江苏龙网

  1. 首页 > 人文 > >

科技俱乐部菌|DeepAR 进行时间序列预测，使用( 三 )


文章图片
图4多重时间序列联合的问题
而对于这种样本量级差异的解决方法 ， 需要对商品销售量进行缩放 ， 对应到神经网络中 ， 即输入到神经网络前除以v,输出后乘以v 。 如何选择为每一个商品选择对应的v是一个挑战 ， 实践发现使用商品的历史销量均值是一个不错的选择 。
科技俱乐部菌|DeepAR 进行时间序列预测，使用
文章图片
图5多重时间序列联合一个可行方案
在DeepAR中这些问题的方案都包含在了算法内部 ， 从而省去了前期大量的数据规整和清洗工作 。 这也就使得从使用的角度上 ， DeepAR的上手难度并不高 。 并且 ， 在AmazonSageMaker和AmazonForecast这两个服务中 ， 都可以快速方便的直接调用现成实现好的算法 ， 输入自己的数据进行训练 。
DeepAR使用
如果您是一个刚上手机器学习的小白 ， AmazonForecast是一项完全托管的服务 ， 可以使用包含DeepAR在内的机器学习算法来提供高度准确的预测 ， 您可以手动指定算法或让服务根据预测效果自己选择 。 AmazonForecast以Amazon.com使用的相同技术为基础 ， 利用机器学习将时间序列数据与其他变量相结合 ， 以获得预测结果 。 使用AmazonForecast无需具备任何机器学习经验 。 您只需要提供历史数据 ， 以及您认为可能会影响预测结果的任何其他数据 。 训练、超参数调整、模型部署这些过程全部是服务自动执行 ， 数个小时后就可以利用生成好的终端节点进行预测 。 AmazonForecast也能够在模型上线后持续迭代并优化您的模型 。
如果您想要动手来自行训练 ， 更多的定制化和手动处理数据 ， 控制训练过程 ， 以及自定义部署流程 ， AmazonSageMaker是更好的选择 。 AmazonSageMaker是一项完全托管的服务 ， 可以帮助开发人员和数据科学家快速构建、训练和部署机器学习(ML)模型 。 SageMaker完全消除了机器学习过程中每个步骤的繁重工作 ， 让开发高质量模型变得更加轻松 。 AmazonSageMaker覆盖了从数据打标签到最终模型部署一整套的步骤支持和现成的容器化方法 ， 使得开发人员和数据科学家可以专注于他们所擅长的业务以及科学研究之中 。 DeepAR作为SageMaker内建的算法 ， 可以通过数行代码调用 ， 就可以直接开始模型训练 。 SageMaker也提供了数个DeepAR相关示例 ， 可以在初期仿照示例笔记本处理自己的业务数据并生成模型 ， 降低学习曲线 。
在SageMaker上启用一个笔记本实例 ， DeepAR的示例笔记本在Jupyter的示例中可以找到：
科技俱乐部菌|DeepAR 进行时间序列预测，使用
文章图片
pic6
点击Use ， 进入示例笔记本：
科技俱乐部菌|DeepAR 进行时间序列预测，使用
文章图片
图6SageMaker中使用DeepAR
使用内置算法DeepAR ， 我们需要设置容器的名称forecasting-deepar：
科技俱乐部菌|DeepAR 进行时间序列预测，使用
文章图片
图7设置容器名称
数据预处理 ， 按照文档中的数据格式要求进行数据预处理 ， 设置时间序列的跨度 ， 预测跨度 ， 起始终止时间 ， 并切分训练和测试数据集：
科技俱乐部菌|DeepAR 进行时间序列预测，使用
文章图片
图8数据预处理
SageMaker中使用的是封装好的DeepAR模型容器 ， 我们只需要在笔记本中指定相关的命令参数和训练参数 ， 就可以开始训练 。 相面给出了一个示例定义：
科技俱乐部菌|DeepAR 进行时间序列预测，使用
文章图片
图9训练参数定义
模型训练完成后 ， 可以定义预测方法类 ， 并一步调用API执行部署：


推荐阅读


上一篇：秀秀科技|为啥富士康的工人们就是比机器人强？，机器人生产苹果折戟沉沙

下一篇：爱否科技|11 Beta 1 正式发布，加强隐私保护，Android