 210)

Nama untuk grup set data.

Jenis: String



Diperlukan: Ya

210

https://docs.aws.amazon.com/forecast/latest/dg/API_UpdateDatasetGroup.html


https://docs.aws.amazon.com/forecast/latest/dg/API_ListDatasetGroups.html

https://docs.aws.amazon.com/forecast/latest/dg/API_DescribeDatasetGroup.html


Domain (p. 210)

Domain yang terkait dengan kelompok dataset. Ketika Anda menambahkan dataset ke grup dataset,nilai ini dan nilai yang ditentukan untukDomainparameterCreateDatasetoperasi harus sesuai.

ParameterDomaindanDatasetTypebahwa Anda memilih menentukan bidang yangharus ada dalam data pelatihan yang Anda impor ke dataset. Misalnya, jika AndamemilihRETAILdomain danTARGET_TIME_SERIESsebagaiDatasetType, Amazon Forecastmengharuskanitem_id,timestamp, dandemandbidang yang hadir dalam data Anda. Untuk informasiselengkapnya, lihatGrup basis data.

Jenis: Rangkaian



Metadata opsional yang Anda terapkan ke grup set data untuk membantu Anda mengkategorikan danmengaturnya. Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Andatentukan.




• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau huruf kecil dari itu semua sebagai

prefiks untuk kunci karena dicadangkan untuk penggunaan AWS. Anda tidak dapat mengeditatau menghapus kunci tag dengan prefiks ini. Nilai dapat memiliki awalan ini. Jika nilai tagmemilikiawssebagai awalan tetapi kuncinya tidak, maka Forecast menganggapnya sebagai tagpengguna dan akan menghitung terhadap batas 50 tag. Tag dengan hanya key prefix dariawsjangandihitung terhadap tanda Anda per batas sumber daya.



Diperlukan: Tidak

Sintaksis Respons

{ "DatasetGroupArn": "string"}


211

https://docs.aws.amazon.com/forecast/latest/dg/API_CreateDataset.html




DatasetGroupArn (p. 211)

Amazon Resource Name (ARN) dari grup set data.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan












Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasaAWSSDK, lihat berikut ini:


212

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateDatasetGroup


213


CreateDatasetImportJobLayanan:Amazon Forecast Service

Mengimpor data latihan Anda ke dataset Amazon Forecast. Anda menyediakan lokasi data pelatihan Andadi bucket Amazon Simple Storage Service (Amazon S3) dan Amazon Resource Name (ARN) dari set datayang ingin Anda impor data.

Anda harus menentukanDataSourceobjek yang mencakup peran AWS Identity and Access Management(IAM) yang dapat berasumsi Amazon Forecast untuk mengakses data, karena Amazon Forecast membuatsalinan data Anda dan memprosesnya dalam sistem AWS internal. Untuk informasi selengkapnya,lihatMenyiapkan izin.

Data pelatihan harus dalam format CSV. Pembatas harus koma (,).

Anda dapat menentukan path ke file CSV tertentu, bucket S3, atau folder di bucket S3. Untuk dua kasusterakhir, Amazon Forecast mengimpor semua file hingga batas 10.000 file.

Karena impor dataset tidak dikumpulkan, impor dataset terbaru Anda adalah salah satu yang digunakansaat melatih prediktor atau menghasilkan perkiraan. Pastikan bahwa impor dataset terbaru Anda berisisemua data yang ingin Anda model off, dan bukan hanya data baru yang dikumpulkan sejak imporsebelumnya.

Untuk mendapatkan daftar semua pekerjaan impor dataset Anda, disaring berdasarkan kriteria tertentu,gunakanListDatasetImportJobsoperasi.


{ "DatasetArn": "string", "DatasetImportJobName": "string", "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "GeolocationFormat": "string", "Tags": [ { "Key": "string", "Value": "string" } ], "TimestampFormat": "string", "TimeZone": "string", "UseGeolocationForTimeZone": boolean}



DatasetArn (p. 214)

Amazon Resource Name (ARN) dari set data Amazon Forecast yang ingin Anda impor.

Jenis: String


214

https://docs.aws.amazon.com/forecast/latest/dg/API_DataSource.html

https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-iam-roles.html

https://docs.aws.amazon.com/forecast/latest/dg/API_ListDatasetImportJobs.html


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaDatasetImportJobName (p. 214)

Nama untuk tugas impor set data. Sebaiknya sertakan stempel waktu saat inidalam nama, misalnya,20190721DatasetImport. Hal ini dapat membantu AndamenghindariResourceAlreadyExistsExceptionpengecualian.

Jenis: String



Diperlukan: YaDataSource (p. 214)

Lokasi data pelatihan untuk mengimpor dan peran AWS Identity and Access Management (IAM) yangdapat diasumsikan Amazon Forecast untuk mengakses data. Data pelatihan harus disimpan di bucketAmazon S3.

Jika enkripsi digunakan,DataSourceharus menyertakan kunci AWS Key ManagementService (KMS) dan peran IAM harus mengizinkan izin Amazon Forecast untuk mengakseskunci tersebut. Kunci KMS dan peran IAM harus sesuai dengan yang ditentukandalamEncryptionConfigparameterCreateDatasetoperasi.

Tipe: Objek DataSource (p. 367)

Diperlukan: YaGeolocationFormat (p. 214)

Format atribut geolokasi. Atribut geolokasi dapat diformat dengan salah satu dari dua cara berikut:• LAT_LONG- garis lintang dan bujur dalam format desimal (Contoh: 47.61_-122.33).• CC_POSTALCODE(Hanya AS) - kode negara (AS), diikuti oleh kode pos 5-digit (Contoh: US_98121).

Jenis: String


Pola: ^[a-zA-Z0-9_]+$


Metadata opsional yang Anda terapkan ke tugas impor set data untuk membantu Andamengkategorikan dan mengaturnya. Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional,yang keduanya Anda tentukan.



layanan lain mungkin memiliki pembatasan pada karakter yang diizinkan. Karakter-karakter yang

215



diizinkan secara umum adalah: huruf, angka, dan spasi yang dapat diwakili dalam UTF-8, besertakarakter-karakter berikut: + - = . _ : / @.

• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau kecil seperti prefiks untuk kunci




Diperlukan: TidakTimestampFormat (p. 214)

Format cap waktu dalam dataset. Format yang Anda tentukan tergantungpadaDataFrequencyditentukan kapan set data diciptakan. Format berikut ini didukung• “YYYY-MM-DD”

Untuk frekuensi data berikut: Y, M, W, dan D• “yyyy-MM-dd HH:mm:ss”

Untuk frekuensi data berikut: H, 30 menit, 15min, dan 1 menit; dan opsional, untuk: Y, M, W, dan D

Jika format tidak ditentukan, Amazon Forecast mengharapkan formatnya “yyyy-MM-dd HH:mm:ss”.

Jenis: String


Pola: ^[a-zA-Z0-9\-\:\.\,\'\s]+$

Diperlukan: TidakTimeZone (p. 214)

Zona waktu tunggal untuk setiap item dalam dataset Anda. Opsi ini sangat ideal untuk dataset dengansemua cap waktu dalam satu zona waktu, atau jika semua cap waktu dinormalisasi ke zona waktutunggal.

Mengacu padaJoda-Waktu APIuntuk daftar lengkap nama zona waktu yang valid.

Jenis: String


Pola: ^[a-zA-Z0-9\/\+\-\_]+$

Diperlukan: TidakUseGeolocationForTimeZone (p. 214)

Secara otomatis mendapatkan informasi zona waktu dari atribut geolokasi. Opsi ini sangat ideal untukdataset yang berisi stempel waktu di beberapa zona waktu dan stempel waktu tersebut dinyatakandalam waktu setempat.

Jenis: Boolean

Diperlukan: Tidak

216

http://joda-time.sourceforge.net/timezones.html


Sintaksis Respons

{ "DatasetImportJobArn": "string"}

Elemen Respons



DatasetImportJobArn (p. 217)

Amazon Resource Name (ARN) tugas impor set data.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan












Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasaAWSSDK, lihat yangberikut ini:

217



218

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateDatasetImportJob


CreateExplainabilityLayanan:Amazon Forecast Service

Note

Explainability hanya tersedia untuk Prakiraan dan Prediktor yang dihasilkandariAutoPredictor(CreateAutoPredictor (p. 200))

Membuat Amazon Forecast Explainability.

Penjelasan membantu Anda lebih memahami bagaimana atribut dalam dataset Anda memengaruhiperkiraan. Amazon Forecast menggunakan metrik yang disebut skor Dampak untuk mengukur dampakrelatif dari setiap atribut dan menentukan apakah nilai tersebut meningkatkan atau mengurangi nilaiperkiraan.

Untuk mengaktifkan Forecast Explainability, prediktor Anda harus menyertakan setidaknya satu dariberikut: seri waktu terkait, metadata item, atau dataset tambahan seperti Holidays dan Indeks Cuaca.

CreateExplainabilitymenerima baik Prediktor ARN atau Forecast ARN. Untuk menerima skor Dampakagregat untuk semua seri waktu dan poin waktu di dataset Anda, berikan Predictor ARN. Untuk menerimaskor Dampak untuk rangkaian waktu dan poin waktu tertentu, berikan Forecast ARN.

CreateExplainabilitydengan ARN Prediktor

Note

Anda hanya dapat memiliki satu sumber daya yang dapat dijelaskan per prediktor. Jika Andasudah mengaktifkanExplainPredictordiCreateAutoPredictor (p. 200), prediktor yang sudahmemiliki sumber daya Explainability.

Parameter-parameter berikut diperlukan ketika memberikan ARN Predictor:

• ExplainabilityName- Nama yang unik untuk Explainability.• ResourceArn- The Arn dari prediktor.• TimePointGranularity- Harus diatur ke “SEMUA”.• TimeSeriesGranularity- Harus diatur ke “SEMUA”.

Jangan tentukan nilai untuk parameter berikut:

• DataSource- Hanya berlaku ketikaTimeSeriesGranularitas adalah “KHUSUS”.• Schema- Hanya berlaku ketikaTimeSeriesGranularitas adalah “KHUSUS”.• StartDateTime- Hanya berlaku ketikaTimePointGranularitas adalah “KHUSUS”.• EndDateTime- Hanya berlaku ketikaTimePointGranularitas adalah “KHUSUS”.

CreateExplainabilitydengan Forecast ARN

Note

Anda dapat menentukan maksimum 50 seri waktu dan 500 poin waktu.

Parameter-parameter berikut diperlukan ketika memberikan ARN Predictor:

• ExplainabilityName- Nama yang unik untuk Explainability.• ResourceArn- The Arn dari perkiraan.• TimePointGranularity- Entah “SEMUA” atau “KHUSUS”.• TimeSeriesGranularity- Entah “SEMUA” atau “KHUSUS”.

219


Jika Anda menetapkanTimeSeriesGranularity untuk “KHUSUS”, Anda juga harus memberikan yang berikutini:

• DataSource- Lokasi S3 file CSV yang menentukan rangkaian waktu Anda.• Schema- Skema mendefinisikan atribut dan atribut jenis yang tercantum dalam Sumber Data.

Jika Anda menetapkanTimePointGranularity untuk “KHUSUS”, Anda juga harus memberikan yang berikutini:

• StartDateTime- Cap waktu pertama di kisaran titik waktu.• EndDateTime- Cap waktu terakhir di kisaran titik waktu.


{ "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "EnableVisualization": boolean, "EndDateTime": "string", "ExplainabilityConfig": { "TimePointGranularity": "string", "TimeSeriesGranularity": "string" }, "ExplainabilityName": "string", "ResourceArn": "string", "Schema": { "Attributes": [ { "AttributeName": "string", "AttributeType": "string" } ] }, "StartDateTime": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}



DataSource (p. 220)

Sumber data Anda, peran AWS Identity and Access Management (IAM) yang memungkinkan AmazonForecast mengakses data dan, secara opsional, kunci AWS Key Management Service (KMS).


Diperlukan: Tidak

220


EnableVisualization (p. 220)

Buat visualisasi Explainability yang dapat dilihat dalam konsol AWS.

Jenis: Boolean

Diperlukan: TidakEndDateTime (p. 220)

JikaTimePointGranularitydiatur keSPECIFIC, tentukan titik waktu terakhir untuk Explainability.

Gunakan format timestamp berikut: YYY-MM-DTHH:mm:SS (contoh: 2015-01-01T 20:00:00)

Jenis: String


Pola: ^\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}$

Diperlukan: TidakExplainabilityConfig (p. 220)

Pengaturan konfigurasi yang menentukan granularitas time series dan time point untuk Explainability.

Tipe: Objek ExplainabilityConfig (p. 373)

Diperlukan: YaExplainabilityName (p. 220)

Nama yang unik untuk Explainability.

Jenis: String



Diperlukan: YaResourceArn (p. 220)

Amazon Resource Name (ARN) dari Predictor atau Forecast yang digunakan untuk membuatExplainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaSchema (p. 220)

Mendefinisikan bidang dataset.

Tipe: Objek Schema (p. 405)

Diperlukan: TidakStartDateTime (p. 220)

JikaTimePointGranularitydiatur keSPECIFIC, mendefinisikan titik pertama untuk Explainability.

221


Gunakan format timestamp berikut: YYY-MM-DTHH:mm:SS (contoh: 2015-01-01T 20:00:00)

Jenis: String


Pola: ^\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}$


Metadata opsional untuk membantu Anda mengategorikan dan mengatur sumber daya Anda. Setiaptanda terdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Anda tentukan. Kunci dannilai tag peka huruf besar dan kecil.

Batasan berikut berlaku untuk tag:• Untuk setiap sumber daya, setiap kunci tag harus unik dan setiap kunci tag harus memiliki satu nilai.• Jumlah maksimum tanda per sumber daya: 50.• Panjang kunci maksimum: 128 karakter Unicode dalam UTF-8.• Panjang nilai maksimum: 256 karakter Unicode dalam UTF-8.• Karakter yang diterima: semua huruf dan angka, spasi yang dapat diwakili dalam UTF-8, beserta + -


• Awalan kunci tidak dapat menyertakan kombinasi atas atau huruf kecilaws:atauAWS:. Nilai dapatmemiliki awalan ini. Jika nilai tag memilikiawssebagai awalan tetapi kuncinya tidak, Forecastmenganggapnya sebagai tag pengguna dan akan menghitung terhadap batas 50 tag. Tag denganhanya key prefixawsJangan menghitung terhadap tanda Anda per batas sumber daya. Anda tidakdapat mengedit atau menghapus kunci tag dengan awalan ini.



Diperlukan: Tidak

Sintaksis Respons

{ "ExplainabilityArn": "string"}

Elemen Respons



ExplainabilityArn (p. 222)

Amazon Resource Name (ARN) dari Explainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

222


Kesalahan












Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa yang spesifikAWSSDK, lihatberikut ini:

• AWSAntarmuka Baris Perintah• AWSSDK for .NET• AWSSDK for C++• AWSSDK for Go• AWSSDK for Java V2• AWSSDK untukJavaScript• AWSSDK for PHP V3• AWSSDK for Python• AWSSDK for Ruby V3

223

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateExplainability

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateExplainability


CreateExplainabilityExportLayanan:Amazon Forecast Service

Ekspor sumber daya Explainability yang dibuat olehCreateExplainability (p. 219)Operasi. File yang diekspordiekspor ke bucket Amazon Simple Storage Service (Amazon S3).

Anda harus menentukanDataDestination (p. 360)objek yang menyertakan bucket Amazon S3 serta peranAWS Identity and Access Management (IAM) yang dapat diasumsikan Amazon Forecast untuk mengaksesbucket Amazon S3. Untuk informasi selengkapnya, lihat Menyiapkan Izin untuk Amazon Forecast (p. 6).

Note

ParameterStatusdari pekerjaan ekspor harusACTIVEsebelum Anda dapatmengakses ekspor dalam bucket Amazon S3 Anda. Untuk mendapatkan status,gunakanDescribeExplainabilityExport (p. 287)Operasi.


{ "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ExplainabilityArn": "string", "ExplainabilityExportName": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}



Destination (p. 224)

Tujuan untuk pekerjaan ekspor. Menyediakan jalur S3, peran AWS Identity and Access Management(IAM) yang memungkinkan Amazon Forecast mengakses lokasi, dan kunci AWS Key ManagementService (KMS) (opsional).

Tipe: Objek DataDestination (p. 360)

Diperlukan: YaExplainabilityArn (p. 224)

Amazon Resource Name (ARN) dari Explainability untuk diekspor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

224


ExplainabilityExportName (p. 224)

Nama unik untuk ekspor Explainability.

Jenis: String




Metadata opsional untuk membantu mengategorikan dan mengatur sumber daya Anda. Setiap tandaterdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Anda tentukan. Kunci dan nilai tagpeka huruf besar dan kecil.

Batasan berikut berlaku untuk tag:• Untuk setiap sumber daya, setiap kunci tag harus unik dan setiap kunci tag harus memiliki satu nilai.• Jumlah maksimum tanda per sumber daya: 50.• Panjang kunci maksimum: 128 karakter Unicode dalam UTF-8.• Panjang nilai maksimum: 256 karakter Unicode dalam UTF-8.• Karakter yang diterima: semua huruf dan angka, spasi yang dapat diwakili dalam UTF-8, beserta + -


• Awalan kunci tidak dapat menyertakan kombinasi atas atau huruf kecilaws:atauAWS:. Nilai dapatmemiliki awalan ini. Jika nilai tag memilikiawssebagai awalan tetapi kuncinya tidak, Forecastmenganggapnya sebagai tag pengguna dan akan menghitung terhadap batas 50 tag. Tag denganhanya key prefixawsjangan dihitung terhadap tanda Anda per batas sumber daya. Anda tidak dapatmengedit atau menghapus kunci tag dengan awalan ini.



Diperlukan: Tidak

Sintaksis Respons

{ "ExplainabilityExportArn": "string"}

Elemen Respons



ExplainabilityExportArn (p. 225)

Amazon Resource Name (ARN) dari ekspor.

Jenis: String


225


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan












Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa yang spesifikAWSSDK, lihatyang berikut ini:


226

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateExplainabilityExport


CreateForecastLayanan:Amazon Forecast Service

Menciptakan perkiraan untuk setiap item dalamTARGET_TIME_SERIESdataset yang digunakan untukmelatih prediktor. Hal ini dikenal sebagai kesimpulan. Untuk mengambil perkiraan untuk satu item padalatensi rendah, gunakanQueryForecast (p. 345)operasi. Untuk mengekspor perkiraan lengkap ke bucketAmazon Simple Storage Service (Amazon S3) Anda, gunakanCreateForecastExportJob (p. 231)operasi.

Kisaran perkiraan ditentukan olehForecastHorizonnilai, yang Anda tentukandiCreatePredictor (p. 235)permintaan. Saat menanyakan perkiraan, Anda dapat meminta rentang tanggaltertentu dalam perkiraan.

Untuk mendapatkan daftar semua perkiraan Anda, gunakanListForecasts (p. 326)operasi.Note

Perkiraan yang dihasilkan oleh Amazon Forecast berada di zona waktu yang sama dengandataset yang digunakan untuk membuat prediktor.

Untuk informasi selengkapnya, lihat Prakiraan (p. 128).Note

ParameterStatusdari perkiraan harusACTIVEsebelum Anda dapat query atau ekspor perkiraan.GunakanDescribeForecast (p. 290)operasi untuk mendapatkan status.


{ "ForecastName": "string", "ForecastTypes": [ "string" ], "PredictorArn": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}


ForecastName (p. 227)

Sebuah nama untuk ramalan.

Jenis: String



Diperlukan: YaForecastTypes (p. 227)

Kuantil di mana perkiraan probabilistik dihasilkan. Saat ini Anda dapat menentukan hingga 5 kuantilper perkiraan. Nilai yang diterima meliputi0.01 to 0.99(penambahan 0,01 saja) danmean. Perkiraanrata-rata berbeda dari median (0.50) ketika distribusi tidak simetris (misalnya, Beta dan NegatifBinomial).

227


Kuantil default adalah kuantil yang Anda tentukan selama pembuatan prediktor. Jika Anda tidakmenentukan kuantil, nilai default adalah["0.1", "0.5", "0.9"].

Jenis: Array string



Pola: (^0?\.\d\d?$|^mean$)

Diperlukan: TidakPredictorArn (p. 227)

Amazon Resource Name (ARN) dari prediktor yang akan digunakan untuk menghasilkan perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$


Metadata opsional yang Anda terapkan ke perkiraan untuk membantu Anda mengkategorikan danmengaturnya. Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Andatentukan.

Batasan dasar berikut berlaku untuk tanda:• Jumlah maksimum tanda per sumber daya - 50.• Untuk setiap sumber daya, setiap kunci tanda harus unik, dan setiap kunci tanda hanya dapat



• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau kecil dari itu semua sebagai

prefiks untuk kunci karena dicadangkan untuk penggunaan AWS. Anda tidak dapat mengeditatau menghapus kunci tag dengan awalan ini. Nilai dapat memiliki awalan ini. Jika nilai tagmemilikiawssebagai awalan tetapi kuncinya tidak, maka Forecast menganggapnya sebagai tagpengguna dan akan menghitung terhadap batas 50 tag. Tag dengan hanya key prefixawsjangandihitung terhadap tanda Anda per batas sumber daya.



Diperlukan: Tidak

Sintaksis Respons

{

228


"ForecastArn": "string"}



ForecastArn (p. 228)

Amazon Resource Name (ARN) dari perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan












Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khususAWSSDK, lihat berikutini:


229

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateForecast



230

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateForecast


CreateForecastExportJobLayanan:Amazon Forecast Service

Ekspor perkiraan yang dibuat olehCreateForecast (p. 227)operasi ke bucket Amazon Simple StorageService (Amazon S3). Nama file perkiraan akan cocok dengan konvensi berikut:

<ForecastExportJobName><ExportTimestamp>_ <PartNumber>

dimana <ExportTimestamp>komponennya ada di Java SimpleDateFormat (YYY-MM-DDTHH-MM-SSZ).

Anda harus menentukanDataDestination (p. 360)objek yang mencakup peran AWS Identity and AccessManagement (IAM) yang dapat diasumsikan Amazon Forecast untuk mengakses bucket Amazon S3.Untuk informasi selengkapnya, lihat Menyiapkan Izin untuk Amazon Forecast (p. 6).

Untuk informasi selengkapnya, lihat Prakiraan (p. 128).

Untuk mendapatkan daftar semua pekerjaan ekspor perkiraan Anda, gunakandaftarListForecastExportJobs (p. 323)operasi.

Note

ParameterStatusdari pekerjaan ekspor perkiraan harusACTIVEsebelum Andadapat mengakses perkiraan di bucket Amazon S3 Anda. Untuk mendapatkan status,gunakanDescribeForecastExportJob (p. 294)operasi.


{ "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ForecastArn": "string", "ForecastExportJobName": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}



Lokasi tempat Anda ingin menyimpan perkiraan dan peran AWS Identity and Access Management(IAM) yang dapat diasumsikan Amazon Forecast untuk mengakses lokasi. Perkiraan harus diekspor kebucket Amazon S3.

Jika enkripsi digunakan,Destinationharus menyertakan kunci AWS Key Management Service(KMS). Peran IAM harus mengizinkan izin Amazon Forecast untuk mengakses kunci.


Diperlukan: Ya

231



Amazon Resource Name (ARN) dari perkiraan yang ingin Anda ekspor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaForecastExportJobName (p. 231)

Nama untuk pekerjaan ekspor perkiraan.

Jenis: String




Metadata opsional yang Anda terapkan ke tugas ekspor perkiraan untuk membantu Andamengkategorikan dan mengaturnya. Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional,yang keduanya Anda tentukan.




• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau kecil seperti prefiks untuk kunci

karena dicadangkan untuk penggunaan AWS. Anda tidak dapat mengedit atau menghapus kuncitag dengan awalan ini. Nilai dapat memiliki awalan ini. Jika nilai tag memilikiawssebagai awalantetapi kuncinya tidak, maka Forecast menganggapnya sebagai tag pengguna dan akan menghitungterhadap batas 50 tag. Tag dengan hanya key prefixawsjangan dihitung terhadap tanda Anda perbatas sumber daya.



Diperlukan: Tidak

Sintaksis Respons

{ "ForecastExportJobArn": "string"

232


}

Elemen Respons



ForecastExportJobArn (p. 232)

Amazon Resource Name (ARN) tugas ekspor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan












Lihat Juga



233

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreateForecastExportJob



234

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreateForecastExportJob


CreatePredictorLayanan:Amazon Forecast Service

Note

Operasi ini menciptakan prediktor warisan yang tidak menyertakan semua fungsi prediktor yangdisediakan oleh Amazon Forecast. Untuk membuat prediktor yang kompatibel dengan semuaaspek Forecast, gunakanCreateAutoPredictor (p. 200).

Menciptakan prediktor Amazon Forecast.

Dalam permintaan, sediakan grup dataset dan tentukan algoritma atau biarkan Amazon Forecastmemilih algoritma untuk Anda menggunakan AutoML. Jika Anda menentukan algoritma, Anda juga dapatmengganti hyperparameters algoritme spesifik.

Amazon Forecast menggunakan algoritma untuk melatih prediktor menggunakan versi terbarudari dataset dalam grup dataset yang ditentukan. Anda kemudian dapat menghasilkan perkiraanmenggunakanCreateForecast (p. 227)Operasi.

Untuk melihat metrik evaluasi, gunakanGetAccuracyMetrics (p. 307)Operasi.

Anda dapat menentukan konfigurasi featurization untuk mengisi dan menggabungkan bidang datadiTARGET_TIME_SERIESdataset untuk meningkatkan pelatihan model. Untuk informasi selengkapnya,lihat FeaturizationConfig (p. 381).

Untuk dataset RELATED_TIME_SERIES,CreatePredictormemverifikasibahwaDataFrequencyditentukan ketika dataset dibuat cocok denganForecastFrequency. Set dataTARGET_TIME_SERIES tidak memiliki batasan ini. Amazon Forecast juga memverifikasi format pembatasdan timestamp. Untuk informasi selengkapnya, lihat Mengimpor Set Data (p. 40).

Secara default, prediktor dilatih dan dievaluasi pada kuantil 0.1 (P10), 0.5 (P50), dan 0.9 (P90).Anda dapat memilih jenis perkiraan khusus untuk melatih dan mengevaluasi prediktor Anda denganmenetapkanForecastTypes.

AutoML

Jika Anda ingin Amazon Forecast mengevaluasi setiap algoritma dan memilih salah satu yangmeminimalkanobjective functionsetPerformAutoMLkepadatrue. Parameterobjectivefunctiondidefinisikan sebagai rata-rata kerugian tertimbang atas jenis perkiraan. Secara default, iniadalah kerugian p10, p50, dan p90 kuantil. Untuk informasi selengkapnya, lihat EvaluationResult (p. 372).

Saat AutoML diaktifkan, properti berikut ini tidak diizinkan:

• AlgorithmArn

• HPOConfig

• PerformHPO

• TrainingParameters

Untuk mendapatkan daftar semua prediktor Anda, gunakanListPredictors (p. 332)Operasi.Note

Sebelum Anda dapat menggunakan prediktor untuk membuat perkiraan,Statusdari prediktorharusACTIVE, menandakan bahwa pelatihan telah selesai. Untuk mendapatkan status,gunakanDescribePredictor (p. 297)Operasi.


{

235


"AlgorithmArn": "string", "AutoMLOverrideStrategy": "string", "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "EvaluationParameters": { "BackTestWindowOffset": number, "NumberOfBacktestWindows": number }, "FeaturizationConfig": { "Featurizations": [ { "AttributeName": "string", "FeaturizationPipeline": [ { "FeaturizationMethodName": "string", "FeaturizationMethodParameters": { "string" : "string" } } ] } ], "ForecastDimensions": [ "string" ], "ForecastFrequency": "string" }, "ForecastHorizon": number, "ForecastTypes": [ "string" ], "HPOConfig": { "ParameterRanges": { "CategoricalParameterRanges": [ { "Name": "string", "Values": [ "string" ] } ], "ContinuousParameterRanges": [ { "MaxValue": number, "MinValue": number, "Name": "string", "ScalingType": "string" } ], "IntegerParameterRanges": [ { "MaxValue": number, "MinValue": number, "Name": "string", "ScalingType": "string" } ] } }, "InputDataConfig": { "DatasetGroupArn": "string", "SupplementaryFeatures": [ { "Name": "string", "Value": "string" } ] }, "OptimizationMetric": "string", "PerformAutoML": boolean,

236


"PerformHPO": boolean, "PredictorName": "string", "Tags": [ { "Key": "string", "Value": "string" } ], "TrainingParameters": { "string" : "string" }}


AlgorithmArn (p. 235)

Amazon Resource Name (ARN) algoritma yang akan digunakan untuk pelatihan model. DiperlukanjikaPerformAutoMLtidak diatur ketrue.

Algoritme yang didukung:• arn:aws:forecast:::algorithm/ARIMA

• arn:aws:forecast:::algorithm/CNN-QR

• arn:aws:forecast:::algorithm/Deep_AR_Plus

• arn:aws:forecast:::algorithm/ETS

• arn:aws:forecast:::algorithm/NPTS

• arn:aws:forecast:::algorithm/Prophet

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakAutoMLOverrideStrategy (p. 235)

Note

ParameterLatencyOptimizedAutoML strategi override hanya tersedia dalam beta pribadi.Hubungi AWS Support atau manajer akun Anda untuk mempelajari lebih lanjut tentang hakakses.

Digunakan untuk mengatasi strategi AutoML default, yaitu untuk mengoptimalkan akurasiprediktor. Untuk menerapkan strategi AutoML yang meminimalkan waktu pelatihan,gunakanLatencyOptimized.

Parameter ini hanya berlaku untuk prediktor yang dilatih menggunakan AutoML.

Jenis: Rangkaian

Nilai Valid: LatencyOptimized | AccuracyOptimized

Diperlukan: TidakEncryptionConfig (p. 235)


237



Diperlukan: TidakEvaluationParameters (p. 235)

Digunakan untuk menimpa parameter evaluasi default dari algoritma yang ditentukan. AmazonForecast mengevaluasi prediktor dengan membagi dataset menjadi data pelatihan dan data pengujian.Parameter evaluasi menentukan bagaimana melakukan split dan jumlah iterasi.

Tipe: Objek EvaluationParameters (p. 371)

Diperlukan: TidakFeaturizationConfig (p. 235)

Konfigurasi featurization.

Tipe: Objek FeaturizationConfig (p. 381)

Diperlukan: YaForecastHorizon (p. 235)

Menentukan jumlah waktu-langkah bahwa model dilatih untuk memprediksi. Ramalan cakrawala jugadisebut panjang prediksi.

Misalnya, jika Anda mengkonfigurasi dataset untuk pengumpulan data harian(menggunakanDataFrequencyparameterCreateDataset (p. 206)operasi) dan mengatur horizonperkiraan ke 10, model mengembalikan prediksi selama 10 hari.

Horizon perkiraan maksimum adalah lebih rendah dari 500 langkah waktu atau 1/3 dari panjangdataset TARGET_TIME_SERIES.

Jenis: Bulat

Diperlukan: YaForecastTypes (p. 235)

Menentukan jenis perkiraan yang digunakan untuk melatih prediktor. Anda dapat menentukan hinggalima jenis perkiraan. Jenis Forecast dapat kuantil 0,01-0,99, dengan penambahan 0,01 atau lebihtinggi. Anda juga dapat menentukan perkiraan rata-rata denganmean.

Nilai default-nya adalah ["0.10", "0.50", "0.9"].

Jenis: Array string



Pola: (^0?\.\d\d?$|^mean$)

Diperlukan: TidakHPOConfig (p. 235)

Menyediakan nilai override hyperparameter untuk algoritma. Jika Anda tidak memberikan parameterini, Amazon Forecast menggunakan nilai default. Algoritma individu menentukan hyperparametersmana yang mendukung optimasi hyperparameter (HPO). Untuk informasi selengkapnya, lihatAlgoritme Amazon (p. 109).

Jika Anda termasukHPOConfigobjek, Anda harus mengaturPerformHPObenar.

Tipe: Objek HyperParameterTuningJobConfig (p. 390)

238


Diperlukan: TidakInputDataConfig (p. 235)

Menjelaskan kelompok dataset yang berisi data yang akan digunakan untuk melatih prediktor.

Tipe: Objek InputDataConfig (p. 391)

Diperlukan: YaOptimizationMetric (p. 235)


Jenis: Rangkaian


Diperlukan: TidakPerformAutoML (p. 235)

Apakah akan melakukan AutoML. Saat Amazon Forecast melakukan AutoML, Amazon Forecastmengevaluasi algoritme yang disediakan dan memilih algoritma dan konfigurasi terbaik untuk datasetpelatihan Anda.

Nilai default-nya adalah false. Dalam hal ini, Anda diminta untuk menentukan algoritma.

setPerformAutoMLkepadatrueuntuk memiliki Amazon Forecast melakukan AutoML. Ini adalahpilihan yang baik jika Anda tidak yakin algoritma mana yang cocok untuk data pelatihan Anda. Dalamhal ini,PerformHPOPasti palsu.

Jenis: Boolean

Diperlukan: TidakPerformHPO (p. 235)

Apakah akan melakukan optimasi hyperparameter (HPO). HPO menemukan nilai hyperparameteroptimal untuk data pelatihan Anda. Proses melakukan HPO dikenal sebagai menjalankan pekerjaanpenyetelan hyperparameter.

Nilai default-nya adalah false. Dalam hal ini, Amazon Forecast menggunakan nilai hyperparameterdefault dari algoritma yang dipilih.

Untuk menimpa nilai default, tetapkanPerformHPOkepadatruedan, opsional,memasokHyperParameterTuningJobConfig (p. 390)objek. Pekerjaan tuning menentukan metrikuntuk dioptimalkan, yang hyperparameters berpartisipasi dalam tuning, dan rentang yang validuntuk setiap hyperparameter merdu. Dalam hal ini, Anda diminta untuk menentukan algoritmadanPerformAutoMLPasti palsu.

Algoritma berikut mendukung HPO:• Deepar +• CNN-QR

Jenis: Boolean

Diperlukan: TidakPredictorName (p. 235)

Sebuah nama untuk prediktor.

Jenis: String

239





Metadata yang Anda terapkan ke prediktor untuk membantu Anda mengkategorikan dan mengaturnya.Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Anda tentukan.




• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau kecil dari itu semua sebagai

prefiks untuk kunci karena dicadangkan untuk penggunaan AWS. Anda tidak dapat mengeditatau menghapus kunci tag dengan awalan ini. Nilai dapat memiliki awalan ini. Jika nilai tagmemilikiawssebagai awalan tetapi kuncinya tidak, maka Forecast menganggapnya sebagai tagpengguna dan akan menghitung terhadap batas 50 tag. Tag dengan hanya key prefixawsjangandihitung terhadap tag Anda per batas sumber daya.



Diperlukan: TidakTrainingParameters (p. 235)

Hyperparameters untuk menimpa untuk pelatihan model. Hyperparameters yang dapat Andaganti tercantum dalam algoritma individu. Untuk daftar algoritma yang didukung, lihatAlgoritmeAmazon (p. 109).

Jenis: Peta string

Entri Peta: Jumlah minimum 0 item. Jumlah maksimum 100 item.

Batasan Panjang Kunci: Panjang maksimum 256.

Pola Kunci: ^[a-zA-Z0-9\-\_\.\/\[\]\,\\]+$

Batasan Panjang Nilai: Panjang maksimum 256.

Pola nilai: ^[a-zA-Z0-9\-\_\.\/\[\]\,\"\\\s]+$

Diperlukan: Tidak

Sintaksis Respons

{

240


"PredictorArn": "string"}




Amazon Resource Name (ARN) prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan












Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khusus bahasaAWSSDK,lihat yang berikut ini:


241

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreatePredictor



242

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreatePredictor


CreatePredictorBacktestExportJobLayanan:Amazon Forecast Service

Ekspor perkiraan backtest dan metrik akurasi yang dihasilkanolehCreateAutoPredictor (p. 200)atauCreatePredictor (p. 235)operasi. Dua folder yang berisi file CSVdiekspor ke bucket S3 yang Anda tentukan.

Nama file ekspor akan cocok dengan konvensi berikut:

<ExportJobName>_<ExportTimestamp>_<PartNumber>.csv

<ExportTimestamp>Komponen ini dalam format Java SimpleDate (YYY-MM-DDTHH-MM-SSZ).

Anda harus menentukanDataDestination (p. 360)objek yang mencakup bucket Amazon S3 serta peranAWS Identity and Access Management (IAM) yang dapat diasumsikan Amazon Forecast untuk mengaksesbucket Amazon S3. Untuk informasi selengkapnya, lihat Menyiapkan Izin untuk Amazon Forecast (p. 6).

Note

ParameterStatusdari pekerjaan ekspor harusACTIVEsebelum Anda dapatmengakses ekspor dalam bucket Amazon S3 Anda. Untuk mendapatkan status,gunakanDescribePredictorBacktestExportJob (p. 304)operasi.


{ "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "PredictorArn": "string", "PredictorBacktestExportJobName": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}






Diperlukan: YaPredictorArn (p. 243)

Amazon Resource Name (ARN) dari prediktor yang ingin Anda ekspor.

243


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaPredictorBacktestExportJobName (p. 243)

Nama untuk pekerjaan ekspor backtest.

Jenis: String




Metadata opsional untuk membantu Anda mengategorikan dan mengatur tes latar Anda. Setiap tandaterdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Anda tentukan. Kunci dan nilai tagpeka huruf besar dan kecil.

Batasan berikut berlaku untuk tag:• Untuk setiap sumber daya, setiap kunci tanda harus unik dan setiap kunci tanda harus memiliki satu

nilai.• Jumlah maksimum tanda per sumber daya: 50.• Panjang kunci maksimum: 128 karakter Unicode dalam UTF-8.• Panjang nilai maksimum: 256 karakter Unicode dalam UTF-8.• Karakter yang diterima: semua huruf dan angka, spasi yang dapat diwakili dalam UTF-8, beserta + -


• Awalan kunci tidak dapat menyertakan kombinasi atas atau huruf kecilaws:atauAWS:. Nilai dapatmemiliki awalan ini. Jika nilai tag memilikiawssebagai awalan tetapi kuncinya tidak, Forecastmenganggapnya sebagai tag pengguna dan akan menghitung terhadap batas 50 tag. Tag denganhanya key prefixawsjangan dihitung terhadap tanda Anda per batas sumber daya. Anda tidak dapatmengedit atau menghapus kunci tanda dengan awalan ini.



Diperlukan: Tidak

Sintaksis Respons

{ "PredictorBacktestExportJobArn": "string"}

Elemen Respons



244


PredictorBacktestExportJobArn (p. 244)

Amazon Resource Name (ARN) pekerjaan ekspor prediktor yang ingin Anda ekspor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Kesalahan










Kami tidak dapat menemukan sumber daya dengan Amazon Resource Name (ARN) tersebut. PeriksaARN dan coba lagi.


Lihat JugaUntuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasaAWSSDK, lihat yangberikut ini:


245

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/CreatePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CreatePredictorBacktestExportJob


DeleteDatasetLayanan:Amazon Forecast Service

Menghapus dataset Amazon Forecast yang dibuat menggunakanCreateDatasetOperasi. Anda hanyadapat menghapus dataset yang memiliki statusACTIVEatauCREATE_FAILED. Untuk mendapatkan statusgunakanDescribeDatasetOperasi.

Note

Forecast tidak secara otomatis memperbarui grup dataset apa pun yang berisi dataset yangdihapus. Untuk memperbarui grup dataset, gunakanUpdateDatasetGroupoperasi, menghilangkanARN dataset dihapus ini.




DatasetArn (p. 246)

Amazon Resource Name (ARN) yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Elemen ResponsJika tindakan berhasil, layanan mengirimkan kembali respons HTTP 200 dengan isi HTTP kosong.

Kesalahan








246





Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa yang spesifikbahasaAWSSDK, lihat berikut ini:


247

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteDataset

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteDataset


DeleteDatasetGroupLayanan:Amazon Forecast Service

Menghapus grup dataset yang dibuat menggunakanCreateDatasetGroupOperasi. Anda hanya dapatmenghapus grup data yang memiliki statusACTIVE,CREATE_FAILED, atauUPDATE_FAILED. Untukmendapatkan status, gunakanDescribeDatasetGroupOperasi.

Operasi ini hanya menghapus kelompok dataset, bukan dataset dalam grup.





Amazon Resource Name (ARN) grup dataset yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan








Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu dari spesifik bahasaAWSSDK, lihatyang berikut ini:

248





249

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteDatasetGroup

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteDatasetGroup


DeleteDatasetImportJobLayanan:Amazon Forecast Service

Menghapus pekerjaan impor dataset yang dibuat menggunakanCreateDatasetImportJobOperasi. Andahanya dapat menghapus pekerjaan impor dataset yang memiliki statusACTIVEatauCREATE_FAILED.Untuk mendapatkan status, gunakanDescribeDatasetImportJobOperasi.





Amazon Resource Name (ARN) pekerjaan impor dataset yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan








Lihat JugaUntuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasa khusus bahasaAWSSDK,lihat yang berikut ini:

250


https://docs.aws.amazon.com/forecast/latest/dg/API_DescribeDatasetImportJob.html



251

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteDatasetImportJob


DeleteExplainabilityLayanan:Amazon Forecast Service

Menghapus sumber daya Explainability.

Anda dapat menghapus hanya prediktor yang memiliki statusACTIVEatauCREATE_FAILED. Untukmendapatkan status, gunakanDescribeExplainability (p. 283)operasi.





Amazon Resource Name (ARN) sumber daya Explainability yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan






Kami tidak dapat menemukan sumber daya dengan Amazon Resource Name (ARN) yang ada.Periksa ARN dan coba lagi.


Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasa yang spesifikbahasaAWSSDK, lihat yang berikut ini:

252



253

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteExplainability

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteExplainability


DeleteExplainabilityExportLayanan:Amazon Forecast Service

Menghapus ekspor Explainability.





Amazon Resource Name (ARN) ekspor Explainability yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan








Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasa yang spesifikbahasaAWSSDK, lihat yang berikut ini:

• AWSAntarmuka Baris Perintah

254

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteExplainabilityExport


• AWSSDK for .NET• AWSSDK for C++• AWSSDK for Go• AWSSDK for Java V2• AWSSDK for JavaScript• AWSSDK for PHP V3• AWSSDK for Python• AWSSDK for Ruby V3

255

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteExplainabilityExport


DeleteForecastLayanan:Amazon Forecast Service

Menghapus perkiraan yang dibuat menggunakanCreateForecast (p. 227)operasi. Anda hanya dapatmenghapus perkiraan yang memiliki statusACTIVEatauCREATE_FAILED. Untuk mendapatkan status,gunakanDescribeForecast (p. 290)operasi.

Anda tidak dapat menghapus perkiraan saat sedang diekspor. Setelah perkiraan dihapus, Anda tidak dapatlagi query perkiraan.


{ "ForecastArn": "string"}




Amazon Resource Name (ARN) perkiraan yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Elemen Respons

Jika tindakan berhasil, layanan mengirimkan kembali respons HTTP 200 dengan isi HTTP kosong.

Kesalahan








256


Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khusus bahasaAWSSDK,lihat yang berikut ini:


257

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteForecast

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteForecast


DeleteForecastExportJobLayanan:Amazon Forecast Service

Menghapus pekerjaan ekspor perkiraan yang dibuatmenggunakanCreateForecastExportJob (p. 231)Operasi. Anda hanya dapat menghapuspekerjaan ekspor yang memiliki statusACTIVEatauCREATE_FAILED. Untuk mendapatkan status,gunakanDescribeForecastExportJob (p. 294)Operasi.


{ "ForecastExportJobArn": "string"}



Amazon Resource Name (ARN) pekerjaan ekspor perkiraan yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan








Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasaAWSSDK, lihat berikut ini:

258



259

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteForecastExportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteForecastExportJob


DeletePredictorLayanan:Amazon Forecast Service

Menghapus prediktor dibuatmenggunakanDescribePredictor (p. 297)atauCreatePredictor (p. 235)operasi. Anda dapat menghapushanya prediktor yang memiliki statusACTIVEatauCREATE_FAILED. Untuk mendapatkan status,gunakanDescribePredictor (p. 297)Operasi.


{ "PredictorArn": "string"}



Amazon Resource Name (ARN) prediktor yang akan dihapus.

Jenis: String

Batasan panjang: Panjang maksimum 256.

Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan






Kami tidak dapat menemukan sumber daya dengan Amazon Resource Name (ARN) itu. Periksa ARNdan coba lagi.


Lihat JugaUntuk informasi selengkapnya tentang penggunaan API ini di salah satu spesifik bahasaAWSSDK, lihatyang berikut ini:

260



261

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeletePredictor

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeletePredictor


DeletePredictorBacktestExportJobLayanan:Amazon Forecast Service

Menghapus prediktor backtest pekerjaan ekspor.





Amazon Resource Name (ARN) pekerjaan ekspor prediktor yang akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya


Kesalahan










262

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeletePredictorBacktestExportJob



263

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeletePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeletePredictorBacktestExportJob


DeleteResourceTreeLayanan:Amazon Forecast Service

Menghapus seluruh pohon sumber daya. Operasi ini akan menghapus sumber daya induk dan sumberdaya anaknya.

Sumber daya anak adalah sumber daya yang dibuat dari sumber daya lain. Misalnya, ketika perkiraandihasilkan dari prediktor, ramalan adalah sumber daya anak dan prediktor adalah sumber daya induk.

Sumber daya Amazon Forecast memiliki hierarki sumber daya orangtua-anak berikut:

• Set data: lowongan kerja impor set data• Grup Set Data: prediktor, prediktor backtest ekspor pekerjaan, prakiraan, pekerjaan ekspor perkiraan• Prediktor: prediktor backtest ekspor pekerjaan, prakiraan, pekerjaan ekspor perkiraan• Prakiraan: pekerjaan ekspor prakiraan

Note

DeleteResourceTreehanya akan menghapus sumber daya Amazon Forecast, dan tidak akanmenghapus dataset atau file yang diekspor yang disimpan di Amazon S3.


{ "ResourceArn": "string"}



ResourceArn (p. 264)

Amazon Resource Name (ARN) sumber daya induk yang akan dihapus. Semua sumber daya anakdari sumber daya induk juga akan dihapus.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Elemen Respons


Kesalahan




264


ResourceInUseException





Lihat Juga



265

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DeleteResourceTree

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DeleteResourceTree


DescribeAutoPredictorLayanan:Amazon Forecast Service

Menjelaskan prediktor dibuat menggunakan operasi CreateAutoPredictor.







Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "DataConfig": { "AdditionalDatasets": [ { "Configuration": { "string" : [ "string" ] }, "Name": "string" } ], "AttributeConfigs": [ { "AttributeName": "string", "Transformations": { "string" : "string" } } ], "DatasetGroupArn": "string" }, "DatasetImportJobArns": [ "string" ], "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "EstimatedTimeRemainingInMinutes": number, "ExplainabilityInfo": { "ExplainabilityArn": "string", "Status": "string" },

266


"ForecastDimensions": [ "string" ], "ForecastFrequency": "string", "ForecastHorizon": number, "ForecastTypes": [ "string" ], "LastModificationTime": number, "Message": "string", "OptimizationMetric": "string", "PredictorArn": "string", "PredictorName": "string", "ReferencePredictorSummary": { "Arn": "string", "State": "string" }, "Status": "string"}

Elemen Respons



CreationTime (p. 266)

Stempel waktu permintaan createAutoPredictor.

Jenis: TimestampDataConfig (p. 266)


Tipe: Objek DataConfig (p. 359)DatasetImportJobArns (p. 266)

Array ARN dari pekerjaan dataset impor yang digunakan untuk mengimpor data pelatihan untukprediktor.

Jenis: Array string


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$EncryptionConfig (p. 266)

Kunci AWS Key Management Service (KMS) dan peran AWS Identity and Access Management (IAM)yang dapat diasumsikan Amazon Forecast untuk mengakses kunci. Anda dapat menentukan objekopsional ini diCreateDataset (p. 206)danCreatePredictor (p. 235)permintaan.

Tipe: Objek EncryptionConfig (p. 368)EstimatedTimeRemainingInMinutes (p. 266)

Perkiraan waktu yang tersisa dalam hitungan menit untuk pekerjaan pelatihan prediktor untukmenyelesaikan.

Jenis: LongExplainabilityInfo (p. 266)

Menyediakan status dan ARN dari Explainability Predictor.

Tipe: Objek ExplainabilityInfo (p. 376)

267


ForecastDimensions (p. 266)

Array dimensi (field) nama yang menentukan atribut yang digunakan untuk mengelompokkan seriwaktu Anda.

Jenis: Array string



Pola: ^[a-zA-Z][a-zA-Z0-9_]*ForecastFrequency (p. 266)



Jenis: String


Pola: ^Y|M|W|D|H|30min|15min|10min|5min|1min$ForecastHorizon (p. 266)

Jumlah waktu-langkah yang diprediksi model. Ramalan cakrawala juga disebut panjang prediksi.

Jenis: BulatForecastTypes (p. 266)

Jenis perkiraan yang digunakan selama pelatihan prediktor. Nilai default adalah ["0.1", "0.5", "0.9"].

Jenis: Array string



Pola: (^0?\.\d\d?$|^mean$)LastModificationTime (p. 266)

Terakhir kali sumber daya dimodifikasi. Stempel waktu tergantung pada status tugas:• CREATE_PENDING- TheCreationTime.• CREATE_IN_PROGRESS- Stempel waktu saat ini.• CREATE_STOPPING- Stempel waktu saat ini.• CREATE_STOPPED- Ketika pekerjaan berhenti.• ACTIVEatauCREATE_FAILED- Ketika pekerjaan selesai atau gagal.

Jenis: TimestampMessage (p. 266)

Jika terjadi kesalahan, pesan yang merinci penyebab kesalahan.

Jenis: String

268


OptimizationMetric (p. 266)


Jenis: Rangkaian

Nilai Valid: WAPE | RMSE | AverageWeightedQuantileLoss | MASE | MAPEPredictorArn (p. 266)

Amazon Resource Name (ARN) dari prediktor

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$PredictorName (p. 266)

Nama prediktor.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*ReferencePredictorSummary (p. 266)

ARN dan keadaan prediktor referensi. Parameter ini hanya berlaku untuk prediktor yang dilatih ulangatau ditingkatkan.

Tipe: Objek ReferencePredictorSummary (p. 402)Status (p. 266)

Status prediktor. Negara meliputi:• ACTIVE

• CREATE_PENDING, CREATE_IN_PROGRESS, CREATE_FAILED• CREATE_STOPPING, CREATE_STOPPED• DELETE_PENDING, DELETE_IN_PROGRESS, DELETE_FAILED

Jenis: String


Kesalahan






269


Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khusus bahasaAWSSDK,lihat berikut ini:


270

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeAutoPredictor

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeAutoPredictor


DescribeDatasetLayanan:Amazon Forecast Service

Menjelaskan kumpulan data Amazon Forecast yang dibuat menggunakanCreateDatasetoperasi.

Selain daftar parameter yang ditentukan dalamCreateDatasetpermintaan, operasi ini mencakup propertidataset berikut:

• CreationTime

• LastModificationTime

• Status




DatasetArn (p. 271)


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "DataFrequency": "string", "DatasetArn": "string", "DatasetName": "string", "DatasetType": "string", "Domain": "string", "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "LastModificationTime": number, "Schema": { "Attributes": [ { "AttributeName": "string", "AttributeType": "string" } ] }, "Status": "string"}

271






Ketika dataset dibuat.

Jenis: TimestampDataFrequency (p. 271)

Frekuensi pengumpulan data.

Interval yang valid adalah Y (Tahun), M (Bulan), W (Minggu), D (Hari), H (Jam), 30 menit (30 menit),15 menit (15 menit), 10 menit (10 menit), 5 menit (5 menit), dan 1 menit (1 menit). Misalnya, “M”menunjukkan setiap bulan dan “30 menit” menunjukkan setiap 30 menit.

Jenis: String


Pola: ^Y|M|W|D|H|30min|15min|10min|5min|1min$DatasetArn (p. 271)


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetName (p. 271)

Nama set data.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*DatasetType (p. 271)

Jenis dataset.

Jenis: Rangkaian

Nilai Valid: TARGET_TIME_SERIES | RELATED_TIME_SERIES | ITEM_METADATADomain (p. 271)

Domain yang terkait dengan dataset.

Jenis: Rangkaian


EncryptionConfig (p. 271)


272


Tipe: Objek EncryptionConfig (p. 368)LastModificationTime (p. 271)

Saat Anda membuat set data,LastModificationTimesama denganCreationTime.Sementara data sedang diimpor ke dataset,LastModificationTimeadalah waktusaatDescribeDatasetpanggilan. SetelahCreateDatasetImportJoboperasi telahselesai,LastModificationTimeadalah ketika pekerjaan impor selesai atau gagal.

Jenis: TimestampSchema (p. 271)

Susunan rangkaianSchemaAttributeobjek yang menentukan bidang dataset.MASINGSchemaAttributemenentukan nama dan tipe data dari bidang.

Tipe: Objek Schema (p. 405)Status (p. 271)

Status set data. Negara meliputi:• ACTIVE

• CREATE_PENDING, CREATE_IN_PROGRESS, CREATE_FAILED• DELETE_PENDING, DELETE_IN_PROGRESS, DELETE_FAILED• UPDATE_PENDING, UPDATE_IN_PROGRESS, UPDATE_FAILED

ParameterUPDATEmenyatakan berlaku sementara data diimpor ke dataset dari panggilankeCreateDatasetImportJoboperasi dan mencerminkan status pekerjaan dataset impor. Misalnya, ketikastatus pekerjaan imporCREATE_IN_PROGRESS, status dataset adalahUPDATE_IN_PROGRESS.

Note

ParameterStatusset data harusACTIVEsebelum Anda dapat mengimpor data pelatihan.

Jenis: String


Kesalahan






Lihat Juga



273



https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeDataset



274

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeDataset


DescribeDatasetGroupLayanan:Amazon Forecast Service

Menjelaskan grup dataset yang dibuat menggunakanCreateDatasetGroupOperasi.

Selain daftar parameter yang disediakan dalamCreateDatasetGrouppermintaan, operasi ini mencakupproperti berikut:

• DatasetArns- Dataset milik kelompok.• CreationTime


• Status







Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "DatasetArns": [ "string" ], "DatasetGroupArn": "string", "DatasetGroupName": "string", "Domain": "string", "LastModificationTime": number, "Status": "string"}

Elemen Respons




Ketika grup set data dibuat.

275



Jenis: TimestampDatasetArns (p. 275)

Array Amazon Resource Names (ARN) dari set data yang terdapat dalam grup set data.

Jenis: Array string


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetGroupArn (p. 275)

ARN dari grup data.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetGroupName (p. 275)

Nama grup data.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*Domain (p. 275)

Domain yang terkait dengan kelompok dataset.

Jenis: Rangkaian


LastModificationTime (p. 275)

Ketika grup dataset dibuat atau terakhir diperbarui dari panggilan keUpdateDatasetGroupOperasi.Sementara kelompok dataset sedang diperbarui,LastModificationTimeadalah waktu saatiniDescribeDatasetGrouppanggilan.

Jenis: TimestampStatus (p. 275)

Status grup set data. Negara meliputi:• ACTIVE

• CREATE_PENDING, CREATE_IN_PROGRESS, CREATE_FAILED• DELETE_PENDING, DELETE_IN_PROGRESS, DELETE_FAILED• UPDATE_PENDING, UPDATE_IN_PROGRESS, UPDATE_FAILED

ParameterUPDATEmenyatakan berlaku saat Anda meneleponUpdateDatasetGroupOperasi.

Note

ParameterStatusgrup set data harusACTIVEsebelum Anda dapat menggunakan kelompokdataset untuk membuat prediktor.

Jenis: String

276





Kesalahan






Lihat Juga



277

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeDatasetGroup

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeDatasetGroup


DescribeDatasetImportJobLayanan:Amazon Forecast Service

Menjelaskan pekerjaan impor dataset yang dibuat menggunakanCreateDatasetImportJoboperasi.

Selain daftar parameter yang disediakan diCreateDatasetImportJobpermintaan, operasi ini mencakupproperti berikut:

• CreationTime


• DataSize

• FieldStatistics

• Status

• Message- Jika terjadi kesalahan, informasi tentang kesalahan.





Amazon Resource Name (ARN) tugas impor dataset.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "DatasetArn": "string", "DatasetImportJobArn": "string", "DatasetImportJobName": "string", "DataSize": number, "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "EstimatedTimeRemainingInMinutes": number, "FieldStatistics": { "string" : { "Avg": number, "Count": number,

278



"CountDistinct": number, "CountDistinctLong": number, "CountLong": number, "CountNan": number, "CountNanLong": number, "CountNull": number, "CountNullLong": number, "Max": "string", "Min": "string", "Stddev": number } }, "GeolocationFormat": "string", "LastModificationTime": number, "Message": "string", "Status": "string", "TimestampFormat": "string", "TimeZone": "string", "UseGeolocationForTimeZone": boolean}




Ketika pekerjaan impor dataset dibuat.

Jenis: TimestampDatasetArn (p. 278)

Amazon Resource Name (ARN) dari set data pelatihan yang diimpor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetImportJobArn (p. 278)

ARN tugas impor dataset.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetImportJobName (p. 278)

Nama tugas impor dataset.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*DataSize (p. 278)

Ukuran dataset dalam gigabyte (GB) setelah pekerjaan impor selesai.

279


Jenis: DoubleDataSource (p. 278)

Lokasi data pelatihan untuk mengimpor dan peran AWS Identity and Access Management (IAM) yangdapat diasumsikan Amazon Forecast untuk mengakses data.

Jika enkripsi digunakan,DataSourcemencakup kunci AWS Key Management Service (KMS).

Tipe: Objek DataSource (p. 367)EstimatedTimeRemainingInMinutes (p. 278)

Perkiraan waktu yang tersisa dalam hitungan menit untuk pekerjaan impor dataset untukmenyelesaikan.

Jenis: LongFieldStatistics (p. 278)

Informasi statistik tentang setiap bidang dalam data input.

Jenis: String untukStatistics (p. 407)peta objek


Pola Kunci: ^[a-zA-Z0-9\_]+$GeolocationFormat (p. 278)

Format atribut geolokasi. Nilai yang valid:"LAT_LONG"dan"CC_POSTALCODE".

Jenis: String


Pola: ^[a-zA-Z0-9_]+$LastModificationTime (p. 278)



Jika terjadi kesalahan, pesan informasi tentang kesalahan.

Jenis: StringStatus (p. 278)

Status tugas impor dataset. Negara meliputi:• ACTIVE

• CREATE_PENDING, CREATE_IN_PROGRESS, CREATE_FAILED• DELETE_PENDING, DELETE_IN_PROGRESS, DELETE_FAILED• CREATE_STOPPING, CREATE_STOPPED

Jenis: String

280


Batasan: Panjang maksimum 256.TimestampFormat (p. 278)

Format cap waktu dalam dataset. Format yang Anda tentukan tergantungpadaDataFrequencyditentukan kapan set data dibuat. Format berikut ini didukung• “Yyy-MM-DD”

Untuk frekuensi data berikut: Y, M, W, dan D• “yyyy-MM-dd HH:mm:ss”

Untuk frekuensi data berikut: H, 30 menit, 15min, dan 1 menit; dan opsional, untuk: Y, M, W, dan D

Jenis: String


Pola: ^[a-zA-Z0-9\-\:\.\,\'\s]+$TimeZone (p. 278)

Zona waktu tunggal diterapkan untuk setiap item dalam dataset

Jenis: String


Pola: ^[a-zA-Z0-9\/\+\-\_]+$UseGeolocationForTimeZone (p. 278)

ApakahTimeZonesecara otomatis berasal dari atribut geolokasi.

Jenis: Boolean

Kesalahan






Lihat Juga


• AWSAntarmuka Baris Perintah• AWSSDK for .NET• AWSSDK for C++• AWSSDK for Go• AWSSDK for Java V2

281

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeDatasetImportJob


• AWSSDK for JavaScript• AWSSDK for PHP V3• AWSSDK for Python• AWSSDK for Ruby V3

282

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeDatasetImportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeDatasetImportJob


DescribeExplainabilityLayanan:Amazon Forecast Service

Menjelaskan sumber daya Explainability yang dibuat menggunakanCreateExplainability (p. 219)operasi.






Amazon Resource Name (ARN) dari Explaianability yang akan dideskripsikan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "EnableVisualization": boolean, "EndDateTime": "string", "EstimatedTimeRemainingInMinutes": number, "ExplainabilityArn": "string", "ExplainabilityConfig": { "TimePointGranularity": "string", "TimeSeriesGranularity": "string" }, "ExplainabilityName": "string", "LastModificationTime": number, "Message": "string", "ResourceArn": "string", "Schema": { "Attributes": [ { "AttributeName": "string", "AttributeType": "string" } ] }, "StartDateTime": "string",

283


"Status": "string"}

Elemen Respons




Ketika sumber daya Explainability dibuat.

Jenis: TimestampDataSource (p. 283)


Tipe: Objek DataSource (p. 367)EnableVisualization (p. 283)

Apakah visualisasi diaktifkan untuk sumber daya Explainability.

Jenis: BooleanEndDateTime (p. 283)

JikaTimePointGranularitydiatur keSPECIFIC, titik terakhir kali dalam Explainability.

Jenis: String


Pola: ^\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}$EstimatedTimeRemainingInMinutes (p. 283)

Perkiraan waktu yang tersisa dalam hitungan menit untukCreateExplainability (p. 219)tugas untukmenyelesaikan.

Jenis: LongExplainabilityArn (p. 283)


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$ExplainabilityConfig (p. 283)


Tipe: Objek ExplainabilityConfig (p. 373)ExplainabilityName (p. 283)

Nama Explainability.

284


Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*LastModificationTime (p. 283)



Jika terjadi kesalahan, pesan tentang kesalahan.

Jenis: StringResourceArn (p. 283)

Amazon Resource Name (ARN) dari Prediktor atau Forecast yang digunakan untuk membuat sumberdaya Explainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$Schema (p. 283)


Tipe: Objek Schema (p. 405)StartDateTime (p. 283)

JikaTimePointGranularitydiatur keSPECIFIC, titik pertama kalinya dalam Explainability.

Jenis: String


Pola: ^\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}$Status (p. 283)

Status sumber daya Explainability. Negara meliputi:• ACTIVE


Jenis: String


285


Kesalahan






Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasaAWSSDK, lihat yang berikutini:


286

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeExplainability

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeExplainability


DescribeExplainabilityExportLayanan:Amazon Forecast Service

Menjelaskan ekspor Explainability yang dibuat menggunakanCreateExplainabilityExport (p. 224)operasi.






Amazon Resource Name (ARN) dari ekspor Explainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ExplainabilityArn": "string", "ExplainabilityExportArn": "string", "ExplainabilityExportName": "string", "LastModificationTime": number, "Message": "string", "Status": "string"}

Elemen Respons




Ketika ekspor Explainability dibuat.

Jenis: Timestamp

287




Tipe: Objek DataDestination (p. 360)ExplainabilityArn (p. 287)


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$ExplainabilityExportArn (p. 287)

Amazon Resource Name (ARN) dari ekspor Explainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$ExplainabilityExportName (p. 287)

Nama ekspor Explainability.

Jenis: String





Informasi tentang kesalahan yang terjadi selama ekspor.


Status Ekspor Explainability. Negara meliputi:• ACTIVE


288


Jenis: String


Kesalahan






Lihat Juga



289

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeExplainabilityExport

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeExplainabilityExport


DescribeForecastLayanan:Amazon Forecast Service

Menjelaskan perkiraan yang dibuat menggunakanCreateForecast (p. 227)operasi.

Selain daftar properti yang disediakan diCreateForecastpermintaan, operasi ini mencantumkan propertiberikut:

• DatasetGroupArn- Kelompok dataset yang menyediakan data pelatihan.• CreationTime


• Status



{ "ForecastArn": "string"}



Amazon Resource Name (ARN) dari perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "DatasetGroupArn": "string", "EstimatedTimeRemainingInMinutes": number, "ForecastArn": "string", "ForecastName": "string", "ForecastTypes": [ "string" ], "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "Status": "string"}



290



Ketika tugas pembuatan ramalan dibuat.

Jenis: TimestampDatasetGroupArn (p. 290)

ARN dari kelompok dataset yang menyediakan data yang digunakan untuk melatih prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$EstimatedTimeRemainingInMinutes (p. 290)

Perkiraan waktu yang tersisa dalam hitungan menit untuk pekerjaan perkiraan selesai.

Jenis: LongForecastArn (p. 290)

Perkiraan ARN seperti yang ditentukan dalam permintaan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastName (p. 290)

Nama ramalan.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*ForecastTypes (p. 290)

Kuantil di mana perkiraan probabilistik dihasilkan.

Jenis: Array string



Pola: (^0?\.\d\d?$|^mean$)LastModificationTime (p. 290)


Jenis: Timestamp

291


Message (p. 290)

Jika terjadi kesalahan, pesan informasi tentang kesalahan tersebut.

Jenis: StringPredictorArn (p. 290)

ARN dari prediktor digunakan untuk menghasilkan perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$Status (p. 290)

Status perkiraan. Negara meliputi:• ACTIVE


Note

ParameterStatusdari perkiraan harusACTIVEsebelum Anda dapat query atau eksporperkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\_]+$

Kesalahan






Lihat Juga



292

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeForecast



293

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeForecast


DescribeForecastExportJobLayanan:Amazon Forecast Service

Menjelaskan pekerjaan ekspor perkiraan yang dibuatmenggunakanCreateForecastExportJob (p. 231)operasi.

Selain daftar properti yang disediakan oleh pengguna diCreateForecastExportJobpermintaan, operasiini mencantumkan properti berikut:

• CreationTime


• Status



{ "ForecastExportJobArn": "string"}



Amazon Resource Name (ARN) tugas ekspor perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ForecastArn": "string", "ForecastExportJobArn": "string", "ForecastExportJobName": "string", "LastModificationTime": number, "Message": "string", "Status": "string"}


294




Ketika pekerjaan ekspor perkiraan dibuat.

Jenis: TimestampDestination (p. 294)

Jalur ke bucket Amazon Simple Storage Service (Amazon S3) tempat perkiraan diekspor.

Tipe: Objek DataDestination (p. 360)ForecastArn (p. 294)

Amazon Resource Name (ARN) dari perkiraan yang diekspor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastExportJobArn (p. 294)

ARN tugas ekspor perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastExportJobName (p. 294)

Nama tugas ekspor perkiraan.

Jenis: String







Status tugas ekspor perkiraan. Negara meliputi:• ACTIVE

295



Note

ParameterStatusdari pekerjaan ekspor perkiraan harusACTIVEsebelum Anda dapatmengakses perkiraan di bucket S3 Anda.

Jenis: String


Kesalahan






Lihat Juga



296

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribeForecastExportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribeForecastExportJob


DescribePredictorLayanan:Amazon Forecast Service

Note

Operasi ini hanya berlaku untuk prediktor warisan yang dibuat dengan CreatePredictor. Jika Andatidak menggunakan prediktor warisan, gunakanDescribeAutoPredictor (p. 266).

Menjelaskan prediktor yang dibuat menggunakanCreatePredictor (p. 235)operasi.

Selain daftar properti yang disediakan diCreatePredictorpermintaan, operasi ini mencantumkanproperti berikut:

• DatasetImportJobArns- Pekerjaan impor dataset yang digunakan untuk mengimpor data pelatihan.• AutoMLAlgorithmArns- Jika AutoML dilakukan, algoritma yang dievaluasi.• CreationTime


• Status






Amazon Resource Name (ARN) dari prediktor yang ingin Anda informasikan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "AlgorithmArn": "string", "AutoMLAlgorithmArns": [ "string" ], "AutoMLOverrideStrategy": "string", "CreationTime": number, "DatasetImportJobArns": [ "string" ], "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "EstimatedTimeRemainingInMinutes": number, "EvaluationParameters": { "BackTestWindowOffset": number,

297


"NumberOfBacktestWindows": number }, "FeaturizationConfig": { "Featurizations": [ { "AttributeName": "string", "FeaturizationPipeline": [ { "FeaturizationMethodName": "string", "FeaturizationMethodParameters": { "string" : "string" } } ] } ], "ForecastDimensions": [ "string" ], "ForecastFrequency": "string" }, "ForecastHorizon": number, "ForecastTypes": [ "string" ], "HPOConfig": { "ParameterRanges": { "CategoricalParameterRanges": [ { "Name": "string", "Values": [ "string" ] } ], "ContinuousParameterRanges": [ { "MaxValue": number, "MinValue": number, "Name": "string", "ScalingType": "string" } ], "IntegerParameterRanges": [ { "MaxValue": number, "MinValue": number, "Name": "string", "ScalingType": "string" } ] } }, "InputDataConfig": { "DatasetGroupArn": "string", "SupplementaryFeatures": [ { "Name": "string", "Value": "string" } ] }, "IsAutoPredictor": boolean, "LastModificationTime": number, "Message": "string", "OptimizationMetric": "string", "PerformAutoML": boolean, "PerformHPO": boolean, "PredictorArn": "string", "PredictorExecutionDetails": { "PredictorExecutions": [ {

298


"AlgorithmArn": "string", "TestWindows": [ { "Message": "string", "Status": "string", "TestWindowEnd": number, "TestWindowStart": number } ] } ] }, "PredictorName": "string", "Status": "string", "TrainingParameters": { "string" : "string" }}



AlgorithmArn (p. 297)

Amazon Resource Name (ARN) dari algoritma yang digunakan untuk pelatihan model.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$AutoMLAlgorithmArns (p. 297)

SaatPerformAutoMLditentukan, ARN dari algoritma yang dipilih.

Jenis: Array string


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$AutoMLOverrideStrategy (p. 297)

Note


Strategi AutoML digunakan untuk melatih prediktor. KecualiLatencyOptimizedditentukan, strategiAutoML mengoptimalkan akurasi prediktor.


Jenis: Rangkaian

Nilai Valid: LatencyOptimized | AccuracyOptimizedCreationTime (p. 297)

Ketika tugas pelatihan model diciptakan.

299


Jenis: TimestampDatasetImportJobArns (p. 297)

Array dari ARN dari pekerjaan dataset impor yang digunakan untuk mengimpor data pelatihan untukprediktor.

Jenis: Array string


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$EncryptionConfig (p. 297)


Tipe: Objek EncryptionConfig (p. 368)EstimatedTimeRemainingInMinutes (p. 297)

Perkiraan waktu yang tersisa dalam hitungan menit untuk pekerjaan pelatihan prediktor untukmenyelesaikan.

Jenis: LongEvaluationParameters (p. 297)

Digunakan untuk menimpa parameter evaluasi default dari algoritma yang ditentukan. AmazonForecast mengevaluasi prediktor dengan membagi dataset menjadi data pelatihan dan data pengujian.Parameter evaluasi menentukan bagaimana melakukan split dan jumlah iterasi.

Tipe: Objek EvaluationParameters (p. 371)FeaturizationConfig (p. 297)

Konfigurasi featurization.

Tipe: Objek FeaturizationConfig (p. 381)ForecastHorizon (p. 297)

Jumlah waktu-langkah perkiraan. Ramalan cakrawala juga disebut panjang prediksi.

Jenis: BulatForecastTypes (p. 297)

Jenis perkiraan yang digunakan selama pelatihan prediktor. Nilai defaultnyaadalah["0.1","0.5","0.9"]

Jenis: Array string



Pola: (^0?\.\d\d?$|^mean$)HPOConfig (p. 297)

The hyperparameter menimpa nilai-nilai untuk algoritma.

Tipe: Objek HyperParameterTuningJobConfig (p. 390)

300


InputDataConfig (p. 297)

Menjelaskan kelompok dataset yang berisi data yang akan digunakan untuk melatih prediktor.

Tipe: Objek InputDataConfig (p. 391)IsAutoPredictor (p. 297)

Apakah prediktor diciptakan denganCreateAutoPredictor (p. 200).

Jenis: BooleanLastModificationTime (p. 297)




Jenis: StringOptimizationMetric (p. 297)


Jenis: Rangkaian

Nilai Valid: WAPE | RMSE | AverageWeightedQuantileLoss | MASE | MAPEPerformAutoML (p. 297)

Apakah prediktor diatur untuk melakukan AutoML.

Jenis: BooleanPerformHPO (p. 297)

Apakah prediktor diatur untuk melakukan optimasi hyperparameter (HPO).

Jenis: BooleanPredictorArn (p. 297)

ARN prediktor.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*PredictorExecutionDetails (p. 297)

Rincian tentang status dan hasil backtests dilakukan untuk mengevaluasi keakuratanprediktor. Anda menentukan jumlah backtests untuk melakukan ketika AndamemanggilCreatePredictor (p. 235)operasi.

Tipe: Objek PredictorExecutionDetails (p. 399)

301


PredictorName (p. 297)

Nama prediktor.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*Status (p. 297)

Status prediktor. Negara-negara meliputi:• ACTIVE


Note

ParameterStatusdari prediktor harusACTIVEsebelum Anda dapat menggunakan prediktoruntuk membuat perkiraan.

Jenis: String

Batasan Panjang: Panjang maksimum 256.TrainingParameters (p. 297)

Parameter latihan default atau penggantian yang dipilih selama pelatihan model. Saat menjalankanAutoML atau memilih HPO dengan CNN-QR atau DeePar+, nilai yang dioptimalkan untukhyperparameters yang dipilih dikembalikan. Untuk informasi selengkapnya, lihat AlgoritmeAmazon (p. 109).

Jenis: Peta string ke string

Entri Peta: Jumlah minimum 0 item. Jumlah maksimum 100 item.


Pola Kunci: ^[a-zA-Z0-9\-\_\.\/\[\]\,\\]+$

Batasan Nilai: Panjang maksimum 256.

Pola nilai: ^[a-zA-Z0-9\-\_\.\/\[\]\,\"\\\s]+$

Kesalahan






302


Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasa tertentuAWSSDK, lihatyang berikut ini:


303

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribePredictor

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribePredictor


DescribePredictorBacktestExportJobLayanan:Amazon Forecast Service

Menjelaskan pekerjaan ekspor backtest prediktor dibuatmenggunakanCreatePredictorBacktestExportJob (p. 243)operasi.

Selain daftar properti yang disediakan oleh penggunadiCreatePredictorBacktestExportJobpermintaan, operasi ini mencantumkan properti berikut:

• CreationTime


• Status

• Message(jika terjadi kesalahan)





Amazon Resource Name (ARN) tugas ekspor backtest.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "PredictorBacktestExportJobArn": "string", "PredictorBacktestExportJobName": "string", "Status": "string"}


304




Ketika prediktor backtest pekerjaan ekspor diciptakan.

Jenis: TimestampDestination (p. 304)


Tipe: Objek DataDestination (p. 360)LastModificationTime (p. 304)



Informasi tentang kesalahan yang mungkin terjadi selama ekspor backtest.

Jenis: StringPredictorArn (p. 304)


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$PredictorBacktestExportJobArn (p. 304)

Amazon Resource Name (ARN) tugas ekspor backtest.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$PredictorBacktestExportJobName (p. 304)

Nama prediktor tugas ekspor backtest.

Jenis: String


Pola: ^[a-zA-Z][a-zA-Z0-9_]*Status (p. 304)

Status tugas ekspor backtest. Negara meliputi:

305


• ACTIVE


Jenis: String


Kesalahan






Lihat Juga



306

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/DescribePredictorBacktestExportJob

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DescribePredictorBacktestExportJob


GetAccuracyMetricsLayanan:Amazon Forecast Service

Menyediakan metrik pada keakuratan model yang dilatih olehCreatePredictor (p. 235)Operasi. Gunakanmetrik untuk melihat seberapa baik model yang dilakukan dan memutuskan apakah akan menggunakanprediktor untuk menghasilkan perkiraan. Untuk informasi selengkapnya, lihatMetrik Prediktor.

Operasi ini menghasilkan metrik untuk setiap jendela backtest yang dievaluasi. Jumlah backtest windows(NumberOfBacktestWindows) ditentukan dengan menggunakanEvaluationParameters (p. 371)objek,yang opsional termasuk dalamCreatePredictorpermintaan. JikaNumberOfBacktestWindowstidakditentukan, nomor default untuk satu.

Parameter darifillingmenentukan item yang berkontribusi pada metrik. Jika Anda ingin semuaitem berkontribusi, tentukanzero. Jika Anda ingin hanya item yang memiliki data lengkap dalamrentang yang dievaluasi untuk berkontribusi, tentukannan. Untuk informasi selengkapnya, lihatFeaturizationMethod (p. 383).

Note

Sebelum Anda bisa mendapatkan metrik akurasi,Statusdari prediktor harusACTIVE,menandakan bahwa pelatihan telah selesai. Untuk mendapatkan status,gunakanDescribePredictor (p. 297)Operasi.






Amazon Resource Name (ARN) dari prediktor untuk mendapatkan metrik.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "AutoMLOverrideStrategy": "string", "IsAutoPredictor": boolean, "OptimizationMetric": "string", "PredictorEvaluationResults": [ { "AlgorithmArn": "string", "TestWindows": [ { "EvaluationType": "string", "ItemCount": number,

307

https://docs.aws.amazon.com/forecast/latest/dg/metrics.html


"Metrics": { "AverageWeightedQuantileLoss": number, "ErrorMetrics": [ { "ForecastType": "string", "MAPE": number, "MASE": number, "RMSE": number, "WAPE": number } ], "RMSE": number, "WeightedQuantileLosses": [ { "LossValue": number, "Quantile": number } ] }, "TestWindowEnd": number, "TestWindowStart": number } ] } ]}

Elemen Respons



AutoMLOverrideStrategy (p. 307)

Note


Strategi AutoML digunakan untuk melatih prediktor. KecualiLatencyOptimizedditentukan, strategiAutoML mengoptimalkan akurasi prediktor.


Jenis: Rangkaian

Nilai Valid: LatencyOptimized | AccuracyOptimizedIsAutoPredictor (p. 307)

Apakah prediktor diciptakan denganCreateAutoPredictor (p. 200).

Jenis: BooleanOptimizationMetric (p. 307)


Jenis: Rangkaian


308


PredictorEvaluationResults (p. 307)

Array hasil dari mengevaluasi prediktor.

Jenis: ArrayEvaluationResult (p. 372)objek

Kesalahan








Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasa yang spesifikbahasaAWSSDK, lihat yang berikut ini:


309

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/GetAccuracyMetrics

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/GetAccuracyMetrics


ListDatasetGroupsLayanan:Amazon Forecast Service

Mengembalikan daftar kelompok dataset yang dibuat menggunakanCreateDatasetGroupOperasi. Untuksetiap grup dataset, operasi ini mengembalikan ringkasan propertinya, termasuk Amazon ResourceName (ARN). Anda dapat mengambil set lengkap properti dengan menggunakan kelompok dataset ARNdenganDescribeDatasetGroupOperasi.


{ "MaxResults": number, "NextToken": "string"}


MaxResults (p. 310)

Jumlah item yang akan dikembalikan dalam respons.

Jenis: Bulat

Rentang yang Valid: Nilai minimum 1. Nilai maksimum 100.

Diperlukan: TidakNextToken (p. 310)

Jika hasil dari permintaan sebelumnya terpotong, respons mencakupNextToken. Untuk mengambilserangkaian hasil berikutnya, gunakan token di permintaan berikutnya. Token berakhir setelah 24 jam.

Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "DatasetGroups": [ { "CreationTime": number, "DatasetGroupArn": "string", "DatasetGroupName": "string", "LastModificationTime": number } ], "NextToken": "string"}


310





DatasetGroups (p. 310)

Array objek yang merangkum properti masing-masing kelompok dataset.

Jenis: Array dariDatasetGroupSummary (p. 361)objekNextToken (p. 310)

Jika respon terpotong, Amazon Forecast mengembalikan token ini. Untuk mengambil serangkaianhasil berikutnya, gunakan token di permintaan berikutnya.

Jenis: String


Pola: .+

Kesalahan

InvalidNextTokenException

Token tidak valid. Token berakhir setelah 24 jam.


Lihat Juga



311

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListDatasetGroups

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListDatasetGroups


ListDatasetImportJobsLayanan:Amazon Forecast Service

Mengembalikan daftar pekerjaan dataset impor dibuat menggunakanCreateDatasetImportJoboperasi.Untuk setiap tugas impor, operasi ini mengembalikan ringkasan propertinya, termasuk AmazonResource Name (ARN). Anda dapat mengambil set lengkap properti dengan menggunakan ARNdenganDescribeDatasetImportJoboperasi. Anda dapat memfilter daftar dengan menyediakanrangkaianFilterbenda.


{ "Filters": [ { "Condition": "string", "Key": "string", "Value": "string" } ], "MaxResults": number, "NextToken": "string"}



Filters (p. 312)

Array filter. Untuk setiap filter, Anda memberikan kondisi dan pernyataan pertandingan. KondisinyabaikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan dataset yangcocok dengan pernyataan dari daftar, masing-masing. Pernyataan pertandingan terdiri dari kunci dannilai.

Sifat filter• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT. Untuk menyertakan

dataset yang cocok dengan pernyataan, tentukanIS. Untuk mengecualikan dataset yang cocok,tentukanIS_NOT.

• Key- Nama parameter yang akan disaring. Nilai yang valid adalah DatasetArn dan Status.• Value- Nilai untuk mencocokkan.

Misalnya, untuk mencantumkan semua pekerjaan impor dataset yang statusnya ACTIVE, Andamenentukan filter berikut:

"Filters": [ { "Condition": "IS", "Key": "Status", "Value": "ACTIVE" } ]

Jenis: ArrayFilter (p. 385)objek

Diperlukan: TidakMaxResults (p. 312)


Jenis: Bulat


312



https://docs.aws.amazon.com/forecast/latest/dg/API_Filter.html



Jika hasil dari permintaan sebelumnya dipotong, respon termasukNextToken. Untuk mengambilserangkaian hasil berikutnya, gunakan token dalam permintaan berikutnya. Token kedaluwarsasetelah 24 jam.

Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "DatasetImportJobs": [ { "CreationTime": number, "DatasetImportJobArn": "string", "DatasetImportJobName": "string", "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "LastModificationTime": number, "Message": "string", "Status": "string" } ], "NextToken": "string"}

Elemen Respons



DatasetImportJobs (p. 313)

Array objek yang merangkum properti setiap dataset impor pekerjaan.

Jenis: ArrayDatasetImportJobSummary (p. 363)objekNextToken (p. 313)

Jika respon terpotong, Amazon Forecast mengembalikan token ini. Untuk mengambil serangkaianhasil berikutnya, gunakan token dalam permintaan berikutnya.

Jenis: String


Pola: .+

313


Kesalahan



Kode Status HTTP: 400InvalidNextTokenException

Token tidak valid. Token kedaluwarsa setelah 24 jam.


Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu dari spesifik bahasaAWSSDK, lihatberikut ini:


314

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListDatasetImportJobs

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListDatasetImportJobs


ListDatasetsLayanan:Amazon Forecast Service

Mengembalikan daftar dataset yang dibuat menggunakanCreateDatasetoperasi. Untuk setiap kumpulandata, ringkasan propertinya, termasuk Amazon Resource Name (ARN), dikembalikan. Untuk mengambil setlengkap properti, gunakan ARN denganDescribeDatasetoperasi.


{ "MaxResults": number, "NextToken": "string"}


MaxResults (p. 315)


Jenis: Bulat



Jika hasil permintaan sebelumnya terpotong, respons mencakupNextToken. Untuk mengambilserangkaian hasil berikutnya, gunakan token di permintaan berikutnya. Token berakhir setelah 24 jam.

Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "Datasets": [ { "CreationTime": number, "DatasetArn": "string", "DatasetName": "string", "DatasetType": "string", "Domain": "string", "LastModificationTime": number } ], "NextToken": "string"}


315





Datasets (p. 315)

Array objek yang merangkum properti masing-masing dataset ini.

Jenis: Array dariDatasetSummary (p. 365)objekNextToken (p. 315)

Jika respon terpotong, Amazon Forecast mengembalikan token ini. Untuk mengambil serangkaianhasil berikutnya, gunakan token di permintaan berikutnya.

Jenis: String


Pola: .+

Kesalahan




Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa tertentuAWSSDK, lihatberikut ini:


316

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListDatasets

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListDatasets


ListExplainabilitiesLayanan:Amazon Forecast Service

Mengembalikan daftar sumber daya Explainability dibuatmenggunakanCreateExplainability (p. 219)Operasi. Operasi ini mengembalikan ringkasan untuk setiapExplainability. Anda dapat memfilter daftar menggunakan arrayFilter (p. 385)objek.

Untuk mengambil set lengkap properti untuk sumber daya Explainability tertentu, gunakan ARNdenganDescribeExplainability (p. 283)Operasi.





Filters (p. 317)

Susunan rangkaian. Untuk setiap filter, berikan kondisi dan pernyataan pertandingan. KondisinyabaikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan sumber dayayang cocok dengan pernyataan dari daftar. Pernyataan pertandingan terdiri dari kunci dan nilai.

Properti filter• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT.• Key- Nama parameter untuk memfilter. Nilai yang valid adalah ResourceArn dan Status.• Value- Nilai untuk mencocokkan.



Jumlah item yang dikembalikan dalam respons.

Jenis: Bulat



Jika hasil permintaan sebelumnya terpotong, respons tersebut mencakup NextToken. Untukmengambil rangkaian hasil berikutnya, gunakan token dalam permintaan berikutnya. Token berakhirsetelah 24 jam.

Jenis: String

317



Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "Explainabilities": [ { "CreationTime": number, "ExplainabilityArn": "string", "ExplainabilityConfig": { "TimePointGranularity": "string", "TimeSeriesGranularity": "string" }, "ExplainabilityName": "string", "LastModificationTime": number, "Message": "string", "ResourceArn": "string", "Status": "string" } ], "NextToken": "string"}



Explainabilities (p. 318)

Array objek yang merangkum properti dari setiap sumber daya Explainability.

Jenis: ArrayExplainabilitySummary (p. 377)objekNextToken (p. 318)

Mengembalikan token ini jika respons terpotong. Untuk mengambil rangkaian hasil berikutnya,gunakan token dalam permintaan berikutnya.

Jenis: String


Pola: .+

Kesalahan





318



Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu spesifik bahasaAWSSDK, lihatberikut ini:


319

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListExplainabilities

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListExplainabilities


ListExplainabilityExportsLayanan:Amazon Forecast Service

Mengembalikan daftar ekspor Explainability dibuatmenggunakanCreateExplainabilityExport (p. 224)operasi. Operasi ini mengembalikan ringkasan untuksetiap ekspor Explainability. Anda dapat memfilter daftar menggunakan rangkaianFilter (p. 385)objek.

Untuk mengambil set lengkap properti untuk ekspor Explainability tertentu, gunakan ARNdenganDescribeExplainability (p. 283)operasi.





Filters (p. 320)

Susunan rangkaian. Untuk setiap filter, berikan kondisi dan pernyataan pertandingan. KondisinyabaikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan sumber dayayang cocok dengan pernyataan dari daftar. Pernyataan pertandingan terdiri dari kunci dan nilai.

Sifat filter• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT.• Key- Nama parameter yang akan disaring. Nilai yang valid adalah ResourceArn dan Status.• Value- Nilai untuk mencocokkan.




Jenis: Bulat



Jika hasil permintaan sebelumnya terpotong, respons tersebut mencakup NextToken. Untukmengambil rangkaian hasil berikutnya, gunakan token di permintaan berikutnya. Token kedaluwarsasetelah 24 jam.

Jenis: String

320



Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "ExplainabilityExports": [ { "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ExplainabilityExportArn": "string", "ExplainabilityExportName": "string", "LastModificationTime": number, "Message": "string", "Status": "string" } ], "NextToken": "string"}

Elemen Respons



ExplainabilityExports (p. 321)

Array objek yang merangkum properti dari setiap ekspor Explainability.

Jenis: ArrayExplainabilityExportSummary (p. 374)objekNextToken (p. 321)

Mengembalikan token ini jika respons terpotong. Untuk mengambil rangkaian hasil berikutnya,gunakan token di permintaan berikutnya.

Jenis: String


Pola: .+

Kesalahan




321





Lihat Juga



322

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListExplainabilityExports

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListExplainabilityExports


ListForecastExportJobsLayanan:Amazon Forecast Service

Mengembalikan daftar pekerjaan ekspor perkiraan dibuatmenggunakanCreateForecastExportJob (p. 231)operasi. Untuk setiap pekerjaan ekspor perkiraan, operasiini mengembalikan ringkasan propertinya, termasuk Amazon Resource Name (ARN). Untuk mengambil setlengkap properti, gunakan ARN denganDescribeForecastExportJob (p. 294)operasi. Anda dapat memfilterdaftar menggunakan arrayFilter (p. 385)benda.





Filters (p. 323)

Array filter. Untuk setiap filter, Anda memberikan kondisi dan pernyataan kecocokan. KondisinyabaikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan pekerjaanekspor perkiraan yang sesuai dengan pernyataan dari daftar, masing-masing. Pernyataanpertandingan terdiri dari kunci dan nilai.

Memfilter properti• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT. Untuk menyertakan

pekerjaan ekspor perkiraan yang sesuai dengan pernyataan, tentukanIS. Untuk mengecualikanpekerjaan ekspor perkiraan yang cocok, tentukanIS_NOT.

• Key- Nama parameter yang akan disaring. Nilai yang valid adalah ForecastArn dan Status.• Value- Nilai untuk mencocokkan.

Misalnya, untuk mencantumkan semua pekerjaan yang mengekspor perkiraan bernamalistrikperkiraan,tentukan filter berikut:

"Filters": [ { "Condition": "IS", "Key": "ForecastArn", "Value":"arn:aws:forecast:us-west-2:<acct-id>:forecast/electricityforecast" } ]




Jenis: Bulat


323



Jika hasil dari permintaan sebelumnya terpotong, respons mencakupNextToken. Untuk mengambilserangkaian hasil berikutnya, gunakan token dalam permintaan berikutnya. Token berakhir setelah 24jam.

Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "ForecastExportJobs": [ { "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ForecastExportJobArn": "string", "ForecastExportJobName": "string", "LastModificationTime": number, "Message": "string", "Status": "string" } ], "NextToken": "string"}

Elemen Respons



ForecastExportJobs (p. 324)

Array objek yang merangkum properti setiap pekerjaan ekspor ini.

Jenis: ArrayForecastExportJobSummary (p. 386)objekNextToken (p. 324)

Jika respon terpotong, Amazon Forecast mengembalikan token ini. Untuk mengambil serangkaianhasil berikutnya, gunakan token dalam permintaan berikutnya.

Jenis: String


Pola: .+

324


Kesalahan






Lihat Juga



325

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListForecastExportJobs

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListForecastExportJobs


ListForecastsLayanan:Amazon Forecast Service

Mengembalikan daftar perkiraan yang dibuat menggunakanCreateForecast (p. 227)operasi. Untuk setiapperkiraan, operasi ini mengembalikan ringkasan propertinya, termasuk Amazon Resource Name (ARN).Untuk mengambil set lengkap properti, tentukan ARN denganDescribeForecast (p. 290)operasi. Andadapat memfilter daftar menggunakan rangkaianFilter (p. 385)benda.





Filters (p. 326)

Susunan rangkaian. Untuk setiap filter, Anda memberikan kondisi dan pernyataan kecocokan.Kondisinya baikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikanperkiraan yang sesuai dengan pernyataan dari daftar, masing-masing. Pernyataan pertandingan terdiridari kunci dan nilai.

Memfilter• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT. Untuk menyertakan

prakiraan yang cocok dengan pernyataan, tentukanIS. Untuk mengecualikan perkiraan pencocokan,tentukanIS_NOT.

• Key- Nama parameter yang akan disaring. Nilai yang valid adalah DatasetGroupArn,PredictorArn, dan Status.

• Value- Nilai untuk mencocokkan.

Misalnya, untuk mencantumkan semua perkiraan yang statusnya tidak ACTIVE, Anda akanmenentukan:

"Filters": [ { "Condition": "IS_NOT", "Key": "Status", "Value": "ACTIVE" } ]




Jenis: Bulat


Diperlukan: Tidak

326


NextToken (p. 326)

Jika hasil dari permintaan sebelumnya terpotong, respons mencakupNextToken. Untuk mengambilrangkaian hasil berikutnya, gunakan token dalam permintaan berikutnya. Token kedaluwarsa setelah24 jam.

Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "Forecasts": [ { "CreatedUsingAutoPredictor": boolean, "CreationTime": number, "DatasetGroupArn": "string", "ForecastArn": "string", "ForecastName": "string", "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "Status": "string" } ], "NextToken": "string"}



Forecasts (p. 327)

Array objek yang merangkum properti masing-masing perkiraan ini.

Jenis: ArrayForecastSummary (p. 388)objekNextToken (p. 327)

Jika respon terpotong, Amazon Forecast mengembalikan token ini. Untuk mengambil rangkaian hasilberikutnya, gunakan token dalam permintaan berikutnya.

Jenis: String


Pola: .+

Kesalahan



327





Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu spesifik bahasaAWSSDK, lihat yangberikut ini:


328

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListForecasts

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListForecasts


ListPredictorBacktestExportJobsLayanan:Amazon Forecast Service

Mengembalikan daftar tugas ekspor backtest prediktor dibuatmenggunakanCreatePredictorBacktestExportJob (p. 243)operasi. Operasi ini mengembalikanringkasan untuk setiap pekerjaan ekspor backtest. Anda dapat memfilter daftar menggunakanrangkaianFilter (p. 385)objek.

Untuk mengambil set lengkap properti untuk pekerjaan ekspor backtest tertentu, gunakan ARNdenganDescribePredictorBacktestExportJob (p. 304)operasi.




Filters (p. 329)

Susunan rangkaian. Untuk setiap filter, berikan kondisi dan pernyataan pertandingan. KondisinyabaikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan pekerjaanekspor prediktor backtest yang cocok dengan pernyataan dari daftar. Pernyataan pertandingan terdiridari kunci dan nilai.

Properti filter• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT. Untuk menyertakan

pekerjaan ekspor prediktor backtest yang cocok dengan pernyataan, tentukanIS. Untukmengecualikan tugas ekspor backtest prediktor yang cocok, tentukanIS_NOT.

• Key- Nama parameter yang akan disaring. Nilai yang valid adalah PredictorArn dan Status.• Value- Nilai untuk mencocokkan.




Jenis: Bulat



Jika hasil permintaan sebelumnya terpotong, respons tersebut mencakup NextToken. Untukmengambil rangkaian hasil berikutnya, gunakan token dalam permintaan berikutnya. Token berakhirsetelah 24 jam.

329


Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "NextToken": "string", "PredictorBacktestExportJobs": [ { "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "LastModificationTime": number, "Message": "string", "PredictorBacktestExportJobArn": "string", "PredictorBacktestExportJobName": "string", "Status": "string" } ]}

Elemen Respons



NextToken (p. 330)

Mengembalikan token ini jika respons terpotong. Untuk mengambil rangkaian hasil berikutnya,gunakan token dalam permintaan berikutnya.

Jenis: String


Pola: .+PredictorBacktestExportJobs (p. 330)

Array objek yang meringkas sifat dari setiap prediktor backtest pekerjaan ekspor.

Jenis: ArrayPredictorBacktestExportJobSummary (p. 396)objek

Kesalahan



330





Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu spesifik bahasaAWSSDK, lihatberikut ini:


331

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListPredictorBacktestExportJobs

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListPredictorBacktestExportJobs


ListPredictorsLayanan:Amazon Forecast Service

Mengembalikan daftar prediktor dibuatmenggunakanCreateAutoPredictor (p. 200)atauCreatePredictor (p. 235)operasi. Untuk setiap prediktor,operasi ini mengembalikan ringkasan propertinya, termasuk Amazon Resource Name (ARN).

Anda dapat mengambil set lengkap properti dengan menggunakan ARNdenganDescribeAutoPredictor (p. 266)danDescribePredictor (p. 297)operasi. Anda dapat memfilter daftarmenggunakan arrayFilter (p. 385)benda.





Filters (p. 332)

Array filter. Untuk setiap filter, Anda memberikan kondisi dan pernyataan kecocokan. KondisinyabaikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan prediktor yangcocok dengan pernyataan dari daftar, masing-masing. Pernyataan pertandingan terdiri dari kunci dannilai.

Memfilter properti• Condition- Kondisi untuk diterapkan. Nilai yang valid adalah IS dan IS_NOT. Untuk menyertakan

prediktor yang cocok dengan pernyataan, tentukanIS. Untuk mengecualikan prediktor yang cocok,tentukanIS_NOT.

• Key- Nama parameter yang akan difilter. Nilai yang valid adalah DatasetGroupArn dan Status.• Value- Nilai untuk mencocokkan.

Misalnya, untuk mencantumkan semua prediktor yang statusnya ACTIVE, Anda akan menentukan:

"Filters": [ { "Condition": "IS", "Key": "Status", "Value": "ACTIVE" } ]




Jenis: Bulat


332



Jika hasil dari permintaan sebelumnya terpotong, respons mencakupNextToken. Untuk mengambilrangkaian hasil berikutnya, gunakan token dalam permintaan berikutnya. Token berakhir setelah 24jam.

Jenis: String


Pola: .+

Diperlukan: Tidak

Sintaksis Respons

{ "NextToken": "string", "Predictors": [ { "CreationTime": number, "DatasetGroupArn": "string", "IsAutoPredictor": boolean, "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "PredictorName": "string", "ReferencePredictorSummary": { "Arn": "string", "State": "string" }, "Status": "string" } ]}

Elemen Respons



NextToken (p. 333)

Jika respon terpotong, Amazon Forecast mengembalikan token ini. Untuk mengambil rangkaian hasilberikutnya, gunakan token dalam permintaan berikutnya.

Jenis: String


Pola: .+Predictors (p. 333)

Array objek yang merangkum properti masing-masing prediktor.

Jenis: ArrayPredictorSummary (p. 400)objek

333


Kesalahan






Lihat Juga



334

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListPredictors

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListPredictors


ListTagsForResourceLayanan:Amazon Forecast Service

Mendaftar tanda untuk sumber daya Amazon Forecast.





Amazon Resource Name (ARN) yang mengidentifikasi sumber daya yang akan dicantumkan tag-nya.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Sintaksis Respons

{ "Tags": [ { "Key": "string", "Value": "string" } ]}



Tags (p. 335)

Tag untuk sumber daya.



Kesalahan



335





Lihat Juga



336

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/ListTagsForResource

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ListTagsForResource


StopResourceLayanan:Amazon Forecast Service

Menghentikan sumber daya.

Sumber daya mengalami status berikut:CREATE_STOPPINGdanCREATE_STOPPED. Anda tidak dapatmelanjutkan sumber daya setelah dihentikan.

Operasi ini dapat diterapkan pada sumber daya berikut (dan sumber daya anak yang sesuai):

• Job Impor• Job Prediktor• Job Forecast• Forecast Ekspor• Job Ekspor Prediktor• Job Explainability• Job Ekspor






Amazon Resource Name (ARN) yang mengidentifikasi sumber daya untuk dihentikan. ARN yangdidukungadalahDatasetImportJobArn,PredictorArn,PredictorBacktestExportJobArn,ForecastArn,ForecastExportJobArn,ExplainabilityArn,danExplainabilityExportArn.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Elemen Respons


Kesalahan




337


LimitExceededException





Lihat Juga



338

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/StopResource

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/StopResource


TagResourceLayanan:Amazon Forecast Service

Mengaitkan tag yang ditentukan ke sumber daya dengan ditentukanresourceArn. Jika tag yang ada padasumber daya tidak ditentukan dalam parameter permintaan, tag tersebut tidak berubah. Ketika sebuahsumber daya dihapus, tag yang terkait dengan sumber daya tersebut juga dihapus.


{ "ResourceArn": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}



Amazon Resource Name (ARN) yang mengidentifikasi sumber daya yang akan dicantumkan tag.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$


Tag untuk ditambahkan ke sumber daya. Sebuah tag adalah array pasangan nilai kunci.




• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau huruf kecil seperti prefiks untuk kunci


Jenis: SusunanTag (p. 412)objek

339



Diperlukan: Ya

Elemen Respons


Kesalahan






Kami tidak dapat menemukan sebuah sumber daya dengan Amazon Resource Name (ARN). PeriksaARN dan coba lagi.


Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasa tertentuAWSSDK, lihatberikut ini:


340

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/TagResource

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/TagResource


UntagResourceLayanan:Amazon Forecast Service

Menghapus tag yang ditentukan dari sebuah sumber daya.


{ "ResourceArn": "string", "TagKeys": [ "string" ]}




Amazon Resource Name (ARN) yang mengidentifikasi sumber daya yang akan dicantumkan tag-nya.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaTagKeys (p. 341)

Kunci tag yang akan dihapus.

Jenis: Array string



Pola: ^([\p{L}\p{Z}\p{N}_.:/=+\-@]*)$

Diperlukan: Ya

Elemen Respons


Kesalahan





341



Lihat Juga



342

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/UntagResource

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/UntagResource


UpdateDatasetGroupLayanan:Amazon Forecast Service

Menggantikan set data dalam grup set data dengan set data yang ditentukan.

Note

ParameterStatusgrup set data harusACTIVEsebelum Anda dapat menggunakan kelompokdataset untuk membuat prediktor. GunakanDescribeDatasetGroupoperasi untuk mendapatkanstatus.


{ "DatasetArns": [ "string" ], "DatasetGroupArn": "string"}



DatasetArns (p. 343)

Array Amazon Resource Names (ARN) set data untuk ditambahkan ke grup set data.

Jenis: Array string


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaDatasetGroupArn (p. 343)

ARN grup set data.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Elemen Respons


Kesalahan




343


Amazon Forecast Panduan DeveloperKueri Amazon Forecast

ResourceInUseException





Lihat Juga



Kueri Amazon ForecastTindakan berikut didukung oleh Amazon Forecast Query Service:

• QueryForecast (p. 345)

344

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/boto3/forecast-2018-06-26/UpdateDatasetGroup

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/UpdateDatasetGroup


QueryForecastLayanan:Amazon Forecast Query Service

Mengambil perkiraan untuk satu item, disaring oleh kriteria yang disediakan.

Kriteria adalah pasangan nilai kunci. Kuncinya adalah baikitem_id(atau setara non-stempel waktu, bidangnon-target) dariTARGET_TIME_SERIESdataset, atau salah satu dimensi perkiraan yang ditentukan sebagaibagian dariFeaturizationConfigobjek.

Secara default,QueryForecastmengembalikan rentang tanggal lengkap untuk perkiraan yang disaring.Anda dapat meminta rentang tanggal tertentu.

Untuk mendapatkan perkiraan penuh, gunakanCreateForecastExportJoboperasi.

Note

Perkiraan yang dihasilkan oleh Amazon Forecast berada di zona waktu yang sama dengandataset yang digunakan untuk membuat prediktor.


{ "EndDate": "string", "Filters": { "string" : "string" }, "ForecastArn": "string", "NextToken": "string", "StartDate": "string"}



EndDate (p. 345)

Tanggal akhir untuk prakiraan. Tentukan tanggal menggunakan format ini: yyyy-MM-dd't'H:mm:ss(format ISO 8601). Misalnya, 2015-01-01T 20:00:00.

Jenis: Tali

Diperlukan: TidakFilters (p. 345)

Kriteria penyaringan yang akan diterapkan saat mengambil perkiraan. Misalnya, untuk mendapatkanperkiraan untukclient_21dalam dataset penggunaan listrik, tentukan yang berikut:

{"item_id" : "client_21"}

Untuk mendapatkan perkiraan penuh, gunakanCreateForecastExportJoboperasi.

Jenis: Peta string

Entri Peta: Jumlah maksimum 50 item.


Pola Kunci: ^[a-zA-Z0-9\_\-]+$

345

https://docs.aws.amazon.com/en_us/forecast/latest/dg/API_CreateForecastExportJob.html

https://docs.aws.amazon.com/en_us/forecast/latest/dg/API_CreateForecastExportJob.html



Diperlukan: YaForecastArn (p. 345)

Amazon Resource Name (ARN) prakiraan untuk kueri.

Jenis: String


Pola: arn:([a-z\d-]+):forecast:.*:.*:.+

Diperlukan: YaNextToken (p. 345)

Jika hasil dari permintaan sebelumnya terpotong, respons mencakupNextToken. Untuk mengambilserangkaian hasil berikutnya, gunakan token di permintaan berikutnya. Token berakhir setelah 24 jam.

Jenis: String


Diperlukan: TidakStartDate (p. 345)

Tanggal mulai untuk prakiraan. Tentukan tanggal menggunakan format ini: yyyy-MM-dd't'H:mm:ss(format ISO 8601). Misalnya, 2015-01-01T 08:00:00.

Jenis: Tali

Diperlukan: Tidak

Sintaksis Respons

{ "Forecast": { "Predictions": { "string" : [ { "Timestamp": "string", "Value": number } ] } }}

Elemen Respons



Forecast (p. 346)

Perkiraan.

Tipe: Objek Forecast (p. 419)

346

Amazon Forecast Panduan DeveloperTipe Data

Kesalahan


Nilai tidak valid atau terlalu panjang.




Batas jumlah permintaan per detik telah terlampaui.




Kita tidak dapat menemukan sumber daya itu. Periksa informasi yang telah Anda berikan dan cobalagi.


Lihat Juga



Tipe Datatipe data berikut didukung oleh Amazon Forecast Service:

• AdditionalDataset (p. 351)• AttributeConfig (p. 354)• CategoricalParameterRange (p. 356)

347

https://docs.aws.amazon.com/goto/aws-cli/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/SdkForCpp/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/SdkForGoV1/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/AWSJavaScriptSDK/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/SdkForPHPV3/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/boto3/forecastquery-2018-06-26/QueryForecast

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecastquery-2018-06-26/QueryForecast

Amazon Forecast Panduan DeveloperTipe Data

• ContinuousParameterRange (p. 357)• DataConfig (p. 359)• DataDestination (p. 360)• DatasetGroupSummary (p. 361)• DatasetImportJobSummary (p. 363)• DatasetSummary (p. 365)• DataSource (p. 367)• EncryptionConfig (p. 368)• ErrorMetric (p. 369)• EvaluationParameters (p. 371)• EvaluationResult (p. 372)• ExplainabilityConfig (p. 373)• ExplainabilityExportSummary (p. 374)• ExplainabilityInfo (p. 376)• ExplainabilitySummary (p. 377)• Featurization (p. 379)• FeaturizationConfig (p. 381)• FeaturizationMethod (p. 383)• Filter (p. 385)• ForecastExportJobSummary (p. 386)• ForecastSummary (p. 388)• HyperParameterTuningJobConfig (p. 390)• InputDataConfig (p. 391)• IntegerParameterRange (p. 392)• Metrics (p. 394)• ParameterRanges (p. 395)• PredictorBacktestExportJobSummary (p. 396)• PredictorExecution (p. 398)• PredictorExecutionDetails (p. 399)• PredictorSummary (p. 400)• ReferencePredictorSummary (p. 402)• S3Config (p. 403)• Schema (p. 405)• SchemaAttribute (p. 406)• Statistics (p. 407)• SupplementaryFeature (p. 409)• Tag (p. 412)• TestWindowSummary (p. 414)• WeightedQuantileLoss (p. 415)• WindowSummary (p. 416)

tipe data berikut didukung oleh Amazon Forecast Query Service:

• DataPoint (p. 418)• Forecast (p. 419)

348

Amazon Forecast Panduan DeveloperAmazon Forecast

Amazon Forecasttipe data berikut didukung oleh Amazon Forecast Service:

• AdditionalDataset (p. 351)• AttributeConfig (p. 354)• CategoricalParameterRange (p. 356)• ContinuousParameterRange (p. 357)• DataConfig (p. 359)• DataDestination (p. 360)• DatasetGroupSummary (p. 361)• DatasetImportJobSummary (p. 363)• DatasetSummary (p. 365)• DataSource (p. 367)• EncryptionConfig (p. 368)• ErrorMetric (p. 369)• EvaluationParameters (p. 371)• EvaluationResult (p. 372)• ExplainabilityConfig (p. 373)• ExplainabilityExportSummary (p. 374)• ExplainabilityInfo (p. 376)• ExplainabilitySummary (p. 377)• Featurization (p. 379)• FeaturizationConfig (p. 381)• FeaturizationMethod (p. 383)• Filter (p. 385)• ForecastExportJobSummary (p. 386)• ForecastSummary (p. 388)• HyperParameterTuningJobConfig (p. 390)• InputDataConfig (p. 391)• IntegerParameterRange (p. 392)• Metrics (p. 394)• ParameterRanges (p. 395)• PredictorBacktestExportJobSummary (p. 396)• PredictorExecution (p. 398)• PredictorExecutionDetails (p. 399)• PredictorSummary (p. 400)• ReferencePredictorSummary (p. 402)• S3Config (p. 403)• Schema (p. 405)• SchemaAttribute (p. 406)• Statistics (p. 407)• SupplementaryFeature (p. 409)• Tag (p. 412)• TestWindowSummary (p. 414)• WeightedQuantileLoss (p. 415)

349


• WindowSummary (p. 416)

350


AdditionalDatasetLayanan:Amazon Forecast Service

Menjelaskan set data tambahan. Objek ini adalah bagian dariDataConfig (p. 359)objek. Forecastmendukung Indeks Cuaca dan Liburan dataset tambahan.

Indeks Cuaca

Amazon Forecast Weather Index adalah dataset bawaan yang menggabungkan informasi cuaca historisdan proyeksi ke dalam model Anda. Indeks Cuaca melengkapi dataset Anda dengan lebih dari dua tahundata cuaca historis dan hingga 14 hari data cuaca yang diproyeksikan. Untuk informasi selengkapnya,lihatIndeks Amazon Forecast.

Libur

Holidays adalah dataset bawaan yang menggabungkan informasi hari libur nasional ke dalam modelAnda. Ini memberikan dukungan asli untuk kalender liburan 66 negara. Untuk melihat kalender liburan,lihatJollydayperpustakaan. Untuk informasi selengkapnya, lihatFeaturisasi.

Isi

Configuration

Indeks Cuaca

Untuk mengaktifkan Indeks Cuaca, jangan menentukan nilaiConfiguration.

Libur

Libur

Untuk mengaktifkan Liburan, aturCountryCodeke salah satu kode negara dua huruf berikut:• “AL” - ALBANIA• “AR” - ARGENTINA• “DI” - AUSTRIA• “AU” - AUSTRALIA• “BA” - BOSNIA HERZEGOVINA• “BE” - BELGIUM• “BG” - BULGARIA• “BO” - BOLIVIA• “BR” - BRAZIL• “OLEH” - BELARUS• “CA” - KANADA• “CL” - CHILE• “CO” - KOLOMBIA• “CR” - KOSTA RIKA• “HR” - KROASIA• “CZ” - REPUBLIK CEKO• “DK” - DENMARK• “EC” - EKUADOR• “EE” - ESTONIA• “ET” - ETHIOPIA• “FI” - FINLANDIA

351

https://docs.aws.amazon.com/forecast/latest/dg/weather.html


https://docs.aws.amazon.com/forecast/latest/dg/holidays.html


• “FR” - PERANCIS• “DE” - JERMAN• “GR” - YUNANI• “HU” - HONGARIA• “ADALAH” - ISLANDIA• “DI” - INDIA• “YAITU” - IRLANDIA• “ITU” - ITALIA• “JP” - JEPANG• “KZ” - KAZAKHSTAN• “KR” - KOREA• “LV” - LATVIA• “LI” - LIECHTENSTEIN• “LT” - LITHUANIA• “LU” - LUKSEMBURG• “MK” - MAKEDONIA• “MT” - MALTA• “MX” - MEKSIKO• “MD” - MOLDOVA• “SAYA” - MONTENEGRO• “NL” - BELANDA• “NZ” - SELANDIA BARU• “NI” - NIKARAGUA• “NG” - NIGERIA• “TIDAK” - NORWAY• “PA” - PANAMA• “PY” - PARAGUAY• “PE” - PERU• “PL” - POLANDIA• “PT” - PORTUGAL• “RO” - ROMANIA• “RU” - RUSIA• “RS” - SERBIA• “SK” - SLOVAKIA• “SI” - SLOVENIA• “ZA” - AFRIKA SELATAN• “ES” - SPANYOL• “SE” - SWEDIA• “CH” - SWISS• “UA” - UKRAINA• “AE” - EMIRAT ARAB BERSATU• “KAMI” - AMERIKA SERIKAT• “UK” - INGGRIS RAYA• “UY” - URUGUAY• “VE” - VENEZUELA

352


Jenis: String ke array string

Batasan Panjang Kunci: Panjang minimum 1. Panjang maksimum 63.

Pola Kunci: ^[a-zA-Z][a-zA-Z0-9_]*



Pola: ^[a-zA-Z0-9\_\-]+$

Diperlukan: TidakName

Nama set data tambahan. Nama yang valid:"holiday"dan"weather".

Jenis: String



Diperlukan: Ya

Lihat Juga


• AWSSDK for C++• AWSSDK for Go• AWSSDK for Java V2• AWSSDK for Ruby V3

353

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/AdditionalDataset

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/AdditionalDataset

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/AdditionalDataset

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/AdditionalDataset


AttributeConfigLayanan:Amazon Forecast Service

Menyediakan informasi tentang metode yang digunakan untuk mengubah atribut.

Berikut ini adalah contoh penggunaan domain RETAIL:

{

"AttributeName": "demand",

"Transformations": {"aggregation": "sum", "middlefill": "zero", "backfill":"zero"}

}

Isi

AttributeName

Nama atribut yang ditentukan dalam skema. Amazon Forecast mendukung bidang target dari seriwaktu target dan dataset seri waktu terkait. Misalnya, untuk domain RETAIL, targetnya adalahdemand.

Jenis: String



Diperlukan: YaTransformations

Parameter metode (pasangan kunci-nilai), yang merupakan peta parameter override. Tentukanparameter ini untuk menimpa nilai default. Atribut Seri Waktu Terkait tidak menerima parameteragregasi.

Daftar berikut menunjukkan parameter dan nilai-nilai valid mereka untuk “mengisi” metode featurizationuntukSeri Waktuset data. Nilai default dibaut.• aggregation:jumlah,avg,first,min,max• frontfill:tidak ada• middlefill:nol,nan(bukan nomor),value,median,mean,min,max• backfill:nol,nan,value,median,mean,min,max

Daftar berikut menunjukkan parameter dan nilai-nilai yang valid mereka untukSeri WaktuTerkaitmetode featurization (tidak ada default):• middlefill: zero, value, median, mean, min, max• backfill: zero, value, median, mean, min, max• futurefill: zero, value, median, mean, min, max

Untuk mengatur metode pengisian ke nilai tertentu, atur parameter isi kevaluedan menentukan nilaidalam yang sesuai_valueparameter. Misalnya, untuk mengatur penimbunan kembali ke nilai 2,sertakan yang berikut ini:"backfill": "value"dan"backfill_value":"2".

Jenis: Peta string


Batasan Panjang Kunci: Panjang minimum 1. Panjang maksimum 63.

354


Pola Kunci: ^[a-zA-Z][a-zA-Z0-9_]*


Pola nilai: ^[a-zA-Z0-9\_\-]+$

Diperlukan: Ya

Lihat Juga



355

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/AttributeConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/AttributeConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/AttributeConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/AttributeConfig


CategoricalParameterRangeLayanan:Amazon Forecast Service

Menentukan hyperparameter kategoris dan itu berbagai nilai-nilai merdu. Objek ini adalah bagiandariParameterRanges (p. 395)objek.

Isi

Name

Nama hyperparameter kategoris untuk menyetel.

Jenis: String



Diperlukan: YaValues

Daftar kategori merdu untuk hyperparameter.

Jenis: Array string



Pola: ^[a-zA-Z0-9\_\-]+$

Diperlukan: Ya

Lihat Juga



356

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/CategoricalParameterRange

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CategoricalParameterRange

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/CategoricalParameterRange

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CategoricalParameterRange


ContinuousParameterRangeLayanan:Amazon Forecast Service

Menentukan hyperparameter terus menerus dan itu berbagai nilai-nilai merdu. Objek ini adalah bagiandariParameterRanges (p. 395)objek.

Isi

MaxValue

Nilai merdu maksimum dari hyperparameter.

Jenis: Double

Diperlukan: YaMinValue

Nilai merdu minimum dari hyperparameter.

Jenis: Double

Diperlukan: YaName

Nama hyperparameter untuk menyetel.

Jenis: String



Diperlukan: YaScalingType

Skala yang digunakan penyetelan hyperparameter untuk mencari rentang hyperparameter. Nilai yangvalid:Otomatis

Penyetelan hyperparameter Amazon Forecast memilih skala terbaik untuk hyperparameter.linier

Penyetelan Hyperparameter mencari nilai dalam rentang hyperparameter dengan menggunakanskala linier.

Logaritmik

Penyetelan Hyperparameter mencari nilai dalam rentang hyperparameter dengan menggunakanskala logaritmik.

Penskalaan logaritmik hanya berfungsi untuk rentang yang memiliki nilai lebih besar dari 0.ReverseLogarithmic

penyetelan hyperparameter mencari nilai-nilai dalam rentang hyperparameter denganmenggunakan skala logaritmik terbalik.

Penskalaan logaritmik terbalik hanya berfungsi untuk rentang yang seluruhnya berada dalamkisaran 0 <= x < 1.0.

357


Untuk informasi tentang memilih skala hyperparameter, lihatPenskalaan Hyperparameter. Salah satunilai berikut:

Jenis: Rangkaian

Nilai Valid: Auto | Linear | Logarithmic | ReverseLogarithmic

Diperlukan: Tidak

Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khususAWSSDK, lihat berikutini:


358

https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-define-ranges.html#scaling-type

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ContinuousParameterRange

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ContinuousParameterRange

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ContinuousParameterRange

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ContinuousParameterRange


DataConfigLayanan:Amazon Forecast Service


Isi

AdditionalDatasets

Set data bawaan tambahan seperti Holidays dan Indeks Cuaca.

Jenis: ArrayAdditionalDataset (p. 351)objek


Diperlukan: TidakAttributeConfigs

Opsi agregasi dan pengisian untuk atribut dalam grup dataset Anda.

Jenis: ArrayAttributeConfig (p. 354)objek


Diperlukan: TidakDatasetGroupArn

ARN dari kelompok dataset digunakan untuk melatih prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Lihat Juga



359

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DataConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DataConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DataConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DataConfig


DataDestinationLayanan:Amazon Forecast Service

Tujuan untuk pekerjaan ekspor. Menyediakan jalur S3, peran AWS Identity and Access Management (IAM)yang memungkinkan Amazon Forecast mengakses lokasi, dan kunci AWS Key Management Service(KMS) (opsional).

Isi

S3Config

Jalur ke bucket Amazon Simple Storage Service (Amazon S3) beserta kredenal untuk mengaksesbucket.

Tipe: Objek S3Config (p. 403)

Diperlukan: Ya

Lihat Juga



360

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DataDestination

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DataDestination

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DataDestination

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DataDestination


DatasetGroupSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan dari properti kelompok dataset yang digunakan dalamListDatasetGroupsoperasi.Untuk mendapatkan set lengkap properti, hubungiDescribeDatasetGroupoperasi, danmenyediakanDatasetGroupArn.

Isi

CreationTime

Ketika grup set data dibuat.

Jenis: Timestamp



Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakDatasetGroupName

Nama grup set data.

Jenis: String



Diperlukan: TidakLastModificationTime

Ketika grup dataset dibuat atau terakhir diperbarui dari panggilan keUpdateDatasetGroupoperasi.Sementara kelompok dataset sedang diperbarui,LastModificationTimeadalah waktu saat inidariListDatasetGroupspanggilan.

Jenis: Timestamp

Diperlukan: Tidak

Lihat Juga



361

https://docs.aws.amazon.com/forecast/latest/dg/API_ListDatasetGroups.html



https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DatasetGroupSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DatasetGroupSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DatasetGroupSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DatasetGroupSummary


362


DatasetImportJobSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan properti pekerjaan impor dataset yang digunakandalamListDatasetImportJobsoperasi. Untuk mendapatkan set lengkap properti,hubungiDescribeDatasetImportJoboperasi, dan menyediakanDatasetImportJobArn.

Isi

CreationTime

Ketika pekerjaan impor dataset dibuat.

Jenis: Timestamp

Diperlukan: TidakDatasetImportJobArn

Amazon Resource Name (ARN) tugas impor dataset.

Jenis: String

Aturan: Panjang maksimum 256.

Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakDatasetImportJobName

Nama tugas impor dataset.

Jenis: String

Aturan: Panjang minimum 1. Panjang maksimum 63.


Diperlukan: TidakDataSource

Lokasi data pelatihan untuk diimpor dan peran AWS Identity and Access Management (IAM) yangdapat diasumsikan Amazon Forecast untuk mengakses data. Data pelatihan harus disimpan di bucketAmazon S3.

Jika enkripsi digunakan,DataSourcetermasuk kunci AWS Key Management Service (KMS).




363

https://docs.aws.amazon.com/forecast/latest/dg/API_ListDatasetImportJobs.html



Jenis: Timestamp

Diperlukan: TidakMessage


Jenis: Tali

Diperlukan: TidakStatus

Status tugas impor dataset. Negara meliputi:• ACTIVE


Jenis: String

Aturan: Panjang maksimum 256.

Diperlukan: Tidak

Lihat Juga



364

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DatasetImportJobSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DatasetImportJobSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DatasetImportJobSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DatasetImportJobSummary


DatasetSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan dari properti dataset yang digunakan dalamListDatasetsoperasi. Untukmendapatkan set lengkap properti, hubungiDescribeDatasetoperasi, dan menyediakanDatasetArn.

Isi

CreationTime

Ketika dataset dibuat.

Jenis: Timestamp

Diperlukan: TidakDatasetArn


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakDatasetName

Nama set data.

Jenis: String



Diperlukan: TidakDatasetType

Jenis dataset.

Jenis: Rangkaian

Nilai Valid: TARGET_TIME_SERIES | RELATED_TIME_SERIES | ITEM_METADATA

Diperlukan: TidakDomain

Domain yang terkait dengan dataset.

Jenis: Rangkaian



Saat Anda membuat dataset,LastModificationTimeadalah sama denganCreationTime.Sementara data sedang diimpor ke dataset,LastModificationTimeadalah waktu

365

https://docs.aws.amazon.com/forecast/latest/dg/API_ListDatasets.html



ketika iniListDatasetsMemanggil. SetelahCreateDatasetImportJoboperasi telahselesai,LastModificationTimeadalah ketika pekerjaan impor selesai atau gagal.

Jenis: Timestamp

Diperlukan: Tidak

Lihat Juga



366


https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DatasetSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DatasetSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DatasetSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DatasetSummary


DataSourceLayanan:Amazon Forecast Service


Isi

S3Config

Jalur data yang disimpan di bucket Amazon Simple Storage Service (Amazon S3) beserta kredenaluntuk mengakses data.

Tipe: Objek S3Config (p. 403)

Diperlukan: Ya

Lihat Juga



367

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/DataSource

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DataSource

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/DataSource

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DataSource


EncryptionConfigLayanan:Amazon Forecast Service

AWS Key Management Service (KMS) dan peran AWS Identity and Access Management (IAM) yangdapat diasumsikan Amazon Forecast untuk mengakses kunci. Anda dapat menentukan objek opsionaldiCreateDataset (p. 206)danCreatePredictor (p. 235)permintaan.

Isi

KMSKeyArn

Amazon Resource Name (ARN) dari kunci KMS.

Jenis: String


Pola: arn:aws:kms:.*:key/.*

Diperlukan: YaRoleArn

ARN IAM role yang dapat diambil Amazon Forecast untuk mengakses kunci AWS KMS.

Melewati peran di seluruh akun AWS tidak diperbolehkan. Jika Anda lulus peran yang tidak ada diakun Anda, Anda mendapatkanInvalidInputExceptionkesalahan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Lihat Juga



368

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/EncryptionConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/EncryptionConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/EncryptionConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/EncryptionConfig


ErrorMetricLayanan:Amazon Forecast Service

Menyediakan metrik kesalahan rinci untuk mengevaluasi kinerja prediktor. Objek ini adalah bagiandariMetrics (p. 394)objek.

Isi

ForecastType

Jenis Forecast digunakan untuk menghitung WAPE, MAPE, MASE, dan RMSE.

Jenis: String


Pola: (^0?\.\d\d?$|^mean$)

Diperlukan: TidakMAPE

Kesalahan Persentase Absolute Mean (MAPE)

Jenis: Double

Diperlukan: TidakMASE

Berarti Absolute Scaled Error (MASE)

Jenis: Double

Diperlukan: TidakRMSE

Kesalahan akar-mean-persegi (RMSE).

Jenis: Double

Diperlukan: TidakWAPE

Tertimbang persentase absolut kesalahan (WAPE).

Jenis: Double

Diperlukan: Tidak

Lihat Juga



369

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ErrorMetric

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ErrorMetric

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ErrorMetric

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ErrorMetric


370


EvaluationParametersLayanan:Amazon Forecast Service

Parameter yang menentukan bagaimana membagi dataset menjadi data pelatihan dan data pengujian, danjumlah iterasi untuk melakukan. Parameter ini ditentukan dalam algoritma yang telah ditetapkan tetapi Andadapat menimpa mereka diCreatePredictor (p. 235)permintaan.

Isi

BackTestWindowOffset

Titik dari akhir dataset di mana Anda ingin membagi data untuk pelatihan model dan pengujian(evaluasi). Tentukan nilai sebagai jumlah titik data. Defaultnya adalah nilai dari horizonperkiraan.BackTestWindowOffsetdapat digunakan untuk meniru masa lalu virtual perkiraan tanggalmulai. Nilai ini harus lebih besar dari atau sama dengan horizon perkiraan dan kurang dari setengahdari panjang dataset TARGET_TIME_SERIES.

ForecastHorizon <=BackTestWindowOffset < 1/2 * Panjang set data TARGET_TIME_SERIES

Jenis: Bulat

Diperlukan: TidakNumberOfBacktestWindows

Jumlah kali untuk membagi data input. Default-nya adalah 1. Nilai yang valid adalah 1 sampai 5.

Jenis: Bulat

Diperlukan: Tidak

Lihat Juga



371

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/EvaluationParameters

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/EvaluationParameters

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/EvaluationParameters

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/EvaluationParameters


EvaluationResultLayanan:Amazon Forecast Service

Hasil mengevaluasi algoritma. Kembali sebagai bagian dariGetAccuracyMetrics (p. 307)tanggapan.

Isi

AlgorithmArn

Amazon Resource Name (ARN) dari algoritma yang dievaluasi.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakTestWindows

Array jendela uji yang digunakan untuk mengevaluasi algoritma.ParameterNumberOfBacktestWindowsdariEvaluationParameters (p. 371)objek menentukan jumlahjendela dalam array.

Jenis: Array dariWindowSummary (p. 416)objek

Diperlukan: Tidak

Lihat Juga



372

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/EvaluationResult

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/EvaluationResult

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/EvaluationResult

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/EvaluationResult


ExplainabilityConfigLayanan:Amazon Forecast Service

Jenis data explainabilityConfig mendefinisikan jumlah waktu seri dan waktu poin yang disertakandalamCreateExplainability (p. 219).

Jika Anda memberikan ARN prediktor untukResourceArn, Anda harus mengaturkeduanyaTimePointGranularitydanTimeSeriesGranularityuntuk “SEMUA”. Saat membuatPredictor Explainability, Amazon Forecast mempertimbangkan semua time series dan time point.

Jika Anda memberikan perkiraan ARN untukResourceArn, Anda dapatmengaturTimePointGranularitydanTimeSeriesGranularityuntuk “SEMUA” atau “Spesifik”.

Isi

TimePointGranularity

Untuk membuat Explainability untuk semua titik waktu di cakrawala perkiraan Anda, gunakanALL.Untuk membuat Explainability untuk titik waktu tertentu di cakrawala perkiraan Anda,gunakanSPECIFIC.

Tentukan titik waktu denganStartDateTimedanEndDateTimeparameterdalamCreateExplainability (p. 219)operasi.

Jenis: Rangkaian

Nilai Valid: ALL | SPECIFIC

Diperlukan: YaTimeSeriesGranularity

Untuk membuat Explainability untuk semua seri waktu di dataset Anda, gunakanALL. Untuk membuatExplainability untuk rangkaian waktu tertentu di dataset Anda, gunakanSPECIFIC.

Tentukan rangkaian waktu dengan mengunggah file CSV ke bucket Amazon S3 dan atur lokasi didalamDataDestination (p. 360)Tipe data.

Jenis: Rangkaian

Nilai Valid: ALL | SPECIFIC

Diperlukan: Ya

Lihat Juga



373

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ExplainabilityConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ExplainabilityConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ExplainabilityConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ExplainabilityConfig


ExplainabilityExportSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan sifat ekspor Explainability yang digunakandalamListExplainabilityExports (p. 320)operasi. Untuk mendapatkan satu set lengkap properti,hubungiDescribeExplainabilityExport (p. 287)operasi, dan menyediakanExplainabilityExportArn.

Isi

CreationTime

Ketika Explainability diciptakan.

Jenis: Timestamp

Diperlukan: TidakDestination



Diperlukan: TidakExplainabilityExportArn

Amazon Resource Name (ARN) ekspor Explainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakExplainabilityExportName

Nama ekspor Explainability

Jenis: String





Jenis: Timestamp

374



Informasi tentang kesalahan yang mungkin terjadi selama ekspor Explainability.

Jenis: Tali


Status Ekspor Explainability. Negara meliputi:• ACTIVE


Jenis: String


Diperlukan: Tidak

Lihat Juga



375

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ExplainabilityExportSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ExplainabilityExportSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ExplainabilityExportSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ExplainabilityExportSummary


ExplainabilityInfoLayanan:Amazon Forecast Service

Memberikan informasi tentang sumber daya Explainability.

Isi

ExplainabilityArn


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$


Status Explainability. Negara meliputi:• ACTIVE


Jenis: String


Diperlukan: Tidak

Lihat Juga



376

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ExplainabilityInfo

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ExplainabilityInfo

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ExplainabilityInfo

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ExplainabilityInfo


ExplainabilitySummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan sifat Explainability yang digunakan dalamListExplainabilities (p. 317)operasi. Untukmendapatkan satu set lengkap properti, hubungiDescribeExplainability (p. 283)operasi, dan menyediakanterdaftarExplainabilityArn.

Isi

CreationTime

Ketika Explainability diciptakan.

Jenis: Timestamp

Diperlukan: TidakExplainabilityArn


Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakExplainabilityConfig


Tipe: Objek ExplainabilityConfig (p. 373)

Diperlukan: TidakExplainabilityName

Nama Explainability.

Jenis: String





Jenis: Timestamp

Diperlukan: Tidak

377


Message

Informasi tentang kesalahan yang mungkin terjadi selama proses pembuatan Explainability.

Jenis: Tali

Diperlukan: TidakResourceArn

Amazon Resource Name (ARN) dari Prediktor atau Forecast yang digunakan untuk membuatExplainability.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$


Status Explainability. Negara meliputi:• ACTIVE


Jenis: String


Diperlukan: Tidak

Lihat Juga



378

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ExplainabilitySummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ExplainabilitySummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ExplainabilitySummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ExplainabilitySummary


FeaturizationLayanan:Amazon Forecast Service

Note

Objek ini milikCreatePredictor (p. 235)operasi. Jika Anda membuat prediktor AndadenganCreateAutoPredictor (p. 200), lihatAttributeConfig (p. 354).

Menyediakan featurization (transformasi) informasi untuk bidang dataset. Objek ini adalah bagiandariFeaturizationConfig (p. 381)objek.

Misalnya:

{

"AttributeName": "demand",

FeaturizationPipeline [ {

"FeaturizationMethodName": "filling",

"FeaturizationMethodParameters": {"aggregation": "avg", "backfill": "nan"}

} ]

}

Isi

AttributeName

Nama atribut skema yang menentukan bidang data yang akan featurized. Amazon Forecastmendukung bidang targetTARGET_TIME_SERIESdanRELATED_TIME_SERIESset data.Misalnya, untukRETAILdomain, targetnya adalahdemand, dan untukCUSTOMdomain, targetnyaadalahtarget_value. Untuk informasi selengkapnya, lihat Menangani Nilai Hilang (p. 59).

Jenis: String



Diperlukan: YaFeaturizationPipeline

Susunan rangkaianFeaturizationMethodobjek yang menentukan metode transformasi fitur.

Jenis: SusunanFeaturizationMethod (p. 383)objek

Anggota Array: Jumlah tetap 1 item.

Diperlukan: Tidak

Lihat Juga


• AWSSDK for C++

379

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Featurization


• AWSSDK for Go• AWSSDK for Java V2• AWSSDK for Ruby V3

380

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Featurization

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/Featurization

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Featurization


FeaturizationConfigLayanan:Amazon Forecast Service

Note

Objek ini milikCreatePredictor (p. 235)operasi. Jika Anda membuat prediktor AndadenganCreateAutoPredictor (p. 200), lihatAttributeConfig (p. 354).

DalamCreatePredictor (p. 235)operasi, algoritma yang ditentukan melatih model menggunakan kelompokdataset tertentu. Anda dapat memberi tahu operasi untuk memodifikasi bidang data sebelum melatihmodel. Modifikasi ini disebut sebagaifeaturisasi.

Anda mendefinisikan featurization menggunakanFeaturizationConfigobjek. Anda menentukanarray transformasi, satu untuk setiap bidang yang ingin Anda featurize. Anda kemudianmenyertakanFeaturizationConfigobjek diCreatePredictorpermintaan. Amazon Forecastmenerapkan featurisasi keTARGET_TIME_SERIESdanRELATED_TIME_SERIESdataset sebelum pelatihanmodel.

Anda dapat membuat beberapa konfigurasi featurization. Misalnya, Anda dapatmemanggilCreatePredictoroperasi dua kali dengan menentukan konfigurasi featurization yangberbeda.

Isi

Featurizations

Array featurization (transformasi) informasi untuk bidang dataset.

Jenis: ArrayFeaturization (p. 379)objek


Diperlukan: TidakForecastDimensions

Array dimensi (field) nama yang menentukan bagaimana mengelompokkan perkiraan yang dihasilkan.

Misalnya, misalkan Anda menghasilkan perkiraan untuk penjualan barang di semua toko Anda, dandataset Anda berisistore_idbidang. Jika Anda ingin perkiraan penjualan untuk setiap item oleh toko,Anda akan menentukanstore_idsebagai dimensi.

Semua dimensi perkiraan yang ditentukan dalamTARGET_TIME_SERIESdataset tidak perluditentukan dalamCreatePredictorpermintaan. Semua dimensi perkiraan yang ditentukandalamRELATED_TIME_SERIESdataset harus ditentukan dalamCreatePredictorpermintaan.

Jenis: Array string




Diperlukan: TidakForecastFrequency



381


Frekuensi harus lebih besar atau sama dengan frekuensi dataset TARGET_TIME_SERIES.

Ketika dataset RELATED_TIME_SERIES disediakan, frekuensi harus sama dengan frekuensi datasetRELATED_TIME_SERIES.

Jenis: String



Diperlukan: Ya

Lihat Juga



382

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/FeaturizationConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/FeaturizationConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/FeaturizationConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/FeaturizationConfig


FeaturizationMethodLayanan:Amazon Forecast Service

Menyediakan informasi tentang metode yang featurizes (transformasi) bidang dataset. Metode ini adalahbagian dariFeaturizationPipelinedariFeaturization (p. 379)objek.

Berikut ini adalah contoh bagaimana Anda menentukanFeaturizationMethodobjek.

{

"FeaturizationMethodName": "filling",

"FeaturizationMethodParameters": {"aggregation": "sum", "middlefill": "zero","backfill": "zero"}

}

Isi

FeaturizationMethodName

Nama metode. Metode “pengisian” adalah satu-satunya metode yang didukung.

Jenis: Rangkaian

Nilai Valid: filling

Diperlukan: YaFeaturizationMethodParameters

Parameter metode (pasangan kunci-nilai), yang merupakan peta parameter override. Tentukanparameter ini untuk menimpa nilai default. Atribut Seri Waktu terkait tidak menerima parameteragregasi.

Daftar berikut menunjukkan parameter dan nilai-nilai valid mereka untuk “mengisi” metode featurizationuntukSeri Waktu Targetset data. Bold menandakan nilai default.• aggregation:jumlah,avg,first,min,max• frontfill:tidak ada• middlefill:nol,nan(bukan nomor),value,median,mean,min,max• backfill:nol,nan,value,median,mean,min,max

Daftar berikut menunjukkan parameter dan nilai yang valid untukSeri Waktu Terkaitmetodefeaturization (tidak ada default):• middlefill: zero, value, median, mean, min, max• backfill: zero, value, median, mean, min, max• futurefill: zero, value, median, mean, min, max

Untuk mengatur metode pengisian ke nilai tertentu, atur parameter isi kevaluedan menentukan nilaidalam sesuai_valueparameter. Misalnya, untuk mengatur penimbunan kembali ke nilai 2, sertakanyang berikut ini:"backfill": "value"dan"backfill_value":"2".

Jenis: Peta string ke string


Kendala Panjang Kunci: Panjang maksimum 256.

Pola Kunci: ^[a-zA-Z0-9\-\_\.\/\[\]\,\\]+$

383


Kendala Panjang Nilai: Panjang maksimum 256.

Pola nilai: ^[a-zA-Z0-9\-\_\.\/\[\]\,\"\\\s]+$

Diperlukan: Tidak

Lihat Juga



384

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/FeaturizationMethod

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/FeaturizationMethod

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/FeaturizationMethod

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/FeaturizationMethod


FilterLayanan:Amazon Forecast Service

Menjelaskan filter untuk memilih subset objek. Setiap filter terdiri dari kondisi dan pernyataan pertandingan.Kondisinya baikISatauIS_NOT, yang menentukan apakah akan menyertakan atau mengecualikan objekyang sesuai dengan pernyataan, masing-masing. Pernyataan pertandingan terdiri dari kunci dan nilai.

Isi

Condition

Kondisi untuk diterapkan. Untuk menyertakan objek yang cocok dengan pernyataan, tentukanIS.Untuk mengecualikan objek yang cocok, tentukanIS_NOT.

Jenis: Rangkaian

Nilai Valid: IS | IS_NOT

Diperlukan: YaKey

Nama parameter untuk disaring.

Jenis: String


Pola: ^[a-zA-Z0-9\_]+$

Diperlukan: YaValue

Nilai untuk mencocokkan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Lihat Juga



385

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Filter

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Filter

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/Filter

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Filter


ForecastExportJobSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan properti pekerjaan ekspor perkiraan yang digunakandalamListForecastExportJobs (p. 323)operasi. Untuk mendapatkan set lengkap properti,hubungiDescribeForecastExportJob (p. 294)operasi, dan menyediakan terdaftarForecastExportJobArn.

Isi

CreationTime

Ketika pekerjaan ekspor perkiraan dibuat.

Jenis: Timestamp


Jalur ke bucket Amazon Simple Storage Service (Amazon S3) tempat perkiraan diekspor.


Diperlukan: TidakForecastExportJobArn

Amazon Resource Name (ARN) tugas ekspor perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakForecastExportJobName

Nama tugas ekspor perkiraan.

Jenis: String





Jenis: Timestamp

Diperlukan: Tidak

386


Message

Jika terjadi kesalahan, pesan informasi tentang kesalahan tersebut.

Jenis: Tali


Status tugas ekspor perkiraan. Negara meliputi:• ACTIVE


Note

ParameterStatusdari pekerjaan ekspor perkiraan harusACTIVEsebelum Anda dapatmengakses perkiraan di bucket S3 Anda.

Jenis: String


Diperlukan: Tidak

Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasaAWSSDK, lihat berikut ini:


387

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ForecastExportJobSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ForecastExportJobSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ForecastExportJobSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ForecastExportJobSummary


ForecastSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan properti perkiraan yang digunakan dalamListForecasts (p. 326)operasi.Untuk mendapatkan set lengkap properti, hubungiDescribeForecast (p. 290)operasi, danmenyediakanForecastArnyang tercantum dalam ringkasan.

Isi

CreatedUsingAutoPredictor

Apakah Forecast dibuat dari AutoPredictor.

Jenis: Boolean

Diperlukan: TidakCreationTime

Ketika tugas pembuatan ramalan dibuat.

Jenis: Timestamp


Amazon Resource Name (ARN) kumpulan data yang menyediakan data yang digunakan untuk melatihprediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\_]+$

Diperlukan: TidakForecastArn

ARN dari perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakForecastName

Nama ramalan.

Jenis: String




Terakhir kali sumber daya dimodifikasi. Stempel waktu tergantung pada status tugas:

388


• CREATE_PENDING- TheCreationTime.• CREATE_IN_PROGRESS- Stempel waktu saat ini.• CREATE_STOPPING- Stempel waktu saat ini.• CREATE_STOPPED- Ketika pekerjaan berhenti.• ACTIVEatauCREATE_FAILED- Ketika pekerjaan selesai atau gagal.

Jenis: Timestamp



Jenis: Tali

Diperlukan: TidakPredictorArn

ARN dari prediktor digunakan untuk menghasilkan perkiraan.

Jenis: String


Pola: ^[a-zA-Z0-9\_]+$


Status perkiraan. Negara meliputi:• ACTIVE


Note

ParameterStatusdari perkiraan harusACTIVEsebelum Anda dapat query atau eksporperkiraan.

Jenis: String


Diperlukan: Tidak



389

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ForecastSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ForecastSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ForecastSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ForecastSummary


HyperParameterTuningJobConfigLayanan:Amazon Forecast Service

Informasi konfigurasi untuk pekerjaan penyetelan hyperparameter. Anda menentukan objek inidiCreatePredictor (p. 235)permintaan.

SEBUAHhyperparameteradalah parameter yang mengatur proses pelatihan model. Anda mengaturhyperparameters sebelum pelatihan dimulai, tidak seperti parameter model, yang ditentukan selamapelatihan. Nilai-nilai efek hyperparameters yang nilai-nilai yang dipilih untuk parameter model.

Dalamhyperparameter penyetelan, Amazon Forecast memilih kumpulan nilai hyperparameter yangmengoptimalkan metrik tertentu. Forecast menyelesaikan hal ini dengan menjalankan banyak pekerjaanpelatihan atas berbagai nilai hyperparameter. Set optimal nilai tergantung pada algoritma, data pelatihan,dan tujuan metrik yang ditentukan.

Isi

ParameterRanges

Menentukan rentang nilai yang valid untuk hyperparameters.

Tipe: Objek ParameterRanges (p. 395)

Diperlukan: Tidak

Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khususAWSSDK, lihat berikutini:


390

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/HyperParameterTuningJobConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/HyperParameterTuningJobConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/HyperParameterTuningJobConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/HyperParameterTuningJobConfig


InputDataConfigLayanan:Amazon Forecast Service

Note

Objek ini milikCreatePredictor (p. 235)operasi. Jika Anda membuat prediktor AndadenganCreateAutoPredictor (p. 200), lihatDataConfig (p. 359).

Data yang digunakan untuk melatih prediktor. Data mencakup kelompok dataset dan fitur tambahan apapun. Anda menentukan objek ini diCreatePredictor (p. 235)permintaan.

Isi

DatasetGroupArn

Amazon Resource Name (ARN) grup set data.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: YaSupplementaryFeatures

Array fitur tambahan. Satu-satunya fitur yang didukung adalah kalender liburan.

Jenis: ArraySupplementaryFeature (p. 409)objek


Diperlukan: Tidak

Lihat Juga



391

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/InputDataConfig

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/InputDataConfig

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/InputDataConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/InputDataConfig


IntegerParameterRangeLayanan:Amazon Forecast Service

Menentukan hyperparameter integer dan itu berbagai nilai-nilai merdu. Objek ini adalah bagiandariParameterRanges (p. 395)objek.

Isi

MaxValue

Nilai merdu maksimum dari hyperparameter.

Jenis: Bulat

Diperlukan: YaMinValue

Nilai merdu minimum dari hyperparameter.

Jenis: Bulat

Diperlukan: YaName

Nama hyperparameter untuk menyetel.

Jenis: String



Diperlukan: YaScalingType

Skala yang digunakan penyetelan hyperparameter untuk mencari rentang hyperparameter. Nilai yangvalid:Otomatis

Penyetelan hyperparameter Amazon Forecast memilih skala terbaik untuk hyperparameter.linier

Penyetelan Hyperparameter mencari nilai dalam rentang hyperparameter dengan menggunakanskala linier.

Logaritmik

Penyetelan Hyperparameter mencari nilai dalam rentang hyperparameter dengan menggunakanskala logaritmik.

Penskalaan logaritmik hanya berfungsi untuk rentang yang memiliki nilai lebih besar dari 0.ReverseLogarithmic

Tidak didukungIntegerParameterRange.

Penskalaan logaritmik terbalik hanya berfungsi untuk rentang yang seluruhnya berada dalamkisaran 0 <= x < 1.0.

Untuk informasi tentang memilih skala hyperparameter, lihatPenskalaan Hyperparameter. Salah satunilai berikut:

392

https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-define-ranges.html#scaling-type


Jenis: Rangkaian

Nilai Valid: Auto | Linear | Logarithmic | ReverseLogarithmic

Diperlukan: Tidak

Lihat Juga



393

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/IntegerParameterRange

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/IntegerParameterRange

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/IntegerParameterRange

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/IntegerParameterRange


MetricsLayanan:Amazon Forecast Service

Menyediakan metrik yang digunakan untuk mengevaluasi performa prediktor. Objek ini adalah bagiandariWindowSummary (p. 416)objek.

Isi

AverageWeightedQuantileLoss

Nilai rata-rata dari semua kerugian kuantil tertimbang.

Jenis: Double

Diperlukan: TidakErrorMetrics

Menyediakan metrik kesalahan rinci untuk setiap jenis perkiraan. Metrik termasuk root-mean square-error (RMSE), mean absolute percentage error (MAPE), mean absolute scaled error (MASE), dantertimbang rata-rata persentase error (WAPE).

Jenis: ArrayErrorMetric (p. 369)objek

Diperlukan: TidakRMSE

Anggota ini sudah tidak lagi digunakan.

Kesalahan akar-mean-persegi (RMSE).

Jenis: Double

Diperlukan: TidakWeightedQuantileLosses

Sebuah array kerugian kuantil tertimbang. Kuantil membagi distribusi probabilitas ke daerahprobabilitas yang sama. Distribusi dalam hal ini adalah fungsi loss.

Jenis: ArrayWeightedQuantileLoss (p. 415)objek

Diperlukan: Tidak

Lihat Juga



394

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Metrics

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Metrics

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/Metrics

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Metrics


ParameterRangesLayanan:Amazon Forecast Service

Menentukan kategoris, kontinu, dan integer hyperparameters, dan rentang mereka nilai-nilai merdu. Kisaran nilai merdu menentukan nilai mana yang dapat dipilih oleh pekerjaanpenyetelan hyperparameter untuk hyperparameter yang ditentukan. Objek ini adalah bagiandariHyperParameterTuningJobConfig (p. 390)objek.

Isi

CategoricalParameterRanges

Menentukan rentang merdu untuk setiap hyperparameter kategoris.

Jenis: ArrayCategoricalParameterRange (p. 356)objek


Diperlukan: TidakContinuousParameterRanges

Menentukan rentang merdu untuk setiap hyperparameter terus menerus.

Jenis: ArrayContinuousParameterRange (p. 357)objek


Diperlukan: TidakIntegerParameterRanges

Menentukan rentang merdu untuk setiap hyperparameter integer.

Jenis: ArrayIntegerParameterRange (p. 392)objek


Diperlukan: Tidak

Lihat Juga



395

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ParameterRanges

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ParameterRanges

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ParameterRanges

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ParameterRanges


PredictorBacktestExportJobSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan prediktor backtest properti pekerjaan ekspor yang digunakandalamListPredictorBacktestExportJobs (p. 329)operasi. Untuk mendapatkan satu set lengkapproperti, hubungiDescribePredictorBacktestExportJob (p. 304)operasi, dan menyediakanterdaftarPredictorBacktestExportJobArn.

Isi

CreationTime

Ketika prediktor backtest pekerjaan ekspor diciptakan.

Jenis: Timestamp






Jenis: Timestamp


Informasi tentang kesalahan yang mungkin terjadi selama ekspor backtest.

Jenis: Tali

Diperlukan: TidakPredictorBacktestExportJobArn

Amazon Resource Name (ARN) tugas ekspor backtest prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Tidak

396


PredictorBacktestExportJobName

Nama tugas ekspor backtest.

Jenis: String




Status tugas ekspor backtest. Negara meliputi:• ACTIVE


Jenis: String


Diperlukan: Tidak

Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API ini di salah satu dari spesifik bahasaAWSSDK,lihat berikut ini:


397

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/PredictorBacktestExportJobSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/PredictorBacktestExportJobSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/PredictorBacktestExportJobSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorBacktestExportJobSummary


PredictorExecutionLayanan:Amazon Forecast Service

Algoritma yang digunakan untuk melakukan backtest dan status tes tersebut.

Isi

AlgorithmArn

ARN algoritma yang digunakan untuk menguji prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakTestWindows

Array jendela uji yang digunakan untuk mengevaluasi algoritma.ParameterNumberOfBacktestWindowsdariEvaluationParameters (p. 371)objek menentukan jumlahjendela dalam array.

Jenis: ArrayTestWindowSummary (p. 414)objek

Diperlukan: Tidak

Lihat Juga



398

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/PredictorExecution

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/PredictorExecution

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/PredictorExecution

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorExecution


PredictorExecutionDetailsLayanan:Amazon Forecast Service

Berisi rincian tentang backtests dilakukan untuk mengevaluasi keakuratan prediktor. Tes dikembalikandalam urutan akurasi, dengan backtest paling akurat muncul pertama. Anda menentukan jumlah backtestsuntuk melakukan ketika Anda memanggilCreatePredictor (p. 235)operasi.

Isi

PredictorExecutions

Array backtests dilakukan untuk mengevaluasi keakuratan prediktor terhadap algoritma tertentu.ParameterNumberOfBacktestWindowsdariEvaluationParameters (p. 371)objek menentukan jumlahjendela dalam array.

Jenis: ArrayPredictorExecution (p. 398)objek


Diperlukan: Tidak

Lihat Juga



399

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/PredictorExecutionDetails

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/PredictorExecutionDetails

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/PredictorExecutionDetails

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorExecutionDetails


PredictorSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan dari sifat prediktor yang digunakan dalamListPredictors (p. 332)operasi. Untukmendapatkan set lengkap properti, hubungiDescribePredictor (p. 297)operasi, dan menyediakanterdaftarPredictorArn.

Isi

CreationTime

Ketika tugas pelatihan model diciptakan.

Jenis: Timestamp


Amazon Resource Name (ARN) grup data yang berisi data yang digunakan untuk melatih prediktor.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakIsAutoPredictor

Apakah AutoPredictor digunakan untuk membuat prediktor.

Jenis: Boolean



Jenis: Timestamp



Jenis: Tali

Diperlukan: TidakPredictorArn

ARN dari prediktor.

Jenis: String

400



Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakPredictorName

Nama prediktor.

Jenis: String



Diperlukan: TidakReferencePredictorSummary

Ringkasan prediktor referensi yang digunakan jika prediktor dilatih ulang atau ditingkatkan.

Tipe: Objek ReferencePredictorSummary (p. 402)


Status prediktor. Negara meliputi:• ACTIVE


Note

ParameterStatusdari prediktor harusACTIVEsebelum Anda dapat menggunakan prediktoruntuk membuat perkiraan.

Jenis: String


Diperlukan: Tidak

Lihat Juga



401

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/PredictorSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/PredictorSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/PredictorSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorSummary


ReferencePredictorSummaryLayanan:Amazon Forecast Service

Menyediakan ringkasan prediktor referensi yang digunakan saat melatih ulang atau meningkatkanprediktor.

Isi

Arn

ARN dari prediktor referensi.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: TidakState

Apakah prediktor referensiActiveatauDeleted.

Jenis: Rangkaian

Nilai Valid: Active | Deleted

Diperlukan: Tidak

Lihat Juga



402

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/ReferencePredictorSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/ReferencePredictorSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/ReferencePredictorSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ReferencePredictorSummary


S3ConfigLayanan:Amazon Forecast Service

Jalur ke file di bucket Amazon Simple Storage Service (Amazon S3), dan peran AWS Identityand Access Management (IAM) yang dapat diasumsikan Amazon Forecast untuk mengakses file.Secara opsional, termasuk kunci AWS Key Management Service (KMS). Objek ini adalah bagiandariDataSource (p. 367)objek yang diajukan dalamCreateDatasetImportJob (p. 214)permintaan, danbagian dariDataDestination (p. 360)objek.

Isi

KMSKeyArn

Amazon Resource Name (ARN) dari kunci AWS Key Management Service (KMS).

Jenis: String


Pola: arn:aws:kms:.*:key/.*

Diperlukan: TidakPath

Jalur ke bucket Amazon Simple Storage Service (Amazon S3) di bucket Amazon S3.

Jenis: String


Pola: ^s3://[a-z0-9].+$

Diperlukan: YaRoleArn

ARN dari peran AWS Identity and Access Management (IAM) yang dapat diasumsikanAmazon Forecast untuk mengakses bucket atau file Amazon S3. Jika Anda memberikan nilaiuntukKMSKeyArnkunci, peran harus memungkinkan akses ke kunci.

Melewati peran di seluruh akun AWS tidak diperbolehkan. Jika Anda lulus peran yang tidak ada diakun Anda, Anda mendapatkanInvalidInputExceptionkesalahan.

Jenis: String


Pola: ^[a-zA-Z0-9\-\_\.\/\:]+$

Diperlukan: Ya

Lihat Juga


• AWSSDK for C++• AWSSDK for Go• AWSSDK for Java V2

403

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/S3Config

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/S3Config

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/S3Config


• AWSSDK for Ruby V3

404

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/S3Config


SchemaLayanan:Amazon Forecast Service


Isi

Attributes

Array atribut menentukan nama dan jenis setiap bidang dalam dataset.

Jenis: ArraySchemaAttribute (p. 406)objek


Diperlukan: Tidak

Lihat Juga



405

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Schema

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Schema

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/Schema

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Schema


SchemaAttributeLayanan:Amazon Forecast Service

Atribut skema, yang mendefinisikan bidang dataset. Sebuah atribut skema diperlukan untuk setiap bidangdalam dataset. ParameterSkemaobjek berisi arraySchemaAttributebenda.

Isi

AttributeName

Nama bidang data.

Jenis: String



Diperlukan: TidakAttributeType

Jenis data dari bidang.

Untuk dataset seri waktu terkait, selain tanggal, item_id, dan perkiraan dimensi atribut, semua atributharus tipe numerik (integer/float).

Jenis: Rangkaian

Nilai Valid: string | integer | float | timestamp | geolocation

Diperlukan: Tidak

Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa tertentuAWSSDK, lihat yangberikut ini:


406

https://docs.aws.amazon.com/forecast/latest/dg/API_Schema.html

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/SchemaAttribute

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/SchemaAttribute

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/SchemaAttribute

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/SchemaAttribute


StatisticsLayanan:Amazon Forecast Service

Menyediakan statistik untuk setiap bidang data yang diimpor ke dalam dataset Amazon ForecastdenganCreateDatasetImportJoboperasi.

Isi

Avg

Untuk bidang numerik, nilai rata-rata di lapangan.

Jenis: Double

Diperlukan: TidakCount

Jumlah nilai di lapangan. Jika nilai respon adalah -1, lihatCountLong.

Jenis: Bulat

Diperlukan: TidakCountDistinct

Jumlah nilai yang berbeda di lapangan. Jika nilai respon adalah -1, lihatCountDistinctLong.

Jenis: Bulat

Diperlukan: TidakCountDistinctLong

Jumlah nilai yang berbeda di lapangan.CountDistinctLongdigunakan sebagaipenggantiCountDistinctjika nilainya lebih besar dari 2,147,483,647.

Jenis: Long

Diperlukan: TidakCountLong

Jumlah nilai di lapangan.CountLongdigunakan sebagai penggantiCountjika nilainya lebih besar dari2,147,483,647.

Jenis: Long

Diperlukan: TidakCountNan

Jumlah NAN (bukan angka) nilai di lapangan. Jika nilai respon adalah -1, lihatCountNanLong.

Jenis: Bulat

Diperlukan: TidakCountNanLong

Jumlah NAN (bukan angka) nilai di lapangan.CountNanLongdigunakan sebagaipenggantiCountNanjika nilainya lebih besar dari 2,147,483,647.

Jenis: Long

407



Diperlukan: TidakCountNull

Jumlah nilai nol di lapangan. Jika nilai respon adalah -1, lihatCountNullLong.

Jenis: Bulat

Diperlukan: TidakCountNullLong

Jumlah nilai nol di lapangan.CountNullLongdigunakan sebagai penggantiCountNulljika nilainyalebih besar dari 2,147,483,647.

Jenis: Long

Diperlukan: TidakMax

Untuk bidang numerik, nilai maksimum di lapangan.

Jenis: String


Pola: ^[a-zA-Z0-9\_]+$

Diperlukan: TidakMin

Untuk bidang numerik, nilai minimum di lapangan.

Jenis: String


Pola: ^[a-zA-Z0-9\_]+$

Diperlukan: TidakStddev

Untuk bidang numerik, standar deviasi.

Jenis: Double

Diperlukan: Tidak

Lihat Juga



408

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Statistics

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Statistics

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/Statistics

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Statistics


SupplementaryFeatureLayanan:Amazon Forecast Service

Note

Objek ini milikCreatePredictor (p. 235)operasi Jika Anda membuat prediktor AndadenganCreateAutoPredictor (p. 200), lihatAdditionalDataset (p. 351).

Menjelaskan fitur tambahan dari grup dataset. Objek ini adalah bagian dariInputDataConfig (p. 391)objekForecast mendukung Indeks Cuaca dan Liburan built-in featurizations.

Indeks cuaca

Amazon Forecast Weather Index adalah featurisasi bawaan yang menggabungkan informasi cuaca historisdan proyeksi ke dalam model Anda. Indeks Cuaca melengkapi dataset Anda dengan lebih dari dua tahundata cuaca historis dan hingga 14 hari data cuaca yang diproyeksikan. Untuk informasi selengkapnya,lihatAmazon Forecast.

Liburan

Holidays adalah featurization built-in yang menggabungkan dataset fitur direkayasa informasi hari liburnasional ke dalam model Anda. Ini memberikan dukungan asli untuk kalender liburan 66 negara. Untukmelihat kalender liburan, lihatJollydayperpustakaan Untuk informasi selengkapnya, lihatFeaturisasi.

Isi

Name

Nama fitur. Nilai yang valid: "holiday" dan "weather".

Jenis: String



Diperlukan: YaValue

Indeks cuaca

Untuk mengaktifkan Indeks Cuaca, atur nilainya ke"true"

Liburan

Untuk mengaktifkan Liburan, tentukan negara dengan salah satu kode negara dua huruf berikut ini:• “AL” - ALBANIA• “AR” - ARGENTINA• “DI” - AUSTRIA• “AU” - AUSTRALIA• “BA” - BOSNIA HERZEGOVINA• “BE” - BELGIUM• “BG” - BULGARIA• “BO” - BOLIVIA• “BR” - BRAZIL• “OLEH” - BELARUS• “CA” - KANADA

409



https://docs.aws.amazon.com/forecast/latest/dg/holidays.html


• “CL” - CHILE• “CO” - KOLOMBIA• “CR” - KOSTA RIKA• “HR” - KROASIA• “CZ” - REPUBLIK CEKO• “DK” - DENMARK• “EC” - EKUADOR• “EE” - ESTONIA• “ET” - ETHIOPIA• “FI” - FINLANDIA• “FR” - PERANCIS• “DE” - JERMAN• “GR” - YUNANI• “HU” - HONGARIA• “ADALAH” - ISLANDIA• “DI” - INDIA• “YAITU” - IRLANDIA• “ITU” - ITALIA• “JP” - JEPANG• “KZ” - KAZAKHSTAN• “KR” - KOREA• “LV” - LATVIA• “LI” - LIECHTENSTEIN• “LT” - LITHUANIA• “LU” - LUKSEMBURG• “MK” - MAKEDONIA• “MT” - MALTA• “MX” - MEKSIKO• “MD” - MOLDOVA• “SAYA” - MONTENEGRO• “NL” - BELANDA• “NZ” - SELANDIA BARU• “NI” - NIKARAGUA• “NG” - NIGERIA• “TIDAK” - NORWAY• “PA” - PANAMA• “PY” - PARAGUAY• “PE” - PERU• “PL” - POLANDIA• “PT” - PORTUGAL• “RO” - ROMANIA• “RU” - RUSIA• “RS” - SERBIA• “SK” - SLOVAKIA• “SI” - SLOVENIA• “ZA” - AFRIKA SELATAN

410


• “ES” - SPANYOL• “SE” - SWEDIA• “CH” - SWISS• “UA” - UKRAINA• “AE” - EMIRAT ARAB BERSATU• “KAMI” - AMERIKA SERIKAT• “UK” - INGGRIS• “UY” - URUGUAY• “VE” - VENEZUELA

Jenis: String


Pola: ^[a-zA-Z0-9\_\-]+$

Diperlukan: Ya

Lihat Juga



411

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/SupplementaryFeature

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/SupplementaryFeature

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/SupplementaryFeature

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/SupplementaryFeature


TagLayanan:Amazon Forecast Service

Metadata opsional yang Anda terapkan ke sumber daya untuk membantu Anda mengkategorikan danmengaturnya. Setiap tanda terdiri atas sebuah kunci dan sebuah nilai opsional, yang keduanya Andatentukan.

Batasan dasar berikut berlaku untuk tanda:

• Jumlah maksimum tanda per sumber daya - 50.• Untuk setiap sumber daya, setiap kunci tanda harus unik, dan setiap kunci tanda hanya dapat memiliki

satu nilai.• Panjang kunci maksimum - 128 karakter Unicode dalam UTF-8.• Panjang nilai maksimum - 256 karakter Unicode dalam UTF-8.• Jika skema penandaan Anda digunakan di beberapa layanan dan sumber daya, ingatlah bahwa layanan

lain mungkin memiliki pembatasan pada karakter yang diizinkan. Karakter-karakter yang diizinkan secaraumum adalah: huruf, angka, dan spasi yang dapat diwakili dalam UTF-8, beserta karakter-karakterberikut: + - = . _ : / @.

• Kunci dan nilai tag peka huruf besar dan kecil.• Jangan gunakanaws:,AWS:, atau kombinasi huruf besar atau kecil dari itu semua sebagai prefiks untuk

kunci karena dicadangkan untuk penggunaan AWS. Anda tidak dapat mengedit atau menghapus kuncitag dengan awalan ini. Nilai dapat memiliki awalan ini. Jika nilai tag memilikiawssebagai awalan tapikuncinya tidak, maka Forecast menganggapnya sebagai tag pengguna dan akan menghitung terhadapbatas 50 tag. Tag dengan hanya key prefix dariawsjangan dihitung terhadap tag Anda per batas sumberdaya.

Isi

Key

Satu bagian dari pasangan nilai kunci yang membentuk tanda. SEBUAHkeyadalah label umum yangbertindak seperti kategori untuk nilai tag yang lebih spesifik.

Jenis: String


Pola: ^([\p{L}\p{Z}\p{N}_.:/=+\-@]*)$

Diperlukan: YaValue

Bagian opsional pasangan nilai kunci yang membentuk tanda. SEBUAHvaluebertindak sebagaideskriptor dalam kategori tag (kunci).

Jenis: String


Pola: ^([\p{L}\p{Z}\p{N}_.:/=+\-@]*)$

Diperlukan: Ya

Lihat JugaUntuk informasi selengkapnya tentang penggunaan API ini di salah satu bahasaAWSSDK, lihat berikut ini:

412



413

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Tag

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Tag

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/Tag

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Tag


TestWindowSummaryLayanan:Amazon Forecast Service

Status, waktu mulai, dan waktu akhir backtest, serta alasan kegagalan jika berlaku.

Isi

Message

Jika tes gagal, alasan mengapa gagal.

Jenis: Tali


Status tes. Kemungkinan nilai adalah:• ACTIVE

• CREATE_IN_PROGRESS

• CREATE_FAILED

Jenis: String


Diperlukan: TidakTestWindowEnd

Waktu di mana tes berakhir.

Jenis: Timestamp

Diperlukan: TidakTestWindowStart

Waktu tes dimulai.

Jenis: Timestamp

Diperlukan: Tidak

Lihat Juga



414

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/TestWindowSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/TestWindowSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/TestWindowSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/TestWindowSummary


WeightedQuantileLossLayanan:Amazon Forecast Service

Nilai kerugian tertimbang untuk kuantil. Objek ini adalah bagian dariMetrics (p. 394)objek.

Isi

LossValue

Perbedaan antara nilai yang diprediksi dan nilai aktual atas kuantil, tertimbang (dinormalisasi) denganmembagi dengan jumlah atas semua kuantil.

Jenis: Double

Diperlukan: TidakQuantile

Kuantil. Kuantil membagi distribusi probabilitas ke daerah probabilitas yang sama. Misalnya, jikadistribusi dibagi menjadi 5 wilayah probabilitas yang sama, kuantil akan 0,2, 0,4, 0,6, dan 0,8.

Jenis: Double

Diperlukan: Tidak

Lihat Juga



415

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/WeightedQuantileLoss

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/WeightedQuantileLoss

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/WeightedQuantileLoss

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/WeightedQuantileLoss


WindowSummaryLayanan:Amazon Forecast Service

Metrik untuk rentang waktu dalam bagian evaluasi dataset. Objek ini adalah bagiandariEvaluationResult (p. 372)objek.

ParameterTestWindowStartdanTestWindowEndditentukanolehBackTestWindowOffsetparameterEvaluationParameters (p. 371)objek.

Isi

EvaluationType

Jenis evaluasi.• SUMMARY- Metrik rata-rata di semua jendela.• COMPUTED- Metrik untuk jendela yang ditentukan.

Jenis: Rangkaian

Nilai Valid: SUMMARY | COMPUTED

Diperlukan: TidakItemCount

Jumlah titik data dalam jendela.

Jenis: Bulat

Diperlukan: TidakMetrics

Menyediakan metrik yang digunakan untuk mengevaluasi performa prediktor.

Tipe: Objek Metrics (p. 394)

Diperlukan: TidakTestWindowEnd

Cap waktu yang mendefinisikan akhir jendela.

Jenis: Timestamp

Diperlukan: TidakTestWindowStart

Cap waktu yang mendefinisikan awal jendela.

Jenis: Timestamp

Diperlukan: Tidak

Lihat Juga

Untuk informasi selengkapnya tentang penggunaan API di salah satu bahasa yang spesifikAWSSDK, lihatyang berikut ini:

• AWSSDK for C++

416

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/WindowSummary


• AWSSDK for Go• AWSSDK for Java V2• AWSSDK for Ruby V3

Kueri Amazon Forecasttipe data berikut didukung oleh Amazon Forecast Query:

• DataPoint (p. 418)• Forecast (p. 419)

417

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/WindowSummary

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecast-2018-06-26/WindowSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/WindowSummary


DataPointLayanan:Amazon Forecast Query Service

Nilai perkiraan untuk tanggal tertentu. Bagian dariForecast (p. 419)objek.

Isi

Timestamp

Cap waktu dari perkiraan spesifik.

Jenis: Tali

Diperlukan: TidakValue

Nilai perkiraan.

Jenis: Double

Diperlukan: Tidak

Lihat Juga



418

https://docs.aws.amazon.com/goto/SdkForCpp/forecastquery-2018-06-26/DataPoint

https://docs.aws.amazon.com/goto/SdkForGoV1/forecastquery-2018-06-26/DataPoint

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecastquery-2018-06-26/DataPoint

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecastquery-2018-06-26/DataPoint

Amazon Forecast Panduan DeveloperKesalahan Umum

ForecastLayanan:Amazon Forecast Query Service

Menyediakan informasi tentang prakiraan. Kembali sebagai bagian dariQueryForecast (p. 345)tanggapan.

Isi

Predictions

Perkiraan.

Parametertalipeta string-to-array adalah salah satu dari nilai berikut:• p10• p50• p90

Pengaturan default-nya adalah ["0.1", "0.5", "0.9"]. GunakanopsionalForecastTypesparameterCreateForecastoperasi untuk mengubah nilai-nilai. Nilai-nilai akanbervariasi tergantung pada bagaimana ini diatur, dengan minimal1dan maksimal5.

Jenis: String ke arrayDataPoint (p. 418)objek peta

Kendala Panjang Kunci: Panjang maksimum 4.

Diperlukan: Tidak

Lihat JugaUntuk informasi selengkapnya tentang penggunaan API di salah satu bahasa khususAWSSDK, lihat yangberikut ini:


Kesalahan UmumBagian ini berisi daftar kesalahan yang umum terjadi pada tindakan API dari semua layanan AWS. Untukkesalahan khusus pada tindakan API untuk layanan ini, lihat topik untuk tindakan API tersebut.

AccessDeniedException

Anda tidak memiliki akses yang memadai untuk melakukan tindakan ini.

Kode Status HTTP: 400IncompleteSignature

Tanda tangan permintaan tidak sesuai dengan standar AWS.

Kode Status HTTP: 400InternalFailure

Pemrosesan permintaan telah gagal karena kesalahan yang tidak diketahui, pengecualian ataukegagalan.

419


https://docs.aws.amazon.com/goto/SdkForCpp/forecastquery-2018-06-26/Forecast

https://docs.aws.amazon.com/goto/SdkForGoV1/forecastquery-2018-06-26/Forecast

https://docs.aws.amazon.com/goto/SdkForJavaV2/forecastquery-2018-06-26/Forecast

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecastquery-2018-06-26/Forecast

Amazon Forecast Panduan DeveloperKesalahan Umum

Kode Status HTTP: 500InvalidAction

Tindakan atau operasi yang diminta tidak valid. Verifikasi bahwa tindakan diketik dengan benar.

Kode Status HTTP: 400InvalidClientTokenId

Sertifikat X.509 atau access key ID AWS yang diberikan tidak ada dalam catatan kami.

Kode Status HTTP: 403InvalidParameterCombination

Parameter yang tidak boleh digunakan secara bersamaan digunakan secara bersamaan.

Kode Status HTTP: 400InvalidParameterValue

Nilai yang tidak valid atau di luar rentang diberikan untuk parameter input.

Kode Status HTTP: 400InvalidQueryParameter

String kueri AWS salah format atau tidak mematuhi standar AWS.

Kode Status HTTP: 400MalformedQueryString

String kueri berisi kesalahan sintaks.

Kode Status HTTP: 404MissingAction

Permintaan tidak memiliki tindakan atau parameter yang diperlukan.

Kode Status HTTP: 400MissingAuthenticationToken

Permintaan harus berisi salah satu access key ID AWS atau sertifikat X.509 yang valid (terdaftar).

Kode Status HTTP: 403MissingParameter

Parameter yang diperlukan untuk tindakan tertentu tidak disediakan.

Kode Status HTTP: 400NotAuthorized

Anda tidak memiliki izin untuk melakukan tindakan ini.

Kode Status HTTP: 400OptInRequired

Access key ID AWS membutuhkan berlangganan untuk layanan.


420

Amazon Forecast Panduan DeveloperParameter Umum

RequestExpired

Permintaan menjangkau layanan lebih dari 15 menit setelah stempel tanggal pada permintaan ataulebih dari 15 menit setelah tanggal kedaluwarsa permintaan (seperti untuk URL pre-signed), ataustempel tanggal pada permintaan lebih dari 15 menit di masa mendatang.

Kode Status HTTP: 400ServiceUnavailable

Permintaan telah gagal karena kegagalan sementara server.

Kode Status HTTP: 503ThrottlingException

Permintaan ditolak karena throttling permintaan.

Kode Status HTTP: 400ValidationError

Input gagal untuk memenuhi batasan yang ditentukan oleh layanan AWS.


Parameter UmumDaftar berikut berisi parameter yang digunakan semua tindakan untuk menandatangani permintaanTanda Tangan Versi 4 dengan string kueri. Setiap parameter khusus tindakan tercantum dalam topikuntuk tindakan tersebut. Untuk informasi selengkapnya tentang Tanda Tangan Versi 4, lihat ProsesPenandatanganan Tanda Tangan Versi 4 dalam Referensi Umum Amazon Web Services.

Action

Tindakan yang harus dilakukan.

Tipe: string

Diperlukan: YaVersion

Versi API yang ditulis dalam permintaan, dinyatakan dalam format HH-BB-TTTT.

Tipe: string

Diperlukan: YaX-Amz-Algorithm

Algoritme hash yang Anda gunakan untuk membuat tanda tangan permintaan.

Kondisi: Tentukan parameter ini ketika Anda menyertakan informasi autentikasi dalam string kueri alih-alih di header otorisasi HTTP.

Tipe: string

Nilai yang Valid: AWS4-HMAC-SHA256

Diperlukan: Bersyarat

421




X-Amz-Credential

Nilai lingkup kredensial, yang merupakan string yang menyertakan access key Anda, tanggal, wilayahyang Anda targetkan, layanan yang Anda minta, dan string penghentian ("aws4_request"). Nilaidinyatakan dalam format berikut: access_key/HHBBTTTT/wilayah/layanan/aws4_request.

Untuk informasi selengkapnya, lihatTugas 2: Buat String untuk Signature Version 4diAmazon WebServices.


Tipe: string

Diperlukan: BersyaratX-Amz-Date

Tanggal yang digunakan untuk membuat tanda tangan. Format harus berupa format dasar ISO 8601(YYYYMMDD'T'HMMSS'Z'). Misalnya, waktu tanggal berikut adalah nilai X-Amz-Date yang valid:20120325T120000Z.

Kondisi: X-Amz-Date bersifat opsional untuk semua permintaan; ini dapat digunakan untuk menggantitanggal yang digunakan untuk menandatangani permintaan. Jika header Tanggal ditentukan dalamformat dasar ISO 8601, X-Amz-Date tidak diperlukan. Ketika X-Amz-Date digunakan, ia selalumengganti nilai header Tanggal. Untuk informasi selengkapnya, lihat Menangani Tanggal di TandaTangan Versi 4 dalam Referensi Umum Amazon Web Services.

Tipe: string

Diperlukan: BersyaratX-Amz-Security-Token

Token keamanan sementara yang diperoleh melalui panggilan ke AWS Security Token Service (STSAWS). Untuk daftar layanan yang mendukung kredensial keamanan sementara dari Security TokenService AWS, buka Layanan AWS Yang Bekerja dengan IAM dalam Panduan Pengguna IAM.

Kondisi: Jika Anda menggunakan kredensi keamanan sementara dariAWSSecurity Token Service,Anda harus menyertakan token keamanan.

Tipe: string

Diperlukan: BersyaratX-Amz-Signature

Menentukan tanda tangan yang dikodekan oleh hex yang dihitung dari string to sign dan kuncipenandatanganan turunan.


Tipe: string

Diperlukan: BersyaratX-Amz-SignedHeaders

Menentukan semua header HTTP yang disertakan sebagai bagian dari permintaan kanonik. Untukinformasi selengkapnya tentang menentukan header yang ditandatangani, lihatTugas 1: BuatPermintaan Kanonik Untuk Tanda Tangan Versi 4diAmazon Web Services.

422

https://docs.aws.amazon.com/general/latest/gr/sigv4-create-string-to-sign.html

https://docs.aws.amazon.com/general/latest/gr/sigv4-date-handling.html

https://docs.aws.amazon.com/general/latest/gr/sigv4-date-handling.html


https://docs.aws.amazon.com/general/latest/gr/sigv4-create-canonical-request.html

https://docs.aws.amazon.com/general/latest/gr/sigv4-create-canonical-request.html



Tipe: string

Diperlukan: Bersyarat

423


Riwayat Dokumen untuk AmazonForecast

Tabel berikut menjelaskan perubahan penting padaPanduan Pengembang Amazon Forecast. Untuknotifikasi tentang pembaruan dokumentasi, Anda dapat berlangganan ke umpan RSS.

• Pembaruan dokumentasi terbaru: 03 Maret 2021

pembaruan-riwayat-perubahan pembaruan-riwayat-deskripsi tanggal-riwayat-pembaruan

Fitur Baru (p. 424) Anda sekarang dapat memilikiAmazon EventBridge atauAmazon CloudWatch Eventsmemberi tahu Anda tentangpembaruan status untukpekerjaan sumber dayaAmazon Forecast yang sedangberlangsung. Untuk informasiselengkapnya, lihatMenyiapkanNotifikasi.

15 Maret 2021

Fitur Baru (p. 424) Amazon Forecast sekarangmendukung secara manualmenghentikan sumber dayaberikut: pekerjaan impor dataset,prediktor, pekerjaan eksporbacktest prediktor, prakiraan, danperkiraan pekerjaan ekspor.

3 Maret 2021

Fitur Baru (p. 424) Amazon Forecast sekarangmendukung featurisasibawaan yang secara otomatismenggabungkan informasicuaca historis dan proyeksi kedalam model. Untuk informasiselengkapnya, lihatAmazonForecast.

8 Desember 2020

Fitur Baru (p. 424) Amazon Forecast sekarangmendukung kemampuanuntuk mengekspor perkiraanbacktest dan metrik akurasiuntuk prediktor. Untuk informasiselengkapnya, lihatMengevaluasiAkurasi.

23 November 2020

Fitur Baru (p. 424) Amazon Forecast sekarangmendukung kemampuan untukmenentukan kuantil prediktor.Untuk informasi selengkapnya,lihatMengevaluasi Akurasi.

11 November 2020

424

https://docs.aws.amazon.com/forecast/latest/dg/notifications.html

https://docs.aws.amazon.com/forecast/latest/dg/notifications.html







Fitur Baru (p. 424) Amazon Forecast sekarangmendukung algoritma CNN-QR.Untuk informasi selengkapnya,lihatCNN-QR.

10 Agustus 2020

Fitur Baru (p. 424) Amazon Forecast sekarangmendukung penandaan untuksumber daya berikut: kelompokdataset, dataset, pekerjaan impordataset, prediktor, prakiraan,dan perkiraan pekerjaan ekspor.Untuk informasi selengkapnya,lihatSumber Daya AmazonForecast.

9 Juli 2020

Fitur Baru (p. 424) Amazon Forecast sekarangmendukung pengisian nilaiyang hilang untuk dataset seriwaktu terkait. Untuk informasiselengkapnya, lihatMenanganiNilai yang Hilang.

14 Mei 2020

Wilayah baru (p. 424) Amazon Forecast menambahkandukungan untuk Wilayah AsiaPacific (Frankfurt). Untukdaftar lengkap Wilayah AWSyang didukung oleh AmazonForecast, lihatTabel WilayahAWSatauWilayah AWS dan TitikAkhirdiReferensi Umum AmazonWeb Services.

17 Maret 2020

Wilayah baru (p. 424) Amazon Forecast menambahkandukungan untuk WilayahAsia Pacific (Seoul). Untukdaftar lengkap Wilayah AWSyang didukung oleh AmazonForecast, lihatTabel WilayahAWSatauWilayah AWS dan TitikAkhirdiReferensi Umum AmazonWeb Services.

27 Januari 2020

Fitur Baru (p. 424) Forecast sekarang mendukungkemampuan untuk menentukankuantil perkiraan. Untukinformasi selengkapnya,lihatCreateForecastdalamPanduan API Forecast.

22 November 2019

Amazon Forecast ketersediaanumum (p. 424)

Amazon Forecast kini tersediauntuk penggunaan umum.

21 Agustus 2019

Rilisan AmazonForecast (p. 424)

Ini adalah rilis pratinjau pertamadokumentasi untuk AmazonForecast.

28 November, 2018

425

https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html

https://docs.aws.amazon.com/forecast/latest/dg/tagging-forecast-resources.html

https://docs.aws.amazon.com/forecast/latest/dg/tagging-forecast-resources.html

https://docs.aws.amazon.com/forecast/latest/dg/howitworks-missing-values.html

https://docs.aws.amazon.com/forecast/latest/dg/howitworks-missing-values.html

http://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/


https://docs.aws.amazon.com/general/latest/gr/forecast.html








Daftar istilah AWSUntuk terminologi AWS terbaru, lihat AWS daftar istilah di AWS Referensi Umum.

426

https://docs.aws.amazon.com/general/latest/gr/glos-chap.html


Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangandengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

cdxxvii

Documents

Amazon Forecast - Panduan Developer