amazon forecast - manuel du développeur · amazon forecast manuel du développeur ensembles de...

Amazon ForecastManuel du développeur

Amazon Forecast Manuel du développeur

Amazon Forecast: Manuel du développeurCopyright © 2020 Amazon Web Services, Inc. and/or its affiliates. All rights reserved.

Amazon's trademarks and trade dress may not be used in connection with any product or service that is not Amazon's,in any manner that is likely to cause confusion among customers, or in any manner that disparages or discreditsAmazon. All other trademarks not owned by Amazon are the property of their respective owners, who may or may notbe affiliated with, connected to, or sponsored by Amazon.


Table of ContentsQu'est-ce qu'est Amazon Forecast ? ...................................................................................................... 1

Vous utilisez Amazon Forecast pour la première fois ? ..................................................................... 1Fonctionnement de Amazon Forecast .................................................................................................... 3

Ensembles de données et groupes d'ensembles de données ............................................................ 3Datasets ............................................................................................................................ 4Groupes d'ensembles de données ........................................................................................ 7Résolution des conflits de la fréquence de collecte de données ................................................. 7Séries chronologiques connexes ........................................................................................... 8Métadonnées d'élément ..................................................................................................... 12Gestion des valeurs manquantes ........................................................................................ 14Instructions relatives aux ensembles de données ................................................................... 17

Prédicteurs ............................................................................................................................... 18Création de prédicteurs ...................................................................................................... 19Évaluation du prédicteur .................................................................................................... 19 : Fonctionnement Rubrique suivante ................................................................................... 20

Prévisions ................................................................................................................................ 20Fonctionnement : rubrique suivante ..................................................................................... 20

Configuration .................................................................................................................................... 21Inscrivez-vous à AWS ............................................................................................................... 21Configuration d'AWS CLI ........................................................................................................... 21Configuration d'autorisations ....................................................................................................... 22

Créer un rôle IAM pour Amazon Forecast (console IAM) ......................................................... 22Créer un IAM pour Amazon Forecast (AWS CLI) ................................................................... 24

Getting Started ................................................................................................................................. 26Préparation des données d'entrée ............................................................................................... 26Démarrage (console) ................................................................................................................. 27Démarrage (AWS CLI) ............................................................................................................... 42Getting Started (Python Notebook) .............................................................................................. 52Clean Up Resources ................................................................................................................. 52

Domaines et types d'ensembles de données prédéfinis .......................................................................... 53Domaine RETAIL ...................................................................................................................... 54

Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 55Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 55Type d'ensembles de données ITEM_METADATA ................................................................. 56

Domaine CUSTOM ................................................................................................................... 56Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 56Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 56Type d'ensembles de données ITEM_METADATA ................................................................. 57

Domaine INVENTORY_PLANNING .............................................................................................. 57Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 57Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 58Type d'ensembles de données ITEM_METADATA ................................................................. 58

Domaine EC2 CAPACITY .......................................................................................................... 58Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 59Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 59

Domaine WORK_FORCE ........................................................................................................... 59Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 60Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 60Type d'ensembles de données ITEM_METADATA ................................................................. 60

Domaine WEB_TRAFFIC ........................................................................................................... 61Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 61Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 61

Domaine METRICS ................................................................................................................... 62Type d'ensemble de données TARGET_TIME_SERIES .......................................................... 62

iii


Type d'ensemble de données RELATED_TIME_SERIES ......................................................... 62Type d'ensembles de données ITEM_METADATA ................................................................. 62

Choix d'un algorithme ........................................................................................................................ 64Algorithmes de prévision intégrés ................................................................................................ 64

CNN-QR .......................................................................................................................... 64DeepAR+ ......................................................................................................................... 64Prophet ........................................................................................................................... 64NPTS .............................................................................................................................. 64ARIMA ............................................................................................................................ 65ETS ................................................................................................................................ 65

Comparaison des algorithmes de prévision ................................................................................... 65ARIMA .................................................................................................................................... 66

Fonctionnement ................................................................................................................ 66Hyper-paramètres et réglage .............................................................................................. 66

CNN-QR .................................................................................................................................. 67Démarrer ......................................................................................................................... 67Fonctionnement ................................................................................................................ 68Données connexes ........................................................................................................... 69Hyperparamètres .............................................................................................................. 70Conseils et bonnes pratiques .............................................................................................. 72

DeepAR+ ................................................................................................................................. 72 : Fonctionnement ............................................................................................................. 73Hyperparamètres .............................................................................................................. 75Réglage du modèle ........................................................................................................... 78

ETS ........................................................................................................................................ 79Fonctionnement ................................................................................................................ 79Hyper-paramètres et réglage .............................................................................................. 79

NPTS ...................................................................................................................................... 80 : Fonctionnement ............................................................................................................. 80Hyperparamètres .............................................................................................................. 82

Prophet ................................................................................................................................... 83Fonctionnement ................................................................................................................ 83Hyperparamètres et séries chronologiques associées ............................................................. 83

Métriques du prédicteur ..................................................................................................................... 84Mise à jour de données ..................................................................................................................... 87Balisage .......................................................................................................................................... 88

Gestion des balises () ............................................................................................................... 88Utilisation des balises dans les stratégies IAM .............................................................................. 89Ajout de balises à des ressources ............................................................................................... 90Informations supplémentaires ...................................................................................................... 91

Sécurité ........................................................................................................................................... 92Protection des données ............................................................................................................. 92

Chiffrement au repos ......................................................................................................... 93Chiffrement en transit ........................................................................................................ 93Gestion des clés ............................................................................................................... 93

Identity and Access Management ................................................................................................ 93Audience ......................................................................................................................... 94Authentification avec les identités ........................................................................................ 94Gestion de l'accès à l'aide des stratégies ............................................................................. 96Comment Amazon Forecast fonctionne avec IAM .................................................................. 98Exemples de stratégie basée sur l'identité ........................................................................... 100Dépannage ..................................................................................................................... 104

Journalisation et surveillance .................................................................................................... 106Journalisation des appels d'API Forecast avec AWS CloudTrail .............................................. 107Métriques CloudWatch pour Amazon Forecast ..................................................................... 109

Validation de la conformité ....................................................................................................... 110Résilience .............................................................................................................................. 110

iv


Sécurité de l'infrastructure ........................................................................................................ 111Consignes et quotas ........................................................................................................................ 112

Régions AWS prises en charge ................................................................................................. 112Compliance ............................................................................................................................ 112Quotas de service ................................................................................................................... 112

Noms de champs réservés ............................................................................................................... 115API Reference ................................................................................................................................ 135

Actions .................................................................................................................................. 135Amazon Forecast Service ................................................................................................. 136Amazon Forecast Query Service ....................................................................................... 222

Data Types ............................................................................................................................ 225Amazon Forecast Service ................................................................................................. 226Amazon Forecast Query Service ....................................................................................... 276

Common Errors ...................................................................................................................... 278Common Parameters ............................................................................................................... 280

Historique du document ................................................................................................................... 282Glossaire AWS ............................................................................................................................... 284................................................................................................................................................ cclxxxv

v

Amazon Forecast Manuel du développeurVous utilisez Amazon Forecast pour la première fois ?

Qu'est-ce qu'est Amazon Forecast ?Amazon Forecast est un service entièrement géré pour les prévisions en séries chronologiques. Enfournissant à Amazon Forecast des données en séries chronologiques historiques, vous pouvez prédireles points futurs de la série. La prévision de séries chronologiques est utile dans de nombreux domaines,notamment la vente de détail, la planification financière, la chaîne d'approvisionnement et la santé. Vouspouvez également utiliser Amazon Forecast pour prévoir des métriques opérationnelles pour la gestion dustock, ainsi que la planification et la gestion de la main-d'œuvre et des ressources.

Par exemple, vous pouvez utiliser Amazon Forecast pour prévoir les éléments suivants :

• La demande de produits de détail telle que la demande de produits vendus sur un site Web ou sur unemplacement de stockage ou dans un magasin particulier

• La demande de la chaîne d'approvisionnement inclut la quantité de matières premières, des services oud'autres entrées requises par la fabrication

• Les ressources requises, telles que le nombre d'agents de centre d'appels, les travailleurs contractuels,les équipes informatiques et l'énergie nécessaire pour répondre à la demande

• Les métriques opérationnelles, telles que le trafic Web vers les serveurs, l'utilisation d'AWS, oul'utilisation de capteurs IoT

• Les métriques commerciales, telles que le flux de trésorerie, les ventes, les bénéfices et les dépensespar région ou par service

Amazon Forecast simplifie considérablement la création des modèles de machine learning. En plusde fournir un ensemble d'algorithmes prédéfinis, Forecast fournit une option AutoML pour la formationdu modèle. AutoML automatise les tâches d'apprentissage-machine complexes, tels que la sélectiond'algorithmes, le réglage des hyperparamètres, la modélisation itérative, l'évaluation du modèle. Lesdéveloppeurs sans expertise en matière de machine learning peuvent utiliser les API Amazon Forecast,l’AWS Command Line Interface (AWS CLI) ou la console Amazon Forecast pour importer des donnéesde formation dans un ou plusieurs ensembles de données Amazon Forecast, former des prédicteurs etgénérer des prévisions.

Amazon Forecast offre les avantages supplémentaires suivants :

• La précision – Amazon Forecast utilise des réseaux neuronaux profonds et des méthodes statistiquestraditionnelles pour la prévision. Lorsque vous avez de nombreuses séries chronologiques associées,les prévisions sont faites à l’aide de la Amazon Forecast des algorithmes d’apprentissage profond, telsque Réaction rapide profonde+ (p. 72) et CNN-QR (p. 67) , ont tendance à être plus précis que lesprévisions faites avec des méthodes traditionnelles, telles que le lissage exponentiel.

• L'utilisation – vous pouvez utiliser la console d'Amazon Forecast pour rechercher et visualiser lesprévisions de toutes séries chronologiques aux granularités différentes. Vous pouvez égalementconsulter les métriques pour la précision de vos prévisions.

Pour plus d'informations sur Amazon Forecast, y compris les cas d'utilisation et les principes deservice sous-jacents, veuillez consulter les informations relatives aux principes de prévision de sérieschronologiques avec Amazon Forecast.

Vous utilisez Amazon Forecast pour la premièrefois ?

Si vous utilisez Amazon Forecast pour la première fois, nous vous recommandons de prendreconnaissance des informations suivantes :

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 Manuel du développeurVous utilisez Amazon Forecast pour la première fois ?

1. Fonctionnement de Amazon Forecast (p. 3) – Explique les concepts clés Amazon Forecast et décritcomment Amazon Forecast crée des prédicteurs de prévision. Nous vous recommandons de lire cetterubrique du début à la fin.

2. Getting Started (p. 26) – Montre comment créer votre premier prédicteur de prévisions AmazonForecast.

3. Actions (p. 135) – Décrit les opérations d'API Amazon Forecast.

2

Amazon Forecast Manuel du développeurEnsembles de données et groupes d'ensembles de données

Fonctionnement de Amazon ForecastLors de la création de projets de prévisions dans Amazon Forecast, vous utilisez les ressources suivantes :

• Ensembles de données et groupes d'ensembles de données (p. 3)– Des ensembles de donnéessont des ensembles regroupant vos données d'entrée. Les groupes d'ensembles de données sontdes regroupements d'ensembles de données qui contiennent des informations complémentaires. Lesalgorithmes Forecast utilisent vos groupes d'ensembles de données pour former des modèles deprévision personnalisés appelés prédicteurs.

• Prédicteurs (p. 18) – Des prédicteurs sont des modèles personnalisés formés sur vos données. Vouspouvez former un prédicteur en choisissant un algorithme prédéfini ou l'option AutoML pour demander àAmazon Forecast de sélectionner le meilleur algorithme pour vous.

• Prévisions (p. 20) – Vous pouvez générer des prévisions pour vos données de série chronologique,les interroger à l'aide de l'API QueryForecast ou les visualiser dans la console.

Rubriques• Ensembles de données et groupes d'ensembles de données (p. 3)• Predictors (p. 18)• Prévisions (p. 20)

Ensembles de données et groupes d'ensembles dedonnées

Les ensembles de données contiennent les données utilisées pour former un prédicteur (p. 18). Vouspouvez créer un ou plusieurs ensembles de données Amazon Forecast, puis y importer vos données deformation. Un groupe d'ensembles de données est une collection d'ensembles de données gratuits quidétaillent un ensemble de paramètres changeants sur une série d'intervalles de temps. Après avoir créé ungroupe d'ensembles de données, vous l'utilisez pour former un prédicteur.

Chaque groupe de jeux de données peut avoir jusqu’à trois jeux de données, un de chaque jeu dedonnées (p. 4) type : séries chronologiques cibles, séries chronologiques associées et métadonnéesd’élément.

Pour créer et gérer des ensembles de données et des groupes d'ensembles de données Forecast, vouspouvez utiliser la console Forecast, l'AWS Command Line Interface (AWS CLI) ou le kit SDK AWS.

Par exemple Forecast jeux de données, voir le Amazon Forecast Échantillon GitHub référentiel.

Rubriques• Datasets (p. 4)• Groupes d'ensembles de données (p. 7)• Résolution des conflits de la fréquence de collecte de données (p. 7)• Utilisation d'ensembles de données RELATED_TIME_SERIES (p. 8)• Utilisation des jeux de données de métadonnées d'élément (p. 12)• Gestion des valeurs manquantes (p. 14)• Instructions relatives aux ensembles de données pour Forecast (p. 17)

3

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

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

Amazon Forecast Manuel du développeurDatasets

DatasetsPour créer et gérer Forecast jeux de données, vous pouvez utiliser le Forecast APIs, y compris leCreateDataset (p. 137) et DescribeDataset (p. 173) opérations. Pour une liste complète des ForecastAPIs, voir API Reference (p. 135).

Lorsque vous créez un ensemble de données, vous devez fournir des informations telles que :

• Fréquence/intervalle d’enregistrement vos données. Par exemple, vous pouvez regrouper et enregistrerles ventes d'articles au détail chaque semaine. Dans l'exercice Getting Started (p. 26), vous utilisez laconsommation moyenne d'électricité par heure.

• Le format de prédiction (le domaine) et le type de jeu de données (au sein du domaine). Un domained’ensemble de données spécifie le type de prévision que vous souhaitez effectuer, tandis qu’un typed’ensemble de données vous aide à organiser vos données d’entraînement dans Forecastcatégoriesadaptées aux personnes à mobilité réduite.

• Schéma d'ensemble de données Un schéma mappe les en-têtes de colonne de votre ensemble dedonnées. Par exemple, lors de la surveillance de la demande, vous pouvez avoir collecté des donnéeshoraires sur les ventes d'un article dans plusieurs magasins. Dans ce cas, votre schéma définiraitl’ordre, de gauche à droite, dans lequel l’horodatage, l’emplacement et les ventes horaires apparaissentdans votre fichier de données de formation. Les schémas définissent également le type de données dechaque colonne, comme string ou integer.

Chaque colonne de votre ensemble de données Forecast représente une dimension ou une fonction deprévision. Les dimensions de prévision décrivent les aspects de vos données qui ne changent pas aufil du temps, tels que store ou location. Les fonctions de prévision incluent tous les paramètres devos données qui varient dans le temps, tels que price ou promotion. Certaines dimensions, commetimestamp ou itemId, sont requis dans les séries chronologiques cibles et les ensembles de données deséries chronologiques associés.

Domaines d'ensemble de données et types d'ensemble dedonnéesLorsque vous créez un ensemble de données Forecast, vous choisissez un domaine et un type d'ensemblede données. Forecast fournit des domaines pour un certain nombre de cas d'utilisation, tels que prévoirles ventes d'articles au détail ou le trafic web. Vous pouvez également créer un domaine personnalisé.Pour une liste complète des Forecast domaines, voir Domaines et types d'ensembles de donnéesprédéfinis (p. 53).

Dans chaque domaine, les utilisateurs Forecast peuvent spécifier les types d'ensembles de donnéessuivants :

• Ensemble de données de série chronologique cible (obligatoire) – Utilisez ce type de jeu de donnéeslorsque vos données d’entraînement sont des séries chronologiques et inclut le champ pour lequel voussouhaitez générer une prévision pour. Ce champ est appelé le champ cible.

• Ensemble de données de séries chronologiques associées (facultatif) – Choisissez ce type d’ensemblede données lorsque vos données d’entraînement sont une série chronologique, mais elle n’est pasinclure le champ cible. Par exemple, si vous prévoyez la demande pour un article, un ensemble dedonnées RELATED_TIME_SERIES peut avoir price comme champ, mais pas demand.

• Jeu de données de métadonnées d’élément (facultatif) – Choisissez ce type d’ensemble de donnéeslorsque vos données d’entraînement n’est pas des données chronologiques, mais inclut des informationsde métadonnées sur les éléments des séries chronologiques cibles ou des ensembles de données deséries chronologiques connexes. Par exemple, si vous prévoyez la demande d’un élément, un ensemblede métadonnées d’élément peut color ou brand en tant que dimensions. Forecast prend uniquementen compte les données fournies par un type d’ensemble de données de métadonnées d’élément lorsquevous utilisez l’ CNN-QR (p. 67) ou Réaction rapide profonde+ (p. 72) de l’algorithme.

4


En fonction des informations contenues dans vos données de formation et de ce que vous souhaitezprévoir, vous pouvez créer plusieurs ensembles de données.

For exemple, supposons que vous souhaitiez générer une prévision pour la demande d'articles au détail,tels que des chaussures et des chaussettes. Vous pouvez créer les ensembles de données suivants dansle domaine RETAIL :

• Ensemble de données TARGET_TIME_SERIES – Comprend les données historiques de sériechronologique de la demande pour les articles de vente au détail (item_id, timestamp et le champcible demand). Comme celui-ci désigne le champ cible que vous souhaitez prévoir, vous devez avoir aumoins un ensemble de données TARGET_TIME_SERIES dans un groupe d'ensembles de données.

Vous pouvez également ajouter jusqu'à dix autres dimensions à un ensemble dedonnées TARGET_TIME_SERIES. Si vous incluez uniquement un ensemble de donnéesTARGET_TIME_SERIES dans votre groupe d'ensembles de données, vous pouvez créer desprévisions au niveau de granularité de l'élément ou de la dimension de prévision uniquement. Pour plusd'informations, consultez la section CreatePredictor (p. 154).

• Ensemble de données de séries chronologiques associées – Inclut des données chronologiqueshistoriques autres que le champ cible, telles que price ou revenue. Étant donné que les données deséries chronologiques associées doivent pouvoir être mappées aux données de séries chronologiquescibles, chaque ensemble de données de séries chronologiques associées doit contenir les mêmeschamps d’identification. Dans le domaine RETAIL, il s'agirait de item_id et timestamp.

Un ensemble de données de séries chronologiques connexes peut contient des données quiaffinent les prévisions effectuées à partir de votre ensemble de données de séries chronologiquescible. Par exemple, vous pouvez inclure des données price dans votre ensemble de donnéesRELATED_TIME_SERIES sur les dates futures pour lesquelles vous souhaitez générer uneprévision. De cette façon, Forecast peut faire des prédictions avec une dimension supplémentairede contexte. Pour plus d'informations, consultez la section Utilisation d'ensembles de donnéesRELATED_TIME_SERIES (p. 8).

• Ensemble de données de métadonnées d’articles – Comprend des métadonnées pour les articles devente au détail. Exemples de métadonnées : brand, category,color, et genre.

Exemple d'ensemble de données avec une dimension de prévision

Dans la continuité de l'exemple précédent, imaginons que vous souhaitiez prévoir la demande dechaussures et de chaussettes en fonction des ventes précédentes d'une boutique. Dans l'ensemble dedonnées TARGET_TIME_SERIES suivant, store est une dimension de prévision de série chronologique,tandis que demand est le champ cible. Les chaussettes sont vendues dans deux magasins (NYC et SFO),et les chaussures sont vendues uniquement dans ORD.

Les trois premières lignes de ce tableau contiennent les premières données de vente disponibles pourles magasins NYC, SFO et ORD. Les trois dernières lignes contiennent les dernières données de venteenregistrées pour chaque magasin. La ligne ... représente toutes les données de vente d'articlesenregistrées entre les première et la dernière entrées.

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

5


timestamp item_id store demand

2019-06-05 socks SFO 5

2019-07-01 shoes ORD 50

Schéma d'ensemble de donnéesChaque ensemble de données a besoin d'un schéma, un mappage JSON fourni par l'utilisateur deschamps de vos données de formation. C'est là que vous répertoriez les dimensions et fonctions obligatoireset facultatives que vous souhaitez inclure dans votre ensemble de données.

Certains domaines ont des dimensions facultatives que nous vous recommandons d'inclure. Lesdimensions facultatives sont répertoriées dans les descriptions de chaque domaine plus loin dans ce guide.Pour obtenir un exemple, veuillez consulter Domaine RETAIL (p. 54). Toutes les dimensions facultativesutilisent le type de données string.

Un schéma est requis pour chaque jeu de données. Voici le schéma d'accompagnement de l'exempled’ensemble de données de série chronologique cible ci-dessus.

{ "attributes": [ { "AttributeName": "timestamp", "AttributeType": "timestamp" }, { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "store", "AttributeType": "string" }, { "AttributeName": "demand", "AttributeType": "float" } ]}

Lorsque vous chargez vos données de formation dans l'ensemble de données qui utilise ce schéma,Forecast suppose que les champs timestamp, item_id, store et demand (le champ cible)correspondent respectivement aux colonnes 1, 2 , 3 et 4.

Pour le type d'ensemble de données RELATED_TIME_SERIES, toutes les fonctions associées doiventavoir un type d'attribut à virgule flottante ou nombre entier. Pour le type d'ensemble de donnéesITEM_METADATA, toutes les fonctions doivent avoir un type d'attribut de chaîne. Pour plus d'informations,consultez la section SchemaAttribute (p. 265).

Note

Une paire attributeName et attributeType est requise pour chaque colonne de l’ensemblede données. Forecast réserve un certain nombre de noms qui ne peuvent pas être utilisés commenom d'attribut de schéma. Pour obtenir la liste des noms réservés, consultez Noms de champsréservés (p. 115).

6

Amazon Forecast Manuel du développeurGroupes d'ensembles de données

Groupes d'ensembles de donnéesA groupe de jeux de données est un ensemble de un à trois jeux de données complémentaires, un dechaque type de jeu de données. Vous importez des ensembles de données dans un groupe d'ensemblesde données, puis vous utilisez le groupe d'ensembles de données pour former un prédicteur.

Forecast inclut les opérations suivantes pour créer des groupes de jeux de données et leur ajouter des jeuxde données :

• CreateDatasetGroup (p. 141)• UpdateDatasetGroup (p. 221)

Résolution des conflits de la fréquence de collecte dedonnéesForecast peut importer des données qui ne sont pas alignées sur la fréquence de collecte spécifiée dansle CreateDataset (p. 137) opération. Par exemple, vous pouvez importer des données pour lesquelles lafréquence de collecte est horaire et certaines données ne sont pas horodatées en haut de l’heure (02 :20,02 :45). Forecast regroupe les données pour correspondre à la valeur alignée. Les tableaux suivantsprésentent un exemple d'agrégation.

Pré-transformation

Délai non structurées Au début de l'heure

2018-03-03 01:00:00 100 Oui

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

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

2018-03-03 04:00:00 120 Oui

Post-transformation

Délai non structurées Remarques

2018-03-03 01:00:00 100

2018-03-03 02:00:00 70 Somme des valeurs comprisesentre 02:00:00 et 02:59:59 (50 +20)

2018-03-03 03:00:00 Empty Aucune valeur comprise entre03:00:00 et 03:59:59

2018-03-03 04:00:00 120

Limites de tempsLimites de temps

7

Amazon Forecast Manuel du développeurSéries chronologiques connexes

Le tableau suivant répertorie les limites d’alignement de temps Forecast utilise quand agrégation données.

Frequency (Fréquence) Boundary

Année Premier jour de l'année (1er janvier)

mois Premier jour du mois

semaine Dernier lundi

heure Dernier début d'heure (09:00, 13:00:00)

Minute Dernier début de la minute (45:00, 06:00)

La figure suivante montre comment Forecast transforme les données pour les adapter à une fois parsemaine limite :

Consignes pour l'agrégation des donnéesLorsque vous utilisez le FeaturizationMethod API, définissez la méthode d’agrégation dansFeaturizationMethodParameters. Le paramètre d’agrégation accepte les valeurs suivantes : sum,avg, first, min, et max. La valeur par défaut est sum.

Forecast ne suppose pas que vos données proviennent d’un fuseau horaire spécifique. Toutefois, ileffectue les hypothèses suivantes lors de l'agrégation de données de série chronologique :

• Toutes les données proviennent du même fuseau horaire.• Toutes les prévisions se trouvent dans le même fuseau horaire que les données de l'ensemble de

données.• Si vous spécifiez le the section called “SupplementaryFeature” (p. 268) fonction vacances

dans le the section called “InputDataConfig” (p. 253) paramètre pour le the section called“CreatePredictor” (p. 154) , les données d’entrée proviennent du même pays.

Utilisation d'ensembles de donnéesRELATED_TIME_SERIESUn ensemble de données RELATED_TIME_SERIES comprend des données chronologiques qui ne sontpas incluses dans un ensemble de données TARGET_TIME_SERIES et qui peuvent améliorer la précisionde votre prédicteur.

8


Par exemple, dans le domaine de prévision de la demande, un ensemble de données de sérieschronologiques cibles contiendrait timestamp et item_id , tandis qu’un ensemble de donnéescomplémentaires de séries chronologiques connexes comprend également les fonctions supplémentairessuivantes : item price, promotion, et weather.

Un ensemble de données RELATED_TIME_SERIES peut contenir jusqu'à 10 dimensions de prévision(les mêmes que dans votre ensemble de données TARGET_TIME_SERIES) et jusqu'à 13 fonctionschronologiques associées.

Vous pouvez utiliser un ensemble de données de série chronologique associé lors de la formation d’unprédicteur avec le CNN-QR (p. 67), Réaction rapide profonde+ (p. 72), et Prophète (p. 83) desalgorithmes. NPTS (p. 80), Aéroport d’ARIMA (p. 66), et ETS (p. 79) n’acceptez pas les donnéesde séries chronologiques associées.

Séries chronologiques historiques et prospectivesLes séries chronologiques associées se présentent sous deux formes :

• Série chronologique historique: séries chronologiques sans points de données dans l’horizon deprévision.

• Séries chronologiques tournées vers l’avenir: séries chronologiques avec points de données dansl’horizon de prévision.

Les séries chronologiques liées à l’historique contiennent des points de données jusqu’à l’horizon deprévision et ne contiennent aucun point de données dans l’horizon de prévision. Les séries chronologiquesprospectives contiennent des points de données jusqu’à et dans l’horizon de prévision.

Note

Une série chronologique associée qui contient des valeurs dans l’horizon de prévision est traitéecomme une série chronologique prospective.

Le tableau suivant montre les types de séries chronologiques associées que chaque algorithme AmazonForecast accepte.

CNN-QR DeepAR+ Prophet NPTS ARIMA ETS

Séries chronologiquesliées à l’historique

Séries chronologiquesprospectives

Lorsque vous utilisez AutoML, vous pouvez fournir à la fois des données chronologiques historiques etprévisionnelles, et Forecast utilisera uniquement ces séries chronologiques le cas échéant.

9


Si vous fournissez tourné vers l’avenir les données de séries chronologiques associées, Forecast utiliserales données associées avec CNN-QR, DeepAR+, et Prophet, et n’utilisera pas les données associéesavec NPTS, ARIMA et ETS. Si fourni historique les données de séries chronologiques associées, Forecastutilisera les données associées avec CNN-QR, et n’utilisera pas les données associées avec DeepAR+,Prophet, NPTS, ARIMA et ETS.

Validation des ensembles de données RELATED_TIME_SERIESUn ensemble de données RELATED_TIME_SERIES est soumis aux restrictions suivantes :

• Il ne peut pas inclure la valeur cible de TARGET_TIME_SERIES.• Il doit inclure les dimensions item_id et timestamp, et au moins une fonction associée (telle queprice).

• Les données de fonction RELATED_TIME_SERIES doivent avoir le type de données int ou float.• Pour utiliser la série chronologique cible entière, tous les éléments de l’ensemble de données de série

chronologique cible doivent également être inclus dans l’ensemble de données de série chronologiqueassocié. Si une série chronologique associée contient uniquement un sous-ensemble d’éléments de lasérie chronologique cible, la création du modèle et la génération de prévisions seront limitées à ce sous-ensemble spécifique d’éléments.

Par exemple, si la série chronologique cible contient 1 000 éléments et que le jeu de données desérie chronologique associé ne contient que 100 éléments, le modèle et les prévisions seront basésuniquement sur ces 100 éléments.

• La fréquence à laquelle les données sont enregistrées dans le jeu de données de série chronologiqueassocié doit correspondre à l'intervalle auquel vous souhaitez générer les prévisions (la granularitédeprévision).

Par exemple, si vous souhaitez générer des prévisions selon une granularité hebdomadaire, lafréquence à laquelle les données sont enregistrées dans la série chronologique associée doit égalementêtre hebdomadaire, même si la fréquence à laquelle les données sont enregistrées dans la sériechronologique cible est quotidienne.

• Les données de chaque élément de l'ensemble de données RELATED_TIME_SERIES doivent débuteravant ou à la date correspondant au timestamp initial de l'élément item_id correspondant dansl'ensemble de données TARGET_TIME_SERIES.

Par exemple, si les données TARGET_TIME_SERIES pour socks commencent le 01 01 2019 etque les données TARGET_TIME_SERIES pour shoes commencent le 02 01 2019, les donnéesRELATED_TIME_SERIES pour socks doivent commencer le 01 01 2019 ou avant et les données pourshoes doivent commencer le 02 01 2019 ou avant.

• Pour les ensembles de données de séries chronologiques connexes prévisionnels, le dernier horodatagede chaque élément doit être sur le dernier horodatage de la fenêtre de prévision désignée par l’utilisateur(appelé horizon de prévision).

Dans l'exemple de fichier RELATED_TIME_SERIES ci-dessous, les données timestamp pour leschaussettes et les chaussures doivent se terminer le 01 07 2019 ou après (horodatage de fin enregistré)plus l'horizon de prévision. Si la fréquence des données dans la série chronologique cible est quotidienneet que l’horizon de prévision est de 10 jours, les points de données quotidiens doivent être fournis dansle fichier de séries chronologiques prospectives associées jusqu’à la période suivante.

• Pour les ensembles de données de séries chronologiques liées à l’historique, le dernier horodatage dechaque élément doit correspondre au dernier horodatage de la série chronologique cible.

Dans l’exemple de fichier de séries chronologiques associées ci-dessous, le timestamp les donnéespour les chaussettes et les chaussures doivent se terminer le -(dernier horodatage enregistré).

• Le Forecast Les dimensions fournies dans l’ensemble de données de série chronologique associédoivent être égales à ou un sous-ensemble des dimensions désignées dans l’ensemble de données desérie chronologique cible.

10


• Les séries chronologiques associées ne peuvent pas avoir de valeurs manquantes. Pour plusd’informations sur les valeurs manquantes dans un jeu de données de série chronologique associé, voirGestion des valeurs manquantes (p. 14).

Exemple: Fichier de séries chronologiques connexes tourné versl’avenirLe tableau suivant montre un fichier d'ensemble de données RELATED_TIME_SERIES correctementconfiguré. Pour cet exemple, supposons ce qui suit :

• Le dernier point de données a été enregistré dans l'ensemble de données TARGET_TIME_SERIES le01 07 2019.

• L'horizon de prévision est de 10 jours.• La granularité de prévision est quotidienne (D).

Un "…" indique tous les points de données entre les lignes précédentes et suivantes.

timestamp item_id store price

2019-01-01 socks NYC 10

2019-01-02 socks NYC 10

2019-01-03 socks NYC 15

...

2019-06-01 socks NYC 10

...

2019-07-01 socks NYC 10

...

2019-07-11 socks NYC 20

2019-01-05 socks SFO 45

...

2019-06-05 socks SFO 10

...

2019-07-01 socks SFO 10

...

2019-07-11 socks SFO 30

2019-02-01 shoes ORD 50

...

2019-07-01 shoes ORD 75

...

11

Amazon Forecast Manuel du développeurMétadonnées d'élément

timestamp item_id store price

2019-07-11 shoes ORD 60

Exemple: Granularité des prévisionsLe tableau suivant montre les fréquences d’enregistrement de données compatibles pour les sérieschronologiques cibles et les séries chronologiques associées pour prévoir à une granularité hebdomadaire.Comme les données d’un ensemble de données de séries chronologiques connexes ne peuvent pas êtreagrégées, Forecast accepte uniquement une fréquence de données de série chronologique associée quiest la même que la granularité de prévision choisie.

Données d'entrée cibles(fréquence)

Fréquence des sérieschronologiquesconnexes

Granularité desprévisions

Pris en charge parForecast ?

Quotidien Hebdomadaire Hebdomadaire Oui

Hebdomadaire Hebdomadaire Hebdomadaire Oui

S/O Hebdomadaire Hebdomadaire Oui

Quotidien Quotidien Hebdomadaire Non

Utilisation des jeux de données de métadonnéesd'élémentUn ensemble de données de métadonnées d’élément contient des données catégorielles qui fournissentun contexte précieux pour les éléments d’un ensemble de données chronologiques cible lorsque vousformez un prédicteur avec le CNN-QR (p. 67) ou Réaction rapide profonde+ (p. 72) des algorithmes.Contrairement aux jeux de données de série chronologique associés, les jeux de données de métadonnéesd'élément fournissent des informations statiques. Autrement dit, la valeur des données reste constante aufil du temps, comme la couleur ou la marque d'un élément. Les ensembles de données de métadonnéesd’élément sont des ajouts facultatifs à vos groupes d’ensembles de données et sont pris en compteuniquement lorsque vous entraînez un prédicteur avec CNN-QR (p. 67) ou Réaction rapide profonde+ (p. 72). Vous pouvez utiliser des métadonnées d'élément uniquement si chaque élément de votre jeude données de série chronologique cible est présent dans le jeu de données de métadonnées d'élémentcorrespondant.

Les métadonnées d'élément peuvent inclure la marque, la couleur, le modèle, la catégorie, le lieu d'origineou toute autre caractéristique supplémentaire d'un élément particulier. Par exemple, un jeu de données demétadonnées d'élément peut fournir un contexte pour certaines des données de demande trouvées dansun jeu de données de série chronologique cible représentant les ventes de liseuses Amazon noires avec32 Go de stockage. Étant donné que ces caractéristiques ne changent pas de jour en jour ou d'heure enheure, elles appartiennent à un jeu de données de métadonnées d'élément.

Les métadonnées d'élément sont utiles pour découvrir et suivre des modèles descriptifs dans vos donnéeschronologiques. Si vous incluez un jeu de données de métadonnées d'élément dans votre groupe de jeuxde données, Forecast peut former le modèle de manière à faire des prévisions plus précises en fonctiondes similitudes entre les éléments. Par exemple, vous pouvez constater que les produits d'assistant virtuelconçus par Amazon sont plus susceptibles d’être vendus que ceux créés par d'autres sociétés, puisplanifier votre chaîne d'approvisionnement en conséquence.

12

Amazon Forecast Manuel du développeurMétadonnées d'élément

Les métadonnées d'élément sont particulièrement utiles dans des scénarios de prévision de démarrageà froid, dans lesquels vous disposez de peu de données d’historique directes permettant de faire desprédictions, alors que vous disposez de données d’historique sur des éléments ayant des attributs demétadonnées similaires. Lorsque vous fournissez un contexte pour les quelques données dont vousdisposez, votre prédicteur Forecast peut établir dontes inférences utiles et non évidentes sur les élémentsde vos données qui augmentent la précision de la prévision.

Chaque ligne d'un jeu de données de métadonnées d'élément peut contenir jusqu'à 10 champs demétadonnées, dont un doit être un champ d'identification pour faire correspondre les métadonnées à unélément de la série chronologique cible. Comme pour tous les types de jeux de données, les valeurs dechaque champ sont désignées par un schéma de jeu de données.

Exemple Fichier et schéma des métadonnées d’élémentLe tableau suivant présente une section d'un fichier de jeu de données de métadonnées d'élémentcorrectement configuré qui décrit les liseuses Amazon. Dans cet exemple, on considère que la ligne d'en-tête représente le schéma du jeu de données et que chaque élément répertorié se trouve dans un jeu dedonnées de série chronologique cible correspondant.

item_id brand model color waterproof

1 amazon paperwhite black yes

2. amazon paperwhite blue yes

3 amazon base_model black no

4 amazon base_model white no

...

Voici les mêmes informations présentées au format CSV.

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

Voici le schéma pour cet exemple de jeu de données.

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

13

Amazon Forecast Manuel du développeurGestion des valeurs manquantes

"AttributeType": "string" }, { "AttributeName": "waterproof", "AttributeType": "string" } ]}

Voir aussiPour une procédure détaillée sur l'utilisation des jeux de données de métadonnées d'élément, veuillezconsulter Incorporating Item Metadata Datasets into Your Predictor (Incorporation de jeux de données demétadonnées d'élément dans votre prédicteur) dans le Amazon Forecast Samples GitHub Repository.

Gestion des valeurs manquantesUn problème courant dans les données de prévision chronologiques est la présence de valeursmanquantes. Vos données peuvent contenir des valeurs manquantes pour un certain nombre de raisons,notamment des échecs de mesure, des problèmes de formatage, des erreurs humaines ou un manqued'informations à enregistrer. Par exemple, si vous prévoyez la demande d'un produit pour un magasinde vente au détail et qu'un article est épuisé ou indisponible, il n'y aura pas de données de vente àenregistrer tant que cet article sera en rupture de stock. Si elles sont suffisamment importantes, les valeursmanquantes peuvent avoir un impact significatif sur la précision d'un modèle.

Amazon Forecast fournit un certain nombre de méthodes de remplissage pour gérer les valeursmanquantes dans vos ensembles de données chronologiques cibles et les ensembles de donnéeschronologiques associées. Le remplissage consiste à ajouter des valeurs normalisées aux entréesmanquantes dans votre ensemble de données.

Forecast prend en charge les méthodes de remplissage suivantes :

• Remplissage intermédiaire – Remplit toutes les valeurs manquantes entre la date de début et la date defin de l'élément de l'ensemble de données.

• Remplissage en amont – Remplit toutes les valeurs manquantes entre le dernier point de donnéesenregistré de l'ensemble de données et la date de fin globale de l'ensemble de données.

• Remplissage en aval (séries chronologiques associées uniquement) – Remplit toutes les valeursmanquantes entre la date de fin globale de l’ensemble de données et la fin de la période de prévision.

L'image suivante fournit une représentation visuelle des différentes méthodes de remplissage.

14

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/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb



Choix de la logique de remplissageLorsque vous choisissez une logique de remplissage, vous devez prendre en considération la manièredont la logique sera interprétée par votre modèle. Par exemple, dans un scénario de vente au détail,l'enregistrement de 0 vente d'un article disponible est différent de l’enregistrement de 0 vente d'un articlenon disponible, car ce dernier n'implique pas un manque d'intérêt du client pour l'article. Pour cette raison,le remplissage 0 dans la série chronologique cible peut entraîner une sous-estimation de l'indicateur dansses prévisions, tandis que le remplissage NaN peut ignorer les occurrences réelles de vente de 0 articledisponible et entraîner une surestimation de l'indicateur.

Les graphiques de séries chronologiques suivants illustrent la manière dont un mauvais choix de valeurde remplissage peut affecter de manière significative la précision de votre modèle. Les graphiques A et Btracent la demande pour un article partiellement en rupture de stock, les lignes noires représentant lesdonnées de ventes réelles. Les valeurs manquantes dans A1 sont complétées par 0, ce qui conduit àdes prédictions relativement sous-estimées (représentées par les lignes pointillées) dans A2. De même,les valeurs manquantes dans B1 sont complétées par NaN, ce qui conduit à des prévisions plus précisesdans B2.

Pour obtenir la liste des logiques de remplissage prises en charge, reportez-vous à la section suivante.

Logique de remplissage de série chronologique cible et de sériechronologique associéeVous pouvez procéder au remplissage sur des ensembles de données de série chronologique cible et desérie chronologique associée. Chaque type d’ensemble de données a des instructions et des restrictionsde remplissage différentes.

Instructions de remplissage

Type d'ensemblede données

Remplissage pardéfaut ?

Méthodes deremplissage prisesen charge

Logique deremplissage pardéfaut

Logique deremplissageacceptée

Sérieschronologiquescibles

Oui Remplissageintermédiaire et enamont

0 USD • zero - 0remplissage.

• value - Nombreentier ou valeurflottante.

• nan - N’est pasun nombre.

• mean - Valeurmoyenne dela série dedonnées.

• median - Valeurmédiane dela série dedonnées.

15


Type d'ensemblede données

Remplissage pardéfaut ?

Méthodes deremplissage prisesen charge

Logique deremplissage pardéfaut

Logique deremplissageacceptée• min - Valeur

minimale dela série dedonnées.

• max - Valeurmaximale dela série dedonnées.

Sérieschronologiquesassociées

Non Remplissageintermédiaire, enamont et en aval

Pas de valeur pardéfaut

• zero - 0remplissage.

• value - Nombreentier ou valeurflottante.

• mean - Valeurmoyenne dela série dedonnées.

• median - Valeurmédiane dela série dedonnées.

• min - Valeurminimale dela série dedonnées.

• max - Valeurmaximale dela série dedonnées.

Important

Pour les ensembles de données de séries chronologiques cibles et connexes, mean, median,min, et max sont calculés sur la base d’une fenêtre continue des 64 entrées de données les plusrécentes avant les valeurs manquantes.

Syntaxe des valeurs manquantesPour effectuer le remplissage de valeur manquante, spécifiez les types de remplissage à implémenterlorsque vous appelez le Créer unprédicteur (p. 154) opération. La logique de remplissage est spécifiéedans les objets FeaturizationMethod (p. 245) .

L'extrait suivant présente un objet FeaturizationMethod correctement mis en forme pour un attribut desérie chronologique cible et un attribut de série chronologique associée (respectivement target_value etprice).

Pour définir une méthode de remplissage sur une valeur spécifique, définissez le paramètre deremplissage sur value et définissez la valeur dans un _value paramètre. Comme illustré ci-dessous, leremplissage pour la série chronologique associée est réglé sur une valeur de 2 avec les valeurs suivantes :"backfill": "value" et "backfill_value":"2".

16

Amazon Forecast Manuel du développeurInstructions relatives aux ensembles de données

[ { "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" } } ] }]

Instructions relatives aux ensembles de données pourForecastConsultez les instructions suivantes si Amazon Forecast ne parvient pas à importer votre ensemble dedonnées, ou si votre ensemble de données ne fonctionne pas comme prévu.

Format d'horodatage

Pour les fréquences de collecte Year (Y), Month (M), Week (W) et Day (D), Forecast prend en chargele format d'horodatage yyyy-MM-dd(par exemple, 2019-08-21) et, éventuellement, le formatHH:mm:ss(par exemple, 2019-08-21 15:00:00).

Pour les fréquences Hour (H) et Minute (M), Forecast prend en charge uniquement le format yyyy-MM-dd HH:mm:ss (par exemple, 2019-08-21 15:00:00).

Consigne : Remplacez le format d'horodatage de la fréquence de collecte de votre ensemble dedonnées par le format pris en charge.

Fichier ou compartiment Amazon S3

Lorsque vous importez un ensemble de données, vous pouvez spécifier le chemin d'accès au fichierCSV dans le compartiment Amazon Simple Storage Service (Amazon S3) qui contient vos donnéesou le nom du compartiment S3 qui contient vos données. Si vous spécifiez un fichier CSV, Forecastimporte uniquement ce fichier. Si vous spécifiez un compartiment S3, Forecast importe tous les fichiersCSV dans le compartiment dans la limite de 10 000 fichiers. Si vous importez plusieurs fichiers enspécifiant un nom de compartiment, tous les fichiers CSV doivent être conformes au schéma spécifié.

Consigne : Spécifiez un fichier CSV ou un compartiment S3 à l'aide de la syntaxe suivante :

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

17

Amazon Forecast Manuel du développeurPrédicteurs

s3://bucket-name/prefix/

s3://bucket-name

Mise à jour des ensembles de données

Les tâches d'importation d’ensembles de données n’étant pas agrégées, l'importation de votreensemble de données la plus récente est celle qui est utilisée lors de la formation d'un prédicteur ou dela génération d'une prévision.

Recommandation : Assurez-vous que votre importation d’ensemble de données la plus récentecontient toutes les données à partir desquelles vous souhaitez modéliser, et pas seulement lesnouvelles données collectées depuis l'importation précédente.

Ordre des attributs

L'ordre des attributs spécifié dans la définition de schéma doit correspondre à l'ordre des colonnesdans le fichier CSV que vous importez. Par exemple, si vous avez défini timestamp comme premierattribut, timestamp doit également être la première colonne dans le fichier CSV d'entrée.

Consigne : Vérifiez que les colonnes dans le fichier CSV sont dans le même ordre que les attributs deschéma que vous avez créés.

En-tête d'ensemble de données

Un en-tête d’ensemble de données dans votre fichier CSV d'entrée peut provoquer une erreur devalidation. Nous recommandons d'omettre tout en-tête.

Consigne : Supprimez l'en-tête d'ensemble de données et tentez à nouveau l'importation.Statut de l'ensemble de données

Pour que vous puissiez importer des données de formation avec l'opération the section called“CreateDatasetImportJob” (p. 144), le statut (Status) de l'ensemble de données doit être ACTIVE.

Consigne : Utilisez l'opération DescribeDataset (p. 173) pour obtenir le statut de l'ensemble dedonnées. Si la création ou la mise à jour de l'ensemble de données a échoué, vérifiez le format devotre fichier d'ensemble de données et réessayez de le créer.

Format de fichier et délimiteur

Forecast prend en charge uniquement le format de fichier CSV (valeurs séparées par des virgules).Vous ne pouvez pas séparer les valeurs à l'aide de tabulations, d'espaces, de deux points ou d'autrescaractères.

Consigne : Convertissez votre ensemble de données au format CSV (en utilisant uniquement desvirgules comme délimiteur), puis tentez à nouveau d'importer le fichier.

Nom de fichier

Les noms de fichier doivent contenir au moins un caractère alphabétique. Les fichiers dont le nom estuniquement numérique ne peuvent pas être importés.

Consigne : Renommez votre fichier CSV pour inclure au moins un caractère alphabétique et essayez ànouveau d'importer le fichier.

PredictorsUn prédicteur est un modèle Amazon Forecast formé utilisé pour effectuer des prévisions basées sur desdonnées en séries chronologiques. Pendant la formation, Amazon Forecast génère des métriques deprécision que vous utilisez pour évaluer le prédicteur et décider s'il convient d'utiliser le prédicteur pourgénérer une prévision.

18

Amazon Forecast Manuel du développeurCréation de prédicteurs

Rubriques• Création de prédicteurs (p. 19)• Évaluation du prédicteur (p. 19)• : Fonctionnement Rubrique suivante (p. 20)

Création de prédicteursAmazon Forecast forme des modèles de prévisions appelés prédicteurs. Vous utilisez l'opérationCreatePredictor (p. 154) pour créer un prédicteur.

Pour créer un prédicteur, fournissez les éléments suivants :

• Un groupe d’ensembles de données – Fournit des données pour former le prédicteur. Pour plusd'informations, consultez Datasets (p. 4),

• Une configuration de fonctionnalité – Spécifie la fréquence de prévision et fournit des informations pourtransformer les données avant la formation du modèle. Les données sont transformées pour les rendreplus compatibles avec l'algorithme de formation.

• Un horizon de prévision – Nombre d'étapes de temps à effectuer. L'horizon de prévision est égalementappelé longueur de prédiction.

• Paramètres d'évaluation – Comment fractionner un ensemble de données en ensembles de données deformation et de test.

• Un des éléments suivants :• Un algorithme – L’algorithme est utilisé pour entraîner un modèle et spécifie les valeurs par défaut pour

l’optimisation des hyperparamètres (uniquement DeepAR+ et CNN-QR), les paramètres d’évaluationet les paramètres d’entraînement. En spécifiant un algorithme, vous pouvez également fournir desremplacements pour ces valeurs de paramètre.

• Perform AutoML – Amazon Forecast fournit un ensemble d'algorithmes prédéfinis. Si vous ne savezpas quel algorithme choisir, utilisez l'option PerformAutoML. Cette option indique à Amazon Forecastd'évaluer tous les algorithmes et de choisir le meilleur en fonction de vos ensembles de données. Aveccette option, la formation du modèle peut prendre plus de temps, mais vous n'avez pas à vous soucierdu choix du bon algorithme et des paramètres. AutoML optimise la moyenne des pertes de quantilesP10, P50 et P90 pondérées, et renvoie l'algorithme avec la valeur la plus faible.

Pour plus d'informations sur les algorithmes, consultez Choix d'un algorithme Amazon Forecast (p. 64).

Évaluation du prédicteurUne fois que vous avez créé un prédicteur, vous pouvez évaluer la précision de la prévision qu'il génère enexécutant l'opération GetAccuracyMetrics (p. 196).

Paramètres d'évaluation

Les paramètres d'évaluation définissent comment fractionner un ensemble de données en ensemblesde données de formation et de test pour les évaluations de fenêtre de test en arrière, ainsi que lenombre d'itérations de rétro-test à effectuer. Ces paramètres ont des valeurs par défaut qui peuvent êtreremplacées dans la demande CreatePredictor (p. 154).

Les paramètres d'évaluation se composent des paramètres NumberOfBacktestWindows etBackTestWindowOffset.

NumberOfBacktestWindows spécifie le nombre de fois où les données d'entrée doivent êtrefractionnées. La plage est comprise entre 1 et 5.

19

Amazon Forecast Manuel du développeur : Fonctionnement Rubrique suivante

BackTestWindowOffset définit le point à partir de la fin de l'ensemble de données où les données sontfractionnées pour la formation et le test du modèle (évaluation). La valeur est spécifiée comme le nombrede points de données. BackTestWindowOffset doit être supérieur ou égal à l’horizon de prévision etinférieur à la moitié de la longueur de l’ensemble de données de série chronologique cible. Ce paramètrepeut être utilisé pour imiter une date de début de prévision virtuelle passée.

Pour plus d'informations, consultez Évaluation de la précision des prédicteurs (p. 84),

: Fonctionnement Rubrique suivantePrévisions (p. 20)

PrévisionsAprès avoir créé un prédicteur Amazon Forecast, vous appelez l'opération CreateForecast (p. 148) pourcréer une prévision. Lors de la création de la prévision, Amazon Forecast forme un modèle sur l'ensemblede données avant d'héberger le modèle et d'effectuer l'inférence. Cette opération crée une prévision pourchaque article (item_id) du groupe d'ensembles de données qui a été utilisé pour former le prédicteur.Lorsqu’une prévision est créée, vous pouvez l’interroger ou l'exporter vers votre compartiment AmazonSimple Storage Service (Amazon S3).

Par défaut, la fréquence de prévisions correspond à la fréquence de collecte de données que vous avezspécifiée lorsque vous avez créé l'ensemble de données avec l'opération CreateDataset (p. 137). Vouspouvez éventuellement spécifier un intervalle supérieur, mais pas inférieur, à la fréquence spécifiée pourl'ensemble de données. Ensuite, l'opération regroupe les données prévisionnelles et renvoie les résultats.Par exemple, supposons que la fréquence de collecte des données ait été quotidienne. Vous pourrezensuite obtenir une prévision par jour ou par mois, mais pas par heure.

Vous interrogez une prévision à l'aide de l'opération QueryForecast (p. 223). Par défaut, la plagecomplète de la prévision est renvoyée. Vous pouvez demander une plage de dates spécifique dans laprévision complète.

Lorsque vous interrogez une prévision, vous devez spécifier des critères de filtrage. Un filtre est une paireclé-valeur. La clé est l'un des noms d'attributs de schéma (y compris les dimensions de prévision) de l'undes ensembles de données utilisés pour créer la prévision. La valeur est une valeur valide pour la cléspécifiée. Vous pouvez spécifier plusieurs paires clé-valeur. La prévision renvoyée contiendra uniquementles éléments qui répondent à tous les critères.

Pour exporter la prévision, vous pouvez appeler l'opération CreateForecastExportJob (p. 151). Cetteopération copie la prévision dans votre compartiment Amazon S3 sous la forme d'un fichier CSV. Le caséchéant, vous pouvez spécifier une clé AWS Key Management Service pour chiffrer les données avantqu'elles ne soient écrites dans le compartiment.

Fonctionnement : rubrique suivanteGetting Started (p. 26)

20

Amazon Forecast Manuel du développeurInscrivez-vous à AWS

ConfigurationAvant d'utiliser Amazon Forecast pour évaluer ou prévoir des données en séries chronologiques,configurez des autorisations d'accès et installez l'interface de ligne de commande AWS (AWS CLI).

Rubriques• Inscrivez-vous à AWS (p. 21)• Configuration de l'AWS CLI (p. 21)• Configuration d'autorisations pour Amazon Forecast (p. 22)

Inscrivez-vous à AWSLorsque vous vous inscrivez à Amazon Web Services (AWS), votre compte AWS est automatiquementinscrit à tous les services d'AWS, y compris Amazon Forecast. Seuls les services que vous utilisez voussont facturés.

Si vous possédez déjà un compte AWS, passez à l'étape suivante. Si tel n'est pas le cas, observez laprocédure suivante pour en créer un.

Pour s'inscrire sur AWS

1. Ouvrez https://aws.amazon.com/ et choisissez Create an AWS Account (Créer un compte AWS).2. Suivez les instructions à l'écran pour réaliser la création du compte. Notez votre numéro de compte

AWS à 12 chiffres. Dans le cadre de la procédure d'inscription, vous recevrez un appel téléphonique etvous saisirez un code PIN en utilisant le clavier numérique du téléphone.

3. Créer un utilisateur admin Identity and Access Management (IAM) AWS Consultez Création de votrepremier groupe et utilisateur IAM dans le Guide de l'utilisateur AWS Identity and Access Managementpour les instructions.

Configuration de l'AWS CLIL'interface de ligne de commande AWS (AWS CLI) est un outil pour développeurs unifié pour gérer lesservices AWS, y compris Amazon Forecast. Nous vous recommandons de l'installer et de l'utiliser.

1. Pour installer l'AWS CLI, suivez les instructions fournies dans la rubrique Installation de l'interface deligne de commande AWS du Guide de l'utilisateur de l'interface de ligne de commande AWS.

2. Pour configurer l'CLI AWS et configurer un profil pour l'appeler, suivez les instructions de la rubriqueConfiguration de l'CLI AWS dans le Guide de l'utilisateur de l'interface de ligne de commande AWS.

3. Pour confirmer que le profil AWS CLI est correctement configuré, exécutez la commande suivantedans une fenêtre de commande :

aws configure --profile default

Si votre profil a été correctement configuré, vous devez obtenir un résultat similaire à ce qui suit :

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

21

https://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/installing.html

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

Amazon Forecast Manuel du développeurConfiguration d'autorisations

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

4. Pour vérifier que l'AWS CLI est configuré pour une utilisation avec Amazon Forecast, exécutez lescommandes suivantes.

aws forecast help

aws forecastquery help

Si l'AWS CLI est correctement configurée, vous pouvez voir une liste des commandes CLI prises encharge pour Amazon Forecast ou Amazon Forecast Query.

Configuration d'autorisations pour Amazon ForecastAmazon Forecast utilise Amazon Simple Storage Service (Amazon S3) pour stocker les données en sérieschronologiques cibles qui sont utilisées pour former les prédicteurs qui peuvent générer des prévisions.Pour accéder à votre Amazon S3 Amazon Forecast a besoin de votre autorisation.

Pour accorder à Amazon Forecast l'autorisation d'utiliser Amazon S3 en votre nom, vous devez disposerd'une stratégie IAM et d'un rôle AWS Identity and Access Management (IAM) dans votre compte. Lastratégie IAM spécifie les autorisations requises et doit être attachée au rôle IAM.

Pour créer le rôle et la stratégie IAM et pour attacher la stratégie au rôle, vous pouvez utiliser la consoleIAM ou l'interface de ligne de commande AWS (AWS CLI).

Note

La prévision ne communique pas avec les VPC AWS et ne peut pas prendre en charge lapasserelle VPCE S3. L’utilisation de compartiments S3 qui autorisent uniquement l’accès VPCentraînera une AccessDenied erreur.

Rubriques• Créer un rôle IAM pour Amazon Forecast (console IAM) (p. 22)• Créer un IAM pour Amazon Forecast (AWS CLI) (p. 24)

Créer un rôle IAM pour Amazon Forecast (consoleIAM)Vous pouvez utiliser la console IAM AWS pour effectuer les tâches suivantes :

• Créer un rôle IAM avec Amazon Forecast comme entité de confiance• Créer une stratégie IAM avec les autorisations permettant à Amazon Forecast d'afficher, de lire et

d'écrire des données dans un compartiment Amazon S3• Attacher la stratégie IAM au rôle IAM.

Créer un rôle et une stratégie IAM qui autorise à Amazon Forecast d'accéder à Amazon S3(console IAM)

1. Connectez-vous à la console IAM (https://console.aws.amazon.com/iam).

22

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

Amazon Forecast Manuel du développeurCréer un rôle IAM pour Amazon Forecast (console IAM)

2. Choisissez Policies (Stratégies) puis effectuez les opérations suivantes pour créer la stratégie requise :

a. Sur la page Créer une stratégie, sélectionnez l'onglet JSON dans l'éditeur de stratégie.b. Copiez la stratégie suivante et remplacer le texte dans l'éditeur en y collant cette stratégie.

Assurez-vous de remplacer bucket-name par le nom de votre compartiment S3, puis choisissezReview policy (Examiner une stratégie).

{ "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. Dans Review policy (Examiner une stratégie), pour Nom, saisissez un nom pour la stratégie. Parexemple, AWSS3BucketAccess. Fournissez éventuellement une description de cette stratégie,puis choisissez Créer une politique.

3. Dans le volet de navigation, choisissez Roles (Rôles). Puis utilisez la procédure suivante pour créer lerôle IAM :

a. Sélectionnez Créer un rôle.b. Sous Select type of trusted entity (Sélectionner le type d'entité de confiance), choisissez Service

AWS.c. Pour Choisir le service qui utilisera ce rôle, si Amazon Forecast n'apparait pas dans la liste,

choisissez EC2. Dans le cas contraire, choisissez Amazon Forecast.d. Choisissez Suivant. Autorisationse. Pour Attacher une stratégie d'autorisations, choisissez la case à cocher à côté de la stratégie que

vous avez créée. Pour afficher la stratégie dans la liste, tapez une partie de votre nom de stratégiedans le filtre de requête Filter policies (Filtrer les requêtes). Sélectionnez ensuite Next (Suivant).Balises

f. Vous n’avez pas besoin d’ajouter des balises, choisissez donc Suivant : Vérificationg. Dans la section Vérification, pour role name (Nom du rôle), entrez un nom pour le rôle (par

exemple, ForecastRole). Mettez à jour la description du rôle dans Description du rôle, puischoisissez Create role (Créer un rôle).

h. Choisissez le nouveau rôle pour ouvrir la page des détails du rôle.i. Dans le Summary (Récapitulatif), copiez la valeur de l'ARN de rôle et enregistrez-la. Vous devez

importer un ensemble de données dans Amazon Forecast.j. Si vous n'avez pas choisi Amazon Forecast comme le service qui utilisera ce rôle, choisissez

Relations d'approbation, puis choisissez Modifier la relation d'approbation pour mettre à jour lastratégie d'approbation comme suit.

{ "Version": "2012-10-17", "Statement": [ { "Sid": "",

23

Amazon Forecast Manuel du développeurCréer un IAM pour Amazon Forecast (AWS CLI)

"Effect": "Allow", "Principal": { "Service": "forecast.amazonaws.com" }, "Action": "sts:AssumeRole" } ]}

Créer un IAM pour Amazon Forecast (AWS CLI)Vous pouvez utiliser l'AWS CLI pour effectuer les opérations suivantes :

• Créer un rôle IAM avec Amazon Forecast comme entité de confiance• Créer une stratégie IAM avec les autorisations permettant à Amazon Forecast d'afficher, de lire et

d'écrire des données dans un compartiment Amazon S3• Attacher la stratégie IAM au rôle IAM.

Créer un rôle et une stratégie IAM qui autorise Amazon Forecast à accéder à Amazon S3 (AWSCLI)

1. Créer un rôle IAM avec Amazon Forecast comme une entité de confiance qui peut assumer le rôlepour vous :

aws iam create-role \ --role-name ForecastRole \ --assume-role-policy-document '{ "Version":"2012-10-17", "Statement":[ { "Effect":"Allow", "Principal":{ "Service":"forecast.amazonaws.com" }, "Action":"sts:AssumeRole" } ]}

Cette commande suppose que le profil de configuration AWS par défaut est ciblé pour une régionAWS prise en charge par Amazon Forecast. Si vous avez configuré un autre profil (par exemple,aws-forecast) pour cibler une région AWS qui n’est pas prise en charge par Amazon Forecast,vous devez explicitement spécifier cette configuration en incluant l’ profile dans la commande, parexemple, --profile aws-forecast. Pour plus d’informations sur la configuration d’un AWS CLIprofil de configuration, voir le AWS CLI configurer.

Si la commande crée le rôle avec succès, elle le renvoie en sortie, qui doit être similaire à ce qui suit :

{ "Role": { "RoleName": "ForecastRole", "AssumeRolePolicyDocument": { "Version": "2012-10-17", "Statement": [ { "Action": "sts:AssumeRole", "Principal": {

24

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

Amazon Forecast Manuel du développeurCréer un IAM pour Amazon Forecast (AWS CLI)

"Service": "forecast.amazonaws.com" }, "Effect": "Allow" } ] }, "Arn": "arn:aws:iam::your-acct-ID:role/ForecastRole", "CreateDate": "2018-09-12T00:23:06Z", "RoleId": "AROAITEGTQ3NN3FYHXNJU", "Path": "/" }}

Enregistrer l'ARN du rôle. Vous en aurez besoin lorsque vous importerez un ensemble de donnéespour former un prédicteur Amazon Forecast.

2. Créez une stratégie IAM avec des autorisations pour répertorier, lire et écrire les données dansAmazon S3 et associez-la au rôle IAM que vous avez créé à l'étape 1 :

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/*" ] } ]}'

25

Amazon Forecast Manuel du développeurPréparation des données d'entrée

Getting StartedPour commencer à utiliser Amazon Forecast, vous effectuez ce qui suit.

• Create an Forecast dataset and import training data.• Create a Forecast predictor. The algorithm that you choose, trains a predictor using the datasets. You

specify both the algorithm and dataset when you create the predictor.• Generate a forecast.

Dans cet exercice, vous utilisez une version modifiée d'un ensemble de données de consommationd'électricité disponibles publiques pour former un prédicteur. Pour plus d'informations, consultezElectricityLoadDiagrams20112014 Data Set. Les exemples suivants sont des lignes d'exempled'ensembles de données :

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

Dans le cadre de cet exercice, vous utilisez l'ensemble de données pour former un prédicteur, puis donnerune prévision sur la consommation d'électricité à l'heure par client.

Vous pouvez utiliser soit Forecast console ou AWS Command Line Interface (AWS CLI) pour cet exercice.Faites attention aux régions par défaut de la console Amazon Forecast, de l'AWS CLI et des kits SDKAmazon Forecast, car les ressources Amazon Forecast ne sont pas partagées entre les régions.

Important

Avant de commencer, assurez-vous d'avoir un compte AWS et d'avoir installé l'AWS CLI. Pourplus d'informations, consultez Configuration (p. 21), Nous vous recommandons également derevoir Fonctionnement de Amazon Forecast (p. 3).

Rubriques• Préparation des données d'entrée (p. 26)• Démarrage (console) (p. 27)• Démarrage (AWS CLI) (p. 42)• Getting Started (Python Notebook) (p. 52)• Clean Up Resources (p. 52)

Préparation des données d'entréeQue vous utilisiez la console Amazon Forecast ou l'AWS Command Line Interface (interface de ligne decommande AWS) pour configurer un projet de prévisions, vous devez configurer vos données d'entrée.Pour préparer vos données, vous effectuez les opérations suivantes :

• Téléchargez les données de formation sur votre ordinateur et chargez-les dans un compartiment AmazonSimple Storage Service (Amazon S3) dans votre compte AWS. Pour importer vos données dans unensemble de données Amazon Forecast, vous devez les stocker dans un compartiment Amazon S3.

• Créez un rôle AWS Identity and Access Management (IAM). Vous accordez à Amazon Forecastl'autorisation d'accéder à votre compartiment S3 avec le rôle IAM. Pour plus d'informations sur les rôlesIAM, consultez Rôles IAM dans le IAM Guide de l'utilisateur.

26

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

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

Amazon Forecast Manuel du développeurDémarrage (console)

Pour préparer des données de formation

1. Téléchargez le fichier zip, electricityusagedata.zip.

Dans le cadre de cet exercice, vous utilisez l'ensemble de données de consommation électriquedomestique individuelle. (Dua, D. et Karra Taniskidou, E. (2017). Référentiel de machine learningde l'Université de Californie à Irvine (UCI) [http://archive.ics.uci.edu/ml]. Irvine, CA : Université deCalifornie, école de l'information et de l'informatique.) Nous regroupons les données de consommationà l'heure.

2. Décompressez le contenu et enregistrez-le localement en tant que electricityusagedata.csv.3. Chargez le fichier de données sur un compartiment S3.

Pour des instructions détaillées, consultez Chargement de fichiers et de dossiers avec glisser etdéposer dans le Amazon Simple Storage Service Guide de l'utilisateur de la console.

4. Créez un rôle IAM.

Si vous souhaitez utiliser l'AWS CLI pour l'exercice de mise en route, vous devez créer un rôle IAM. Sivous utilisez la console, elle peut créer le rôle à votre place. Pour obtenir des instructions détaillées,consultez Configuration d'autorisations pour Amazon Forecast (p. 22).

A présent, utilisez la console Amazon Forecast ou l'AWS CLI pour former un modèle de prévisions, générerune prévision et pour la voir.

• Démarrage (console) (p. 27)• Démarrage (AWS CLI) (p. 42)

Démarrage (console)Dans cet exercice, vous utilisez la console Amazon Forecast pour importer des données en sérieschronologiques de consommation d'électricité, vous créez un prédicteur Amazon Forecast basé surl'ensemble de données en entrée et vous effectuez des prévisions de consommation d'électricité à venirbasées sur l'intervalle de temps en entrée.

Dans le cadre de cet exercice, nous utilisons l'ensemble de données de consommation électriquedomestique individuelle. (Dua, D. et Karra Taniskidou, E. (2017). Référentiel de machine learning del'Université de Californie à Irvine (UCI) [http://archive.ics.uci.edu/ml]. Irvine, CA : Université de Californie,école de l'information et de l'informatique.) Nous regroupons les données de consommation à l'heure.

Prérequis

• Un compte AWS Si vous n'avez pas encore de compte AWS, créez-en un maintenant comme décrit dansInscrivez-vous à AWS (p. 21).

• Données de formation de votre compartiment Amazon Simple Storage Service (Amazon S3). Pour plusd'informations, consultez Préparation des données d'entrée (p. 26).

• Un rôle AWS Identity and Access Management (IAM) qui permet à Amazon Forecast de lire et d'écriredans vos compartiments S3. Pour plus d'informations, consultez Créer un rôle IAM pour AmazonForecast (console IAM) (p. 22).

Étape 1 : Importation des données de formationPour importer des données en séries chronologiques dans Amazon Forecast, créez un grouped'ensembles de données, choisissez un domaine pour votre groupe, spécifiez les détails des données et

27

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


pointez Amazon Forecast sur l'emplacement S3 de vos données. Vous utilisez une série chronologique deconsommation d'électricité (p. 26) à titre d'exemple pour les données chronologiques cibles.

Note

Cet exercice suppose que vous n'avez créé aucun groupe d'ensembles de données. Si vous avezcréé précédemment un groupe d'ensembles de données, ce que vous voyez variera légèrementpar rapport aux captures d'écran et aux instructions suivantes.

Pour importer des données en séries chronologiques pour les prévisions

1. Connectez-vous à AWS Management Console et ouvrez la console Amazon Forecast à partir del'adresse https://console.aws.amazon.com/forecast/.

2. Sur la page d'accueil Amazon Forecast, choisissez Create dataset group (Créer un grouped’ensembles de données).

3. Sur la page Create dataset group (Créer un groupe d'ensembles de données) pour Dataset groupdetails (Détails du groupe d'ensembles de données), fournissez les informations suivantes :

• Dataset group name (Nom de l'ensemble de groupe de données) – Saisissez un nom pour votregroupe d’ensembles de données.

• Forecasting domain (Domaine de prévision) – Dans le menu déroulant, choisissez Custom(Personnalisé). Pour plus d'informations sur la façon de choisir un domaine de prévisions,consultez Fonctionnement de Amazon Forecast (p. 3) et les domaines et types d'ensembles dedonnées (p. 53).

Votre écran doit se présenter comme suit :

4. Choisissez Suivant.5. Sur la page Create dataset group (Créer un groupe d'ensembles de données) pour Dataset group

details (Détails du groupe d'ensembles de données), fournissez les informations suivantes :

• Dataset name (Nom de l'ensemble de données) – Saisissez un nom pour votre ensemble dedonnées.

28

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


• Frequency of your data (Fréquence de vos données) – Conservez la valeur par défaut 1 etchoisissez hour (heure) dans le menu déroulant. Ce paramètre doit être cohérent avec celuides données en séries chronologiques en entrée. L'intervalle de temps dans les données deconsommation d'électricité échantillonnées est d'une heure.

• Data schema (Schéma de données) – Mettez à jour le schéma pour qu'il corresponde aux typeset ordres des colonnes de données en séries chronologiques. Pour les données en entréede consommation d'électricité, les colonnes correspondent dans l'ordre à : un horodatage, laconsommation d'électricité à une heure spécifiée (target_value), et à l'ID du client facturé pour cetteconsommation (string).


6. Choisissez Suivant.7. Sur la page Import target time series data (Importer les données de séries chronologiques cibles), pour

Dataset import job details (Détails de la tâche d'importation de l'ensemble de données), fournissez lesinformations suivantes :

29


• Dataset import job name (Nom de la tâche d’importation de l’ensemble de données)– Entrez un nompour votre ensemble de données.

• Timestamp format (Format d'horodatage) – Conservez la valeur par défaut (yyyy-MM-ddHH:mm:ss). Ce format doit être cohérent avec celui des données en séries chronologiques enentrée.

• IAM role (Rôle IAM) – Conservez la valeur par défaut Enter a custom IAM role ARN (Entrer un ARNde rôle IAM personnalisé).

Vous pouvez également demander à Amazon Forecast de créer le rôle IAM requis pour vous enchoisissant Create a new role (Créer un nouveau rôle), puis en suivant les instructions qui s'affichentà l'écran.

• Custom IAM role ARN (ARN de rôle IAM personnalisé) – Entrez l'Amazon Resource Name (ARN) durôle IAM que vous avez créé dans Créer un rôle IAM pour Amazon Forecast (console IAM) (p. 22).

• Data location (Emplacement des données) – Utilisez le format suivant pour saisir l'emplacement devotre fichier .csv sur Amazon S3 :

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


30


8. Choisissez Start import (Démarrer l'importation).9. La page Dashboard (Tableau de bord) du groupe d'ensembles de données s'affiche. Votre écran doit

se présenter comme suit :

Sous Target time series data (Données en séries chronologiques cibles), vous verrez le statut de latâche d'importation. Attendez que Amazon Forecast termine l'importation de vos données en sérieschronologiques. Ce processus peut prendre quelques minutes ou plus. Lorsque votre ensemble dedonnées a été importé, la progression passe à Active. En outre, la bannière en haut du tableau de bordchange pour afficher le message suivant :

31


Maintenant que votre ensemble de données en séries chronologiques cibles a été importé, vouspouvez former un prédicteur.

Étape 2 : Formation d’un prédicteurPour créer un prédicteur (modèle formé), choisissez un algorithme et le nombre (fréquence des durées)des prédictions à effectuer. Vous pouvez choisir manuellement un algorithme particulier ou sélectionnerAutoML pour qu'Amazon Forecast traite vos données et choisisse un algorithme parfaitement adapté àvotre groupe d'ensembles de données. Pour obtenir des informations sur les algorithmes, consultez Choixd'un algorithme (p. 64).

Former un prédicteur

1. Une fois l'importation de votre ensemble de données en séries chronologiques cibles terminée, leDashboard (Tableau de bord) de votre groupe d'ensembles de données doit ressembler à ceci :

Sous Train a predictor (Former un prédicteur), choisissez Start (Démarrer). La page Train predictor(Former un prédicteur) apparaît.

Note

Le Status des données en séries chronologiques cibles doit être Active, ce qui signifie quel'importation s'est terminée avec succès, avant que vous puissiez former le prédicteur.

32


2. Sur la page Train predictor (Former un prédicteur) pour Predictor details (Détails du prédicteur),fournissez les informations suivantes :

• Predictor name (Nom du prédicteur) – Saisissez un nom pour votre prédicteur.• Forecast horizon (Horizon de prédiction)– Choisissez la date dans le futur jusqu'à laquelle effectuer

des prédictions. Ce nombre multiplié par la fréquence d'entrée de données (hourly) que vous avezspécifiée dans Step 1: Import the Training Data détermine jusqu'à quelle date effectuerdes prédictions. Dans le cadre de cet exercice, définissez le nombre sur 36, ce qui fournira desprévisions pour 36 heures.

• Forecast frequency (Fréquence de prévision) – Conservez la valeur par défaut 1. Dans le menudéroulant, choisissez hour (heure). Ce paramètre doit être cohérent avec celui des donnéesen séries chronologiques en entrée. L'intervalle de temps dans les données de consommationd'électricité échantillonnées est d'une heure.

• Algorithm selection (Sélection de l'algorithme) – Conservez la valeur par défaut Manual (Manuel).Dans le menu déroulant, choisissez l'algorithme ETS . Pour plus d'informations sur les recettes,consultez Choix d'un algorithme Amazon Forecast (p. 64).

Les paramètres restants étant facultatifs, conservez les valeurs par défaut. Votre écran doit seprésenter comme suit :

33


34


3. Choisissez Train predictor (Former le prédicteur). La page Dashboard (Tableau de bord) de votregroupe d'ensembles de données s'affiche. Votre écran doit se présenter comme suit :

Sous Predictor training (Formation du prédicteur), vous verrez le statut de la formation. Attendezqu’Amazon Forecast termine la formation du prédicteur. Ce processus peut prendre quelques minutesou plus. Lorsque votre prédicteur est formé, la progression passe à Active. En outre, la bannière enhaut du tableau de bord change pour afficher le message suivant :

35


Maintenant que votre prédicteur est formé, vous pouvez créer une prévision.

Étape 3 : Création d’une prévisionPour créer des prédictions (inférences), vous utilisez un prédicteur pour créer une prévision. Une prévisionest un groupe de prédictions, une pour chaque élément de l'ensemble de données cible. Pour récupérer laprédiction pour un seul élément, vous interrogez la prévision. Pour récupérer la prévision complète, vouscréez une tâche d'exportation.

Pour obtenir et afficher vos prévisions

1. Une fois que votre prédicteur a terminé la formation, le Dashboard (Tableau de bord) de votre grouped'ensembles de données doit ressembler à ceci :

Sous Forecast generation (Génération d’une prévision), choisissez Start (Démarrer). La page Create aforecast (Créer une prévision) s'affiche.

Note

Le Status de Predictor training (Formation du prédicteur) doit être Active avant que vousne puissiez générer une prévision.

2. Sur la page Create a forecast (Créer une prévision), pour Forecast details (Détails sur la prévision),fournissez les informations suivantes :

• Forecast name (Nom de la prévision) – Entrez un nom pour votre prévision.• Predictor (Prédicteur) – Dans le menu déroulant, choisissez le prédicteur que vous avez créé dansStep 2: Train a Predictor.

36


Le paramètre restant étant facultatif, conservez la valeur par défaut. Votre écran doit se présentercomme suit :

3. Choisissez Create a forecast (Créer une prévision). La page Dashboard (Tableau de bord) du grouped'ensembles de données s'affiche. Votre écran doit se présenter comme suit :

37


Sous Forecast generation (Génération, de prévisions), vous devez voir le statut de la génération deprévisions. Attendez qu’Amazon Forecast termine la création de la prévision. Ce processus peutprendre quelques minutes ou plus. Lorsque votre prévision est créée, la progression passe à Active.En outre, la bannière en haut du tableau de bord change pour afficher le message suivant :

Maintenant que votre prévision a été créée, vous pouvez interroger ou exporter la prévision.

Étape 4 : Récupération d'une prévisionUne fois la prévision créée, vous pouvez interroger un seul élément ou exporter la prévision complète.

Pour interroger un seul élément

1. Si le tableau de bord n'est pas affiché, dans le volet de navigation, sous votre groupe d'ensembles dedonnées, choisissez Dashboard (Tableau de bord).

2. Dans le tableau de bord, sous Generate forecasts (Générer des prévisions), choisissez Lookupforecast (Rechercher une prévision). La page Forecast lookup (Recherche de prévision) s'affiche.

38


3. Sur la page Forecast lookup (Recherche de prévision), pour Forecast details (Détails sur la prévision),fournissez les informations suivantes :

• Forecast (Prévision) – Dans le menu déroulant, choisissez la prévision que vous avez créée dansStep 3: Create a Forecast.

• Start date (Date de début) – Saisissez 2015/01/01. Conservez l'heure par défaut 00:00:00.• End date (Date de fin) – Saisissez 2015/01/02. Réglez l’heure sur 12:00:00.

La plage de dates de 36 heures correspond à Forecast horizon (Horizon de prévision) que vousavez spécifié dans Step 2: Train a Predictor.

• Choose which keys/filters (Choisir les clés/filtres) – Choisissez Add forecast key (Ajouter une clé deprévision).

• Forecast key (Clé de prévision)– Dans le menu déroulant, choisissez item_id.• Value (Valeur) – Saisissez une valeur à partir de la colonne item_id de la série chronologique

en entrée des données de consommation d'électricité. Un item_id (par exemple, client_21)identifie un client particulier qui est inclus dans l'ensemble de données.


4. Choisissez Get Forecast (Obtenir la prévision). Lorsque la prévision s'affiche, passez en revue laprévision de la demande d'utilisation d'électricité du client_21.

Vos prévisions devraient être similaires à ce qui suit :

39


Pour exporter la prévision complète

1. Dans le volet de navigation, sous votre groupe d'ensembles de données, choisissez Forecasts(Prévisions).

2. Choisissez la case d'option en regard de la prévision que vous avez créée dans Step 3: Create aForecast.

3. Choisissez Create forecast export (Créer une exportation de prévision). La page Create forecast export(Créer une exportation de prévision) s'affiche.

4. Sur la page Create forecast export (Créer une exportation de prévision), pour Export details (Détailsd'exportation), fournissez les informations suivantes.

• Export name (Nom de l’exportation) – Entrez un nom pour votre tâche d'exportation de prévision.• Generated forecast (Prévision générée) – Dans le menu déroulant, choisissez la prévision que vous

avez créée dans Step 3: Create a Forecast.• IAM role (Rôle IAM) – Conservez la valeur par défaut Enter a custom IAM role ARN (Entrer un ARN

de rôle IAM personnalisé).

Vous pouvez également demander à Amazon Forecast de créer le rôle IAM requis pour vous enchoisissant Create a new role (Créer un nouveau rôle), puis en suivant les instructions qui s'affichentà l'écran.

• Custom IAM role ARN (ARN de rôle IAM personnalisé) – Entrez l'Amazon Resource Name (ARN) durôle IAM que vous avez créé dans Créer un rôle IAM pour Amazon Forecast (console IAM) (p. 22).

• S3 forecast export location (Emplacement de l'exportation de prévision S3) – Utilisez le formatsuivant pour entrer l'emplacement de votre compartiment ou dossier de compartiment AmazonSimple Storage Service (Amazon S3) ou dossier du compartiment :

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


40


5. Choisissez Create forecast export (Créer une exportation de prévision). La page my_forecast s'affiche.


Vous devez voir le statut progresser. Attendez qu’Amazon Forecast termine l'exportation de laprévision. Ce processus peut prendre quelques minutes ou plus. Lorsque votre prévision a étéexportée, le statut passe à Active et vous pouvez trouver les fichiers de prévision dans votrecompartiment S3.

41

Amazon Forecast Manuel du développeurDémarrage (AWS CLI)

Démarrage (AWS CLI)Dans cet exercice, vous utilisez l'interface de ligne de commande (CLI) AWS pour explorer AmazonForecast. Vous créez un ensemble de données Amazon Forecast, formez un modèle de prévisions etutilisez ce dernier pour générer une prévision. Avant de commencer, assurez-vous d'avoir un compte AWSet d'avoir configuré l'CLI AWS. Pour plus d'informations, consultez Configuration (p. 21).

Note

Les commandes CLI de cet exercice ont été testées sur Linux. Pour en savoir plus sur l'utilisationdes commandes CLI sur Windows, consultez Spécification des valeurs des paramètres pour laCommand Line Interface AWSdans le AWS Command Line Interface Guide de l'utilisateur.

Étape 1 : Importation des données de formationCommencez par créer un ensemble de données et importez-y les données de consommation d'électricité.

Pour créer un ensemble de données Amazon Forecast

1. Décidez quel domaine et quel type d'ensemble de données sont appropriés.

Les données de formation que vous importez dans l'ensemble de données influencent votre choix dedomaine et de type d'ensembles de données. Alors, nous allons examiner quelques lignes d'exemplesde données de consommation d'électricité :

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

Les données sont au format CSV (valeurs séparées par des virgules) et collectées chaque heure(comme indiqué par les horodatages). Il inclut ces colonnes :

• Colonne 1 – horodatages qui montrent quand la consommation d'électricité a été enregistrée.• Colonne 2 – valeurs de consommation électrique à l'heure (notez comment les valeurs d'horodatage

augmentent par heure).• Colonne 3 – les valeurs ID client qui identifient les clients consommateurs de l'électricité.

Pour ces données, choisissez le domaine et le type d'ensembles de données prédéfinis suivants :

• Domaine client – aucun des domaines d'ensembles de données comme METRICS, RETAIL, ouWEB_TRAFFIC ne s'applique à ces données, choisissez alors le domaine personnalisé.

• Type TARGET_TIME_SERIES – les données sont une série chronologique car elles suivent laconsommation électrique au fil du temps. Elles incluent également la cible pour laquelle nousvoulons des prévisions (colonne 2, consommation d'électricité). Par conséquent, choisissez le typed'ensemble de données TARGET_TIME_SERIES.

Pour comprendre pourquoi vous choisissez ce type, consultez Domaines et types d'ensembles dedonnées prédéfinis (p. 53).

2. Déterminez un schéma d'ensembles de données.

Le type TARGET_TIME_SERIES pour le Domaine CUSTOM (p. 56) nécessite ces champs :timestamp, target_valueet item_id. Le champ target_value constitue la cible. AmazonForecast génère les prévisions pour ce champ.

Pour mapper les champs obligatoires aux colonnes de vos données, vous créez un schéma. Chaqueattribut du schéma est mappé à un champ dans les données.

42

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

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


Important

L'ordre des attributs dans le schéma doit correspondre à l'ordre des champs des données deformation.

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

Vous avez maintenant les informations nécessaires pour créer un ensemble de données et y importerdes données.

3. Créez l'ensemble de données.

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" } ]}'

Dans la demande, la valeur de data-frequencyH représente une fréquence de collecte de donnéeshoraire. Voici un exemple de réponse.

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

Pour plus d'informations sur cette opération, consultez CreateDataset (p. 137).4. (Facultatif) Obtenez la description de l'ensemble de données.

aws forecast describe-dataset \

43


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

Voici un exemple de réponse.

{ "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

L'ordre des paires clé-valeur dans la réponse est arbitraire.5. Créez un groupe d'ensembles de données et ajoutez-lui l'ensemble de données. La valeur du

paramètre domain doit correspondre à la valeur domain de l'ensemble de données.

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


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

Pour plus d'informations sur cette opération, consultez CreateDatasetGroup (p. 141).6. (Facultatif) Obtenez la description du groupe d'ensembles de données.

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


{ "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"}

44


7. Importez les données de formation de l'utilisation de l'électricité depuis votre compartiment AmazonS3 vers l'ensemble de données. Le rôle IAM que vous fournissez doit avoir l'autorisation de lire lesdonnées de votre compartiment S3. Pour plus d'informations sur la création d'un rôle IAM, consultezCréer un IAM pour Amazon Forecast (AWS CLI) (p. 24).

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" } }'

Voici la syntaxe raccourcie du paramètre data-source.

--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"}

Pour plus d'informations sur cette opération, consultez CreateDatasetImportJob (p. 144).8. Vérifier le statut d'importation.

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": { "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"}

Lorsque toutes les données ont été importées, l'état passe à ACTIVE et la réponse inclut desstatistiques pour les données, comme illustré dans l'exemple suivant.

45


{ "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

Vous devez attendre que le statut soit ACTIVE avant de créer un prédicteur avec le grouped'ensembles de données.

Pour plus d'informations sur cette opération, consultez DescribeDatasetImportJob (p. 180).

Étape 2 : Formation d’un prédicteurPour créer un prédicteur, vous utilisez l'opération CreatePredictor (p. 154) et vous fournissez lesinformations suivantes :

• Un algorithme – Amazon Forecast utilise l'algorithme pour former le prédicteur à l'aide desdonnées du groupe d'ensembles de données. Pour cet exercice, vous utilisez un algorithme appeléforecast_DEEP_AR_PLUS, fourni par Amazon Forecast. Pour obtenir la liste des algorithmes fournispar Amazon Forecast, consultez Choix d'un algorithme Amazon Forecast (p. 64).

Note

Si vous n'êtes pas sûr de l’algorithme à utiliser, vous pouvez définir l'indicateurPerformAutoML dans l'opération CreatePredictor pour indiquer à Amazon Forecastd'exécuter AutoML. AutoML détermine l'algorithme à utiliser pour la formation des prédicteurs.

• Un groupe d'ensembles de données – Vous avez créé le groupe d'ensembles de données à l'étapeprécédente.

Une fois le prédicteur créé, vous passez en revue les métriques de précision générées par AmazonForecast. Les métriques vous aident à décider si vous souhaitez utiliser le prédicteur pour générer uneprévision. Pour plus d'informations sur les prédicteurs, consultez Predictors (p. 18).

46


Pour créer un prédicteur et vérifier les métriques de précision

1. Créez le prédicteur.

aws forecast create-predictor \--predictor-name electricitypredictor \--algorithm-arn arn:aws:forecast:::algorithm/Deep_AR_Plus \--input-data-config DatasetGroupArn="arn:aws:forecast:us-west-2:acct-id:dsgroup/electricity_ds_group" \--forecast-horizon 20 \--featurization-config '{ "ForecastFrequency": "H" }'


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

2. Obtenez le statut du prédicteur.

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


{ "PredictorName": "electricitypredictor", "PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor", "AlgorithmArn": "arn:aws:forecast:::algorithm/Deep_AR_Plus", "DatasetImportJobArns": [ "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job" ], "InputDataConfig": { "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group" }, "ForecastHorizon": 20, "FeaturizationConfig": { "ForecastFrequency": "H", "Featurizations": [ { "AttributeName": "target_value", "FeaturizationPipeline": [ { "FeaturizationMethodName": "filling", "FeaturizationMethodParameters": { "frontfill": "none", "aggregation": "sum", "backfill": "zero", "middlefill": "zero" } } ] } ] }, "CreationTime": 1564611261.617,

47


"LastModificationTime": 1564611279.896, "PerformAutoML": false, "PerformHPO": false, "EvaluationParameters": { "BackTestWindowOffset": 20, "NumberOfBacktestWindows": 1 }, "Status": "CREATE_IN_PROGRESS"}

Important

La formation de modèle nécessite un certain temps. Ne poursuivez pas tant la formation n'estpas terminée et que le statut du prédicteur n'est pas ACTIVE.

3. Obtenir les métriques de précision pour le prédicteur.

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 }

48


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

Les métriques montrent la perte d'erreur pour chaque quantile. Par exemple, une erreur de 11,7 %s'est produite pour le premier quantile. Les métriques montrent également la valeur d'erreur demoindre carré (RMSE).

Les métriques récapitulatives affichent la moyenne des métriques calculées sur toutes les fenêtres detest. Comme il n'y avait qu'une seule fenêtre de test, les métriques récapitulatives et calculées sontégales.

Pour plus d'informations sur cette opération, consultez GetAccuracyMetrics (p. 196).

Étape 3 : Création d’une prévisionAmazon Forecast génère une prévision pour le champ target_value (tel que déterminé par le domaineet le type d'ensembles de données) pour chaque item_id unique de l'ensemble de données. Dans cetexemple, le champ target_value fournit la consommation d'électricité et le champ item_id fournit lesID client. Vous obtenez une prévision pour la consommation d'électricité horaire par client.

Une fois la prévision créée, vous pouvez interroger un seul élément ou exporter la prévision complète.

Pour créer, récupérer et exporter une prévision

1. Créez la prévision.

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

L'opération utilise le prédicteur pour créer une prévision. Dans la réponse, vous obtenez l'AmazonResource Name (ARN) de la prévision. Vous utilisez cet ARN pour récupérer et exporter la prévision.Voici un exemple de réponse.

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

Pour plus d'informations sur cette opération, consultez CreateForecast (p. 148).2. Récupérez les deux premières heures de la prévision pour client_1.

Note

Le nom du service forecastquery, est différent de celui utilisé ailleurs.

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"}'

49


L'opération inclut les paramètres suivants.

• start-date et end-date – Spécifient une plage de dates facultative pour la récupération desprévisions. Si vous ne spécifiez pas ces paramètres, l'opération renvoie l'ensemble de la prévisionpour client_1.

• filters – Spécifie le filtre item_id pour récupérer les prévisions de consommation d'électricitépour client_1.

Voici la syntaxe raccourcie du paramètre filters.

--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 } ] } }}

50


Comme il s'agit d'une prévision à l'heure, la réponse indique les valeurs prévisionnelles horaires. Dansla réponse, notez les points suivants :

• mean – Pour une date et une heure spécifiques, la moyenne correspond à la valeur moyenne deconsommation d'électricité prévue pour le client.

• p90, p50, p10 – Spécifie le niveau de fiabilité pour lequel la valeur réelle sera inférieure à la valeurrépertoriée et ce, à une date et une heure spécifiées. Par exemple, pour 2015-01-01T01:00:00,Amazon Forecast indique, avec un taux de fiabilité de 90 %, que l'utilisation de l'électricité serainférieure à 24,5. Amazon Forecast indique, avec un taux de fiabilité de 50 %, que l'utilisation serainférieure à 20,8 et avec un taux de fiabilité de 10 %, que l'utilisation sera inférieure à 18,5.

Pour plus d'informations sur cette opération, consultez QueryForecast (p. 223).3. Exportez la prévision complète dans votre compartiment Amazon S3. Le rôle IAM que vous fournissez

doit avoir l'autorisation nécessaire pour écrire des données dans votre compartiment S3. Pour plusd'informations sur la création d'un rôle IAM, consultez Créer un IAM pour Amazon Forecast (AWSCLI) (p. 24).

Créez une tâche d'exportation de prévisions.

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"}

Pour plus d'informations sur cette opération, consultez CreateForecastExportJob (p. 151).4. Obtenez le statut de la tâche d'exportation.

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"}

Lorsque le statut est ACTIVE, vous pouvez trouver les fichiers de prévision dans le compartiment S3spécifié.

51

Amazon Forecast Manuel du développeurGetting Started (Python Notebook)

Getting Started (Python Notebook)Pour parcourir les API Amazon Forecast, vous pouvez utiliser un bloc-notes Jupyter (Python). Pour plusd’informations, voir le Forecast échantillons sur github.

Clean Up ResourcesPour éviter des frais inutiles, supprimez les ressources que vous avez créées lorsque vous avez terminél'exercice de mise en route. Pour supprimer les ressources, utilisez la console Amazon Forecast ou les APIDelete à partir des kits SDK ou l’AWS Command Line Interface (AWS CLI). Par exemple, utilisez l'APIDeleteDataset (p. 161) pour supprimer un ensemble de données.

Pour supprimer une ressource, son statut doit être ACTIVE, CREATE_FAILED, ou UPDATE_FAILED.Vérifiez le statut en utilisant le Describe les API, par exemple, DescribeDataset (p. 173).

Certaines ressources doivent être supprimées avant d'autres, comme illustré dans le tableau suivant. Ceprocessus peut prendre un certain temps.

Pour supprimer les données de formation que vous avez chargées, electricityusagedata.csv,consultez Comment supprimer des objets d'un compartiment S3 ?.

Ressource à supprimer Supprimer en premier Remarques:

ForecastExportJob

Forecast Vous ne pouvez pas supprimerune prévision pendant sonexportation. Après la suppressiond'une prévision, vous ne pouvezplus interroger la prévision.

Predictor Toutes les prévisions associées.

DatasetImportJob Ne peut pas être supprimée.

Dataset Tous les DatasetImportJobqui ciblent l'ensemble dedonnées sont égalementsupprimés.

Vous ne pouvez pas supprimerun Dataset qui est utilisé par unprédicteur.

DatasetSchema Tous les ensembles de donnéesqui référencent le schéma.

DatasetGroup Tous les prédicteurs associésToutes les prévisions associées.

Tous les ensembles de donnéesdu groupe d'ensembles dedonnées.

Vous ne pouvez pas supprimerun DatasetGroup qui contientun Dataset utilisé par unprédicteur.

52


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


Domaines et types d'ensembles dedonnées prédéfinis

Pour former un prédicteur, vous créez un ou plusieurs ensembles de données, vous les ajoutez à ungroupe que vous fournissez pour la formation.

Pour chaque ensemble de données que vous créez, vous associez un domaine et un type d'ensemble dedonnées. Un domaine d'ensemble de données spécifie un schéma d’ensemble de données prédéfini pourun cas d'utilisation courant et n'a pas d'impact sur les algorithmes ou les hyperparamètres de modèle.

Amazon Forecast prend en charge les domaines d'ensemble de données suivants :

• Domaine RETAIL (p. 54) – Pour la prévision de la demande au détail• Domaine INVENTORY_PLANNING (p. 57) – La planification de la chaîne d'approvisionnement et

d'inventaire• Domaine EC2 CAPACITY (p. 58) – Les prévisions de capacité Amazon Elastic Compute Cloud

(Amazon EC2)• Domaine WORK_FORCE (p. 59) – La planification de la main d'œuvre• Domaine WEB_TRAFFIC (p. 61) – L'estimation du trafic Web à venir• Domaine METRICS (p. 62) – Les métriques de prévisions, telles que les recettes et les flux de

trésorerie• Domaine CUSTOM (p. 56) – Pour tous les autres types de prévisions de séries chronologiques

Chaque domaine peut avoir un à trois types d'ensemble de données. Les types d'ensemble de donnéesque vous créez pour un domaine sont basés sur le type de données dont vous disposez et que voussouhaitez inclure dans la formation.

Chaque domaine nécessite un ensemble de données TARGET_TIME_SERIES et peut prendre en chargeles types d'ensembles de données RELATED_TIME_SERIES et ITEM_METADATA.

Les types d'ensemble de données sont les suivants :

• TARGET_TIME_SERIES – Le seul type d'ensemble de données obligatoire. Ce type définit le champcible pour lequel vous souhaitez générer des prévisions. Par exemple, si vous souhaitez prévoirles ventes sur un ensemble de produits, vous devez créer un ensemble de données de sérieschronologiques historiques pour chacun des produits que vous souhaitez prévoir. De même, vouspouvez créer un ensemble de données target_time_series pour des métriques (par exemple, les recettes,le flux de trésorerie et les ventes) que vous souhaitez prévoir.

• RELATED_TIME_SERIES – Données en séries chronologiques qui sont reliées aux données en sérieschronologiques cibles. Par exemple, un prix lié aux données de vente d'un produit peut être fourni en tantque données RELATED_TIME_SERIES.

• ITEM_METADATA – Métadonnées applicables aux données en séries chronologiques cibles(TARGET_TIME_SERIES). Par exemple, si vous prévoyez des ventes pour un produit donné, lesattributs de celui-ci, tels que la couleur, la marque et le style, feront parties des métadonnées de l'article.Lors de la prévision de capacité pour les instances EC2, les métadonnées peuvent inclure l'UC et lamémoire des types d'instances.

Certains champs sont obligatoires pour vos données d'entrée et ce pour chaque type d'ensembles dedonnées. Vous pouvez également inclure des champs facultatifs qu'Amazon Forecast vous propose.

53

Amazon Forecast Manuel du développeurDomaine RETAIL

Les exemples suivants montrent comment choisir un domaine d'ensembles de données et les typescorrespondants.

Example Exemple 1 : Types d'ensembles de données dans le domaine RETAIL

Si vous êtes un détaillant intéressé par la prévision de la demande pour certains articles, vous pouvez créerles ensembles de données suivants dans le domaine RETAIL :

• La série chronologique cible est l'ensemble de données requis basé sur les données historiques etchronologiques (ventes) pour chaque article (chaque produit que vend un détaillant). Dans le domaineRETAIL, ce type d'ensembles de données doit inclure le item_id, timestamp, et les champs demand.Le champ demand est la cible de la prévision, c'est généralement le nombre d'articles vendus par ledétaillant sur une semaine ou un jour particulier.

• Il peut s'agir d'un ensemble de données du type RELATED_TIME_SERIES. Dans le domaine RETAIL,ce type peut inclure de façon facultative mais suggérée, des informations de séries chronologiques tellesque price, inventory_onhand et webpage_hits.

• Il peut également s'agir d'un ensemble de données du type ITEM_METADATA. Dans le domaineRETAIL, Amazon Forecast suggère de fournir des informations de métadonnées concernant les articlesque vous avez fournis dans TARGET_TIME_SERIES, telles que brand, color, category, et genre.

Example Exemple 2 : Types d'ensembles de données dans le domaine METRICS

Si vous souhaitez prévoir des métriques clés pour votre organisation, telles que les recettes, les ventes etles flux de trésorerie, vous pouvez fournir à Amazon Forecast les ensembles de données suivants :

• Ensemble de données TARGET_TIME_SERIES qui fournit les données en séries chronologiqueshistoriques pour la métrique que vous souhaitez prévoir. Si votre métrique a pour but de prévoir lesrecettes de toutes les unités commerciales de votre organisation, vous pouvez créer un ensemble dedonnées target time series avec les champs metric, business unit et metric_value.

• Si vous avez des métadonnées pour chaque métrique qui n'est pas obligatoire, comme categoryou location, vous pouvez fournir des ensembles de données du type RELATED_TIME_SERIES etITEM_METADATA.

Au minimum, vous devez fournir un ensemble de données de série chronologique cible pour que desprévisions pour vos métriques cibles soient générées par Forecast.

Example Exemple 3 : Types d'ensembles de données dans le domaine CUSTOM

Il peut arriver que les données de formation de votre application de prévisions ne conviennent pas à l'undes domaines d'Amazon Forecast. Si c'est le cas, choisissez le domaine CUSTOM. Vous devez fournirl'ensemble de données TARGET_TIME_SERIES, mais vous pouvez aussi ajouter vos propres champspersonnalisés.

L'exercice Getting Started (p. 26)prévoit la consommation d'électricité pour un client. Les donnéesde formation concernant la consommation d'électricité ne correspondent à aucun des domaines, parconséquent nous avons utilisé le domaine CUSTOM. Dans l'exercice, nous n'utilisons qu'un typed'ensemble de données, le type TARGET_TIME_SERIES. Nous mappons les champs de données auxchamps minimum requis par le type d'ensemble de données.

Domaine RETAILLe domaine RETAIL prend en charge les types d'ensembles de données suivants. Pour chaque typed'ensembles de données, nous répertorions les champs obligatoires et facultatifs. Pour plus d'informations

54

Amazon Forecast Manuel du développeurType d'ensemble de données TARGET_TIME_SERIES

sur la façon de mapper les champs aux colonnes de vos données de formation, consultez Domainesd'ensemble de données et types d'ensemble de données (p. 4).

Rubriques• Type d'ensemble de données TARGET_TIME_SERIES (p. 55)• Type d'ensemble de données RELATED_TIME_SERIES (p. 55)• Type d'ensembles de données ITEM_METADATA (p. 56)

Type d'ensemble de donnéesTARGET_TIME_SERIESLes séries chronologiques cibles sont les données en séries chronologiques historiques pour chaqueproduit ou article vendus par l'organisation de détails. Les champs suivants sont obligatoires :

• item_id (chaîne) – un seul identifiant pour l'article ou le produit sur lequel vous souhaitez avoir desprévisions de demande.

• timestamp (horodatage)• demand (float) – Le nombre de ventes pour cet article à l'horodatage. Il s'agit aussi du champ cible pour

lequel Amazon Forecast génère une prévision.

La dimension suivante est facultative et peut être utilisée pour modifier la granularité des prévisions :

• location (chaîne) – l'emplacement du magasin où l'article a été vendu. Utilisez ceci uniquement si vousavez plusieurs magasins/emplacements.

Idéalement, seuls les champs obligatoires et les dimensions facultatives doivent être inclus. Les autresinformations concernant les séries chronologiques supplémentaires doivent être incluses dans unensemble de données RELATED_TIME_SERIES.

Type d'ensemble de donnéesRELATED_TIME_SERIESVous pouvez fournir à Amazon Forecast des ensembles de données en séries chronologiques connexes,telles que le prix ou le nombre de requêtes Web reçues pour l'article à une date particulière. Plus vousfournissez d'informations, plus la prévision sera précise. Les champs suivants sont obligatoires :

• item_id (chaîne)• timestamp (horodatage)

Les champs suivants sont facultatifs et peuvent être utiles pour améliorer les résultats des prévisions :

• price (float) – le prix de l'article au moment de l'horodatage.• promotion_applied (entier ; 1=true, 0=false) – un indicateur qui signale s'il y a eu une promotion

marketing pour cet élément à l'horodatage.

Outre les champs obligatoires et facultatifs suggérés, vos données de formation peuvent inclure d'autreschamps. Pour inclure d'autres champs dans l'ensemble de données, fournissez les champs dans unschéma lorsque vous créez l'ensemble de données.

55

Amazon Forecast Manuel du développeurType d'ensembles de données ITEM_METADATA

Type d'ensembles de données ITEM_METADATACet ensemble de données fournit à Amazon Forecast des informations sur les métadonnées (attributs) deséléments qui sont en cours de prévision. Les champs suivants sont obligatoires :

• item_id (chaîne)


• category (chaîne)• brand (chaîne)• color (chaîne)• genre (chaîne)


Domaine CUSTOMLe domaine CUSTOM prend en charge les types d'ensembles de données suivants. Pour chaque typed'ensembles de données, nous répertorions les champs obligatoires et facultatifs. Pour plus d'informationssur la façon de mapper les champs aux colonnes de vos données de formation, consultez Domainesd'ensemble de données et types d'ensemble de données (p. 4).


Type d'ensemble de donnéesTARGET_TIME_SERIESLes champs suivants sont obligatoires :

• item_id (chaîne)• timestamp (horodatage)• target_value (nombre à virgule flottante) – il s'agit du champ target pour lequel Amazon Forecast

génère une prévision.

Idéalement, seuls ces champs obligatoires doivent être inclus. Les autres informations concernantles séries chronologiques supplémentaires doivent être incluses dans un ensemble de donnéesRELATED_TIME_SERIES.

Type d'ensemble de donnéesRELATED_TIME_SERIESLes champs suivants sont obligatoires :

56



Outre les champs obligatoires, vos données de formation peuvent inclure d'autres champs. Pour inclured'autres champs dans l'ensemble de données, fournissez les champs dans un schéma lorsque vous créezl'ensemble de données.

Type d'ensembles de données ITEM_METADATALe champ suivant est obligatoire :


Le champ suivant est facultatif et peut être utile pour améliorer les résultats des prévisions :

• category (chaîne)


Domaine INVENTORY_PLANNINGUtilisez le domaine INVENTORY_PLANNING pour la prévision de matières premières et pour déterminerla quantité à stocker d'un élément. Il prend en charge les types d'ensembles de données suivants. Pourchaque type d'ensembles de données, nous répertorions les champs obligatoires et facultatifs. Pour plusd'informations sur la façon de mapper les champs aux colonnes de vos données de formation, consultezDomaines d'ensemble de données et types d'ensemble de données (p. 4).



• item_id (chaîne)• timestamp (horodatage)• demand (float) – il s'agit du champ target pour lequel Amazon Forecast génère une prévision.


• location (chaîne) – l'emplacement du centre de distribution où l'élément est stocké. Utilisez ceciuniquement si vous avez plusieurs magasins/emplacements.

57

Amazon Forecast Manuel du développeurType d'ensemble de données RELATED_TIME_SERIES





• price (float) – le prix de l'élément


Type d'ensembles de données ITEM_METADATALes champs suivants sont obligatoires :



• category (chaîne) – la catégorie de l'élément.• brand (chaîne) – la marque de l'élément.• lead_time (chaîne) – le délai d'attente, en jours, pour la fabrication de l'élément.• order_cycle (chaîne) – le cycle de commande commence lorsque le travail débute et se termine

lorsque l'élément est prêt pour la livraison.• safety_stock (chaîne) – le montant minimum de stock à garder pour cet élément.


Domaine EC2 CAPACITYUtilisez le domaine EC2 CAPACITY pour prévoir la capacité de Amazon EC2. Il prend en charge lestypes d'ensembles de données suivants. Pour chaque type d'ensembles de données, nous répertorionsles champs obligatoires et facultatifs. Pour plus d'informations sur la façon de mapper les champs auxcolonnes de vos données de formation, consultez Domaines d'ensemble de données et types d'ensemblede données (p. 4).

58



• instance_type (chaîne) – Le type d'instance (par exemple, c5.xlarge).• timestamp (horodatage)• number_of_instances (nombre entier) – le nombre d'instances de ce type particulier qui a été

consommé à l'horodatage. Il s'agit du champ target pour lequel Amazon Forecast génère uneprévision.


• location (chaîne) – vous pouvez fournir une région AWS, par exemple us-west-2 ou us-east-1. Cetteoption ne doit être utilisée que si vous modélisez plusieurs régions.

Idéalement, seuls ces champs obligatoires et facultatifs suggérés doivent être inclus. Les autresinformations concernant les séries chronologiques supplémentaires doivent être incluses dans unensemble de données RELATED_TIME_SERIES.


• instance_type (chaîne)• timestamp (horodatage)


Domaine WORK_FORCEUtilisez le domaine WORK_FORCE pour prévoir la demande en main-d'œuvre. Il prend en charge lestypes d'ensembles de données suivants. Pour chaque type d'ensembles de données, nous répertorionsles champs obligatoires et facultatifs. Pour plus d'informations sur la façon de mapper les champs auxcolonnes de vos données de formation, consultez Domaines d'ensemble de données et types d'ensemblede données (p. 4).


59



• workforce_type (chaîne) – Le type de main-d'œuvre en prévision. Par exemple, la demande decentres d'appel ou la demande de centres logistiques de main-d'œuvre.

• timestamp (horodatage)• workforce_demand (nombre à virgule flottante) – il s'agit du champ target pour lequel Amazon

Forecast génère une prévision.


• location (chaîne) – l'emplacement où les ressources en main-d'œuvre sont demandées. Utilisez ceciuniquement si vous avez plusieurs magasins/emplacements.



• workforce_type (chaîne)• timestamp (horodatage)



• workforce_type (chaîne)


• wages (float) – les salaires moyens pour ce type de main-d'œuvre particulière.• shift_length (chaîne) – la durée du poste.• location (chaîne) – l'emplacement de la main-d'œuvre.


60

Amazon Forecast Manuel du développeurDomaine WEB_TRAFFIC

Domaine WEB_TRAFFICUtilisez le domaine WEB_TRAFFIC pour prévoir le trafic Web vers une propriété web ou un ensemble depropriétés web. Il prend en charge les types d'ensembles de données suivants. Les rubriques appropriéesdécrivent les champs obligatoires et facultatifs que le type d'ensembles de données prend en charge.Pour plus d'informations sur la façon de mapper ces champs aux colonnes de vos données de formation,consultez Domaines d'ensemble de données et types d'ensemble de données (p. 4).

Rubriques• Type d'ensemble de données TARGET_TIME_SERIES (p. 61)• Type d'ensemble de données RELATED_TIME_SERIES (p. 61)


• item_id (chaîne) – un seul identifiant pour chaque propriété web en prévision.• timestamp (horodatage)• value (float) – il s'agit du champ target pour lequel Amazon Forecast génère une prévision.









61

Amazon Forecast Manuel du développeurDomaine METRICS


Domaine METRICSUtilisez le domaine METRICS pour faire des prévisions de métriques, telles que les recettes, les ventes,et le flux de trésorerie. Il prend en charge les types d'ensembles de données suivants. Pour chaque typed'ensembles de données, nous répertorions les champs obligatoires et facultatifs. Pour plus d'informationssur la façon de mapper les champs aux colonnes de vos données de formation, consultez Domainesd'ensemble de données et types d'ensemble de données (p. 4).



• metric_name (chaîne)• timestamp (horodatage)• metric_value (nombre entier à virgule flottante) – il s'agit du champ target pour lequel Amazon

Forecast génère une prévision (par exemple, le montant des revenus générés au cours d'une journéedonnée).



• metric_name (chaîne)• timestamp (horodatage)



• metric_name (chaîne)

62





63

Amazon Forecast Manuel du développeurAlgorithmes de prévision intégrés

Choix d'un algorithme AmazonForecast

Un Amazon Forecast Le prédicteur utilise un algorithme pour former un modèle avec vos ensemblesde données de série temporelle. Le modèle formé est ensuite utilisé pour générer des métriques et desprédictions.

Si vous ne savez pas quel algorithme utiliser pour former votre modèle, choisissez AutoML lorsque vouscréez un prédicteur et laissez Forecast sélectionner l’algorithme avec les pertes moyennes les plus faiblessur les 10e, médiane et 90e quantiles. Sinon, vous pouvez sélectionner manuellement l’un des algorithmesintégrés.

Algorithmes de prévision intégrésAmazon Forecast fournit six algorithmes intégrés que vous pouvez choisir parmi. Ces algorithmes vont desalgorithmes statistiques couramment utilisés comme l’Autoregressive Integrated Moving Average (ARIMA),aux algorithmes complexes de réseau neuronal comme le CNN-QR et DeepAR+ à.

CNN-QR (p. 67)arn:aws:forecast:::algorithm/CNN-QR

Amazon Forecast CNN-QR, Convolutional Neural Network -Quantile Regression, est un algorithmed’apprentissage automatique propriétaire pour la prévision de séries chronologiques utilisant des réseauxneuronaux convolutifs (CNN) causaux. CNN-QR fonctionne mieux avec de grands ensembles de donnéescontenant des centaines de séries chronologiques. Il accepte les métadonnées d’élément et est le seulForecast qui accepte les données de séries chronologiques associées sans valeurs futures.

DeepAR+ (p. 72)arn:aws:forecast:::algorithm/Deep_AR_Plus

Amazon Forecast DeepAR+ est un algorithme d’apprentissage automatique propriétaire pour la prévisionde séries chronologiques à l’aide de réseaux neuronaux récurrents (RNN). DeepAR+ fonctionne mieuxavec de grands ensembles de données contenant des centaines de séries chronologiques d’entités.L’algorithme accepte les métadonnées de séries chronologiques et d’éléments connexes prospectives.

Prophet (p. 83)arn:aws:forecast:::algorithm/Prophet

Prophet est un algorithme de prévision de séries chronologiques basé sur un modèle additif où lestendances non linéaires correspondent à la saisonnalité annuelle, hebdomadaire et quotidienne. Ilfonctionne mieux avec les séries chronologiques avec des effets saisonniers forts et plusieurs saisons dedonnées historiques.

NPTS (p. 80)arn:aws:forecast:::algorithm/NPTS

64

Amazon Forecast Manuel du développeurARIMA

L’algorithme propriétaire de série chronologique non paramétrique (NPTS) d’Amazon Forecast estun moteur de prévision de base évolutif et probabiliste. NPTS est particulièrement utile lorsque voustravaillez avec des séries chronologiques éparses ou intermittentes. La prévision fournit quatre variantesd’algorithme : NPTS standard, NPTS saisonnier, prévision climatique et prévision climatique saisonnière.

ARIMA (p. 66)arn:aws:forecast:::algorithm/ARIMA

La moyenne mobile intégrée autorégressive (ARIMA) est un algorithme statistique couramment utilisépour les prévisions de séries chronologiques. L’algorithme est particulièrement utile pour les ensembles dedonnées simples avec moins de 100 séries chronologiques.

ETS (p. 79)arn:aws:forecast:::algorithm/ETS

Le lissage exponentiel (ETS) est un algorithme statistique couramment utilisé pour la prévision de sérieschronologiques. L’algorithme est particulièrement utile pour les ensembles de données simples avec desséries chronologiques inférieures à 100 et les ensembles de données avec des modèles saisonniers.ETS calcule une moyenne pondérée sur toutes les observations de l’ensemble de données de sérieschronologiques en tant que prédiction, avec des pondérations en baisse exponentielle au fil du temps.

Comparaison des algorithmes de prévisionUtilisez le tableau suivant pour trouver la meilleure option pour vos ensembles de données de sérieschronologiques.

Réseauxneuronaux

Algorithmeslocaux

flexiblesAlgorithmes de ligne de base

Processus de formation intensif encalcul Élevée Élevée Moyenne Faible Faible Faible

Accepte les séries chronologiques liéeshistoriques*

Accepte les séries chronologiquesprospectives*

Accepte les métadonnées de l’article(couleur du produit, marque, etc.)

Convient aux ensembles de donnéeséparses

Effectue l’optimisation deshyperparamètres (HPO)

Permet de remplacer les valeursd’hyperparamètres par défaut

Convient pour l’analyse de simulation

65

Amazon Forecast Manuel du développeurARIMA

Réseauxneuronaux

Algorithmeslocaux

flexiblesAlgorithmes de ligne de base

Convient aux scénarios de démarrageà froid (prévisions avec peu ou pas dedonnées historiques)

*Pour plus d’informations sur les séries chronologiques associées, voir Séries chronologiquesassociées (p. 8).

Algorithme de moyenne mobile intégréeautorégressive (ARIMA)

Autoregressive Integrated Moving Average (ARIMA) est un algorithme de statistiques locales courammentutilisé pour les prévisions chronologiques. Il capture les différentes structures temporelles standard(organisations de temps modélisées) dans les ensembles de données en entrée. L’algorithme AmazonForecast ARIMA appelle la fonction Arima dans le Package 'forecast' du Comprehensive R ArchiveNetwork (CRAN).

Fonctionnement d'ARIMAL'algorithme Ineko est particulièrement utile pour les ensembles de données qui peuvent être mappésaux séries chronologiques fixes. Les propriétés statistiques de séries chronologiques fixes, comme lesauto-corrélations, sont indépendantes. Les ensembles de données avec des séries chronologiques fixescontiennent généralement une combinaison de signal et de bruit. Le signal peut présenter un modèled'oscillation sinusoïdale ou un composant saisonnier. ARIMA fonctionne comme un filtre pour séparer lesignal du bruit, puis extrapole le signal dans l'avenir pour faire des prévisions.

Hyper-paramètres ARIMA et réglagePour plus d'informations sur les hyper-paramètres ARIMA et le réglage, consultez la documentation de lafonction Arima dans le package « prévision » de CRAN.

Amazon Forecast convertit le paramètre DataFrequency spécifié dans l'opérationCreateDataset (p. 137) en paramètre frequency de la fonction R ts à l'aide du tableau suivant :

DataFrequency (chaîne) R ts frequency (entier)

O 1

M 12

W 52

D 7

H 24

30 min 2

15 min 4

10 min 6

66

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 Manuel du développeurCNN-QR


5 min 12

1 min 60

Pour les fréquences inférieures à 24 ou les séries chronologiques courtes, les hyperparamètres sont définisà l'aide de la fonction auto.arima du Package 'forecast' de CRAN. Pour les fréquences supérieuresou égales à 24 et les séries chronologiques de longue durée, nous utilisons une série de Fourier avec K =4, comme décrit ici, Prévisions avec de longues périodes saisonnières.

Les fréquences de données prises en charge qui ne sont pas dans la table ont par défaut une fréquence tségale à 1.

Algorithme CNN-QRAmazon Forecast CNN-QR, Convolutional Neural Network -Quantile Regression, est un algorithmed’apprentissage automatique propriétaire pour la prévision de séries chronologiques scalaires(unidimensionnelles) utilisant des réseaux neuronaux convolutifs (CNN) causaux. Cet algorithmed’apprentissage supervisé forme un modèle global à partir d’une large collection de séries chronologiqueset utilise un décodeur de quantile pour faire des prédictions probabilistes.

Rubriques• Prise en main de CNN-QR (p. 67)• Fonctionnement de CNN-QR (p. 68)• Utilisation des données associées avec CNN-QR (p. 69)• Hyperparamètres CNN-QR (p. 70)• Conseils et bonnes pratiques (p. 72)

Prise en main de CNN-QRVous pouvez former un prédicteur avec CNN-QR de deux manières :

1. Sélection manuelle de l’algorithme CNN-QR.2. Choix AutoML (CNN-QR fait partie de AutoML).

Si vous ne savez pas quel algorithme utiliser, nous vous recommandons de sélectionner AutoML, etForecast sélectionnera CNN-QR s’il s’agit de l’algorithme le plus précis pour vos données. Pour voirsi CNN-QR a été sélectionné comme le modèle le plus précis, utilisez le DécrirePrédicteur de l’API ouchoisissez le nom du prédicteur dans la console.

Voici quelques cas d’utilisation clés pour CNN-QR :

• Prévisions avec des ensembles de données volumineux et complexes -CNN-QR fonctionne mieuxlorsqu’il est entraîné avec des ensembles de données volumineux et complexes. Le réseau neuronalpeut apprendre sur de nombreux ensembles de données, ce qui est utile lorsque vous avez des sérieschronologiques et des métadonnées d’élément associées.

• Prévision avec séries chronologiques liées historiques -CNN-QR n’exige pas que les sérieschronologiques associées contiennent des points de données dans l’horizon de prévision. Cetteflexibilité supplémentaire vous permet d’inclure une gamme plus large de séries chronologiques et demétadonnées d’articles connexes, telles que le prix de l’article, les événements, les métriques web et lescatégories de produits.

67


https://robjhyndman.com/hyndsight/longseasonality/

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

Amazon Forecast Manuel du développeurFonctionnement

• Cas spéciaux de prévision -CNN-QR peut être utilisé pour les scénarios de démarrage à froid, où il y apeu ou pas de données historiques existantes. Les métadonnées d’élément et les séries chronologiquesassociées peuvent être utilisées pour générer des prédictions de démarrage à froid. En utilisantdifférentes versions de vos données de séries chronologiques associées avec votre modèle formé, vouspouvez exécuter des analyses de simulation pour différents scénarios et contrefactuels.

Fonctionnement de CNN-QRCNN-QR est un modèle de séquence à séquence (Seq2Seq) pour la prévision probabiliste qui testela manière dont une prédiction reconstruit la séquence de décodage, conditionnée sur la séquenced’encodage.

L’algorithme permet différentes fonctions dans les séquences d’encodage et de décodage, de sorte quevous pouvez utiliser une série chronologique associée dans l’encodeur et l’omettre du décodeur (et viceversa). Par défaut, les séries chronologiques associées avec des points de données dans l’horizon deprévision seront incluses dans l’encodeur et le décodeur. Les séries chronologiques associées sans pointsde données dans l’horizon de prévision ne seront incluses que dans l’encodeur.

CNN-QR effectue une régression quantile avec un CNN causal hiérarchique servant d’extracteur decaractéristiques apprenables.

Pour faciliter l’apprentissage des modèles dépendant du temps, tels que les pics pendant les week-ends,CNN-QR crée automatiquement des séries chronologiques de variables basées sur la granularité desséries chronologiques. Par exemple, CNN-QR crée deux séries chronologiques de variables (jour du moiset jour de l’année) à une fréquence de séries chronologiques hebdomadaire. L’algorithme utilise ces sérieschronologiques de variables dérivées ainsi que les séries chronologiques de variables personnaliséesfournies pendant l’entraînement et l’inférence. L’exemple suivant montre une série chronologique cible,zi,t, et deux fonctions de séries chronologiques dérivées : ui,1,t représente l’heure de la journée, etui,2,t représente le jour de la semaine.

CNN-QR inclut automatiquement ces séries chronologiques de caractéristiques en fonction de la fréquencedes données et de la taille des données de formation. Le tableau suivant répertorie les fonctions quipeuvent être obtenues pour chaque fréquence de temps prise en charge.

Fréquencedes sérieschronologiques

Caractéristiques dérivées

Minute minute de l'heure, heure de la journée, jour de la semaine, jour du mois, jour del'année

Heure minute de l'heure, heure de la journée, jour de la semaine, jour du mois, jour del'année

68

Amazon Forecast Manuel du développeurDonnées connexes



jour jour de la semaine, jour du mois, jour de l'année

semaine jour du mois, semaine de l'année

mois mois de l'année

Pendant la formation, chaque série chronologique de l’ensemble de données de formation se composed’une paire de fenêtres de contexte et de prévisions adjacentes avec des longueurs prédéfinies fixes. Ceciest illustré dans la figure ci-dessous, où la fenêtre de contexte est représentée en vert et la fenêtre deprévision en bleu.

Vous pouvez utiliser un modèle entraîné sur un ensemble d’entraînement donné pour générer desprédictions pour les séries chronologiques dans l’ensemble d’entraînement et pour d’autres sérieschronologiques. L’ensemble de données d’entraînement se compose d’une série chronologique cible, quipeut être associée à une liste de séries chronologiques et de métadonnées d’élément connexes.

La figure ci-dessous montre comment cela fonctionne pour un élément d’un ensemble de donnéesd’entraînement indexé par i. L’ensemble de données d’entraînement se compose d’une sériechronologique cible, zi,tet deux séries chronologiques associées, xi,1,t et xi,2,t. La première sériechronologique associée, xi,1,test une série chronologique prospective, et la deuxième, xi,2,test unesérie chronologique historique.

CNN-QR apprend sur l’ensemble des séries chronologiques cibles, zi,tet les séries chronologiquesassociées, xi,1,t et xi,2,t, pour générer des prédictions dans la fenêtre de prévision, représentée par laligne orange.

Utilisation des données associées avec CNN-QRCNN-QR est le seul Forecast qui ne nécessite pas d’ensembles de données de séries chronologiquesconnexes pour s’étendre à l’horizon de prévision. Cela signifie que vous n’avez pas besoin de remplirou de prévoir des valeurs futures pour les séries chronologiques associées. Pour plus d’informationssur les séries chronologiques historiques et prospectives, voir Utilisation des jeux de données de sérieschronologiques connexes. (p. 8)

Vous pouvez également utiliser des jeux de données de métadonnées d’élément avec CNN-QR. Il s’agitde jeux de données avec des informations statiques sur les éléments de votre série chronologique cible.Les métadonnées d’élément sont particulièrement utiles pour les scénarios de prévision de démarrageà froid où il n’y a que peu ou pas de données historiques. Pour plus d’informations sur les métadonnéesd’élément, consultez Métadonnées de l’élément. (p. 12)

69

Amazon Forecast Manuel du développeurHyperparamètres

Hyperparamètres CNN-QRAmazon Forecast optimise les modèles CNN-QR sur les hyperparamètres sélectionnés. Lorsquevous sélectionnez manuellement CNN-QR, vous avez la possibilité de transmettre les paramètresd’entraînement pour ces hyperparamètres. Le tableau suivant répertorie les hyperparamètres réglables del’algorithme CNN-QR.

Nom du paramètre Valeurs Description

context_length Valeurs valides

Entiers positifsPlage valide

10 à 500Valeurs typiques

2 *ForecastHorizonà 12 *ForecastHorizon

HPO personnalisable

Oui

Nombre de points temporels que le modèle lit avantd’effectuer des prédictions. En général, CNN-QR ades valeurs plus élevées pour context_lengthque DeepAR+ car CNN-QR n’utilise pas dedécalages pour examiner d’autres donnéeshistoriques.

Si la valeur pour context_length est endehors d’une plage prédéfinie, CNN-QRdéfinira automatiquement la valeur par défautcontext_length à une valeur appropriée.

use_related_data Valeurs valides

ALL

NONE

HISTORICAL

FORWARD_LOOKING

Valeur par défaut

ALL

HPO personnalisable

Oui

Détermine les types de données de sérieschronologiques associées à inclure dans lemodèle.

Choisissez l’une des quatre options suivantes :

• ALL: Inclure toutes les séries chronologiquesassociées fournies.

• NONE: Exclure toutes les séries chronologiquesassociées fournies.

• HISTORICAL: Inclure uniquement les sérieschronologiques associées qui ne sont pas dansl’horizon de prévision.

• FORWARD_LOOKING: Inclure uniquement lesséries chronologiques associées qui à faire dansl’horizon de prévision.

HISTORICAL inclut toutes les sérieschronologiques liées à l’historique, etFORWARD_LOOKING inclut toutes les sérieschronologiques prospectives associées. Vousne pouvez pas choisir un sous-ensemble deHISTORICAL ou FORWARD_LOOKING sérieschronologiques associées.

use_item_metadata Valeurs valides

ALL

NONE

Détermine si le modèle inclut les métadonnéesd’élément.

Choisissez l’une des deux options suivantes :

70


Nom du paramètre Valeurs DescriptionValeur par défaut

ALL

HPO personnalisable

Oui

• ALL: Inclure toutes les métadonnées d’élémentfournies.

• NONE: Exclure toutes les métadonnées d’élémentfournies.

use_item_metadata inclut soit toutes lesmétadonnées d’élément fournies, soit aucune.Vous ne pouvez pas choisir un sous-ensemble demétadonnées d’élément.

epochs Valeurs valides

Entiers positifsValeurs typiques

10 à 1000Valeur par défaut

100HPO personnalisable

Non

Nombre maximum de passages complets surles données d'entraînement. Les ensembles dedonnées plus petits nécessitent plus d’époques.

Pour des valeurs élevées de ForecastHorizonet context_length, envisagez de diminuer lespériodes pour améliorer le temps d’entraînement.

Optimisation des hyperparamètres (HPO)L’optimisation des hyperparamètres (HPO) est la tâche de sélectionner les valeurs d’hyperparamètresoptimales pour un objectif d’apprentissage spécifique. Avec Forecast, vous pouvez automatiser ceprocessus de deux manières :

1. Choix AutoML, et HPO s’exécutera automatiquement pour CNN-QR.2. Sélection manuelle du CNN-QR et du réglage PerformHPO = TRUE.

Les métadonnées d’éléments et de séries chronologiques connexes supplémentaires n’améliorent pastoujours la précision de votre modèle CNN-QR. Lorsque vous exécutez AutoML ou activez HPO, CNN-QR teste la précision de votre modèle avec et sans les métadonnées de série chronologique et d’élémentassociées fournies, et sélectionne le modèle avec la plus haute précision.

Amazon Forecast optimise automatiquement les trois hyperparamètres suivants pendant HPO et vousfournit les valeurs entraînées finales :

• longueur_du_contexte -détermine jusqu’où le réseau peut voir dans le passé. Le processus HPO définitautomatiquement une valeur pour context_length qui maximise la précision du modèle, tout entenant compte du temps de formation.

• utiliser_données_relatives -détermine les formes de données de séries chronologiques associéesà inclure dans votre modèle. Le processus HPO vérifie automatiquement si vos données de sérieschronologiques associées améliorent le modèle et sélectionne le réglage optimal.

• utiliser_métadonnées_d’élément -détermine s’il faut inclure les métadonnées d’élément dans votremodèle. Le processus HPO vérifie automatiquement si vos métadonnées d’élément améliorent le modèleet choisit le paramètre optimal.

71

Amazon Forecast Manuel du développeurConseils et bonnes pratiques

Note

Si use_related_data est défini sur NONE ou HISTORICAL lorsque le Holiday estsélectionnée, ce qui signifie que l’inclusion des données de congés n’améliore pas la précision dumodèle.

Vous pouvez définir la configuration HPO pour le context_length de l’hyperparamètre si vous définissezPerformHPO = TRUE pendant la sélection manuelle. Cependant, vous ne pouvez pas modifier un aspectde la configuration HPO si vous choisissez AutoML. Pour plus d’informations sur la configuration HPO,reportez-vous au PlageParamètreInterger de l’API.

Conseils et bonnes pratiquesEvitez les valeurs élevées pour ForecastHorizon -Utilisation de valeurs supérieures à 100 pour leForecastHorizon augmente le temps d’entraînement et peut réduire la précision du modèle. Si voussouhaitez procéder à des prévisions plus lointaines, envisagez de regrouper vos données à une fréquenceplus élevée. Par exemple, utilisez 5min plutôt que 1min.

Les CNN permettent une longueur de contexte plus élevée -Avec CNN-QR, vous pouvez définir lecontext_length un peu plus élevé que pour DeepAR+, comme CNNs sont généralement plus efficacesque RNNs.

Ingénierie des caractéristiques des données associées -Expérimentez différentes combinaisons de sérieschronologiques et de métadonnées d’élément associées lors de l’entraînement de votre modèle, et évaluezsi les informations supplémentaires améliorent la précision. Des combinaisons et des transformationsdifférentes de séries chronologiques et de métadonnées d’éléments connexes donneront des résultatsdifférents.

CNN-QR ne prévoit pas au quantile moyen – Lorsque vous définissez ForecastTypes à mean avec le CreateForecast des API, les prévisions seront générées au niveau du quantile médian (0.5 ou P50).

Prévisions d’élément de démarrage à froid – Un modèle global, tel que CNN-QR, apprend à travers lesséries chronologiques cibles, les séries chronologiques associées et les métadonnées d’élément , ce quile rend approprié pour les scénarios de démarrage à froid. CNN-QR peut prévoir la demande pour denouveaux articles et SKUs qui partagent des caractéristiques similaires aux autres éléments avec desdonnées historiques. Suivez ce exemple de bloc-notes pour commencer.

Analyse de simulation – En utilisant différentes versions de vos données chronologiques historiqueset prospectives avec votre modèle CNN-QR formé, vous pouvez créer des prévisions pour différentsscénarios et contrefactuels. Par exemple, vous pouvez prévoir la demande pour un produit avec et sanspromotion. Suivez ce exemple de bloc-notes pour commencer.

Algorithme DeepAR+Amazon Forecast DeepAR+ est un algorithme d'apprentissage supervisé pour la prévision de sérieschronologiques scalaires (unidimensionnelles) qui utilise les réseaux neuronaux récurrents (RNNs). Lesméthodes de prévisions classiques, telles que la moyenne mobile intégrée autorégressive (ARIMA) ou lelissage exponentiel (ETS) adaptent un seul modèle par série chronologique individuelle, qui sera utilisépour extrapoler la série chronologique dans l'avenir. Néanmoins, dans la plupart des applications, vouspouvez avoir de nombreuses séries chronologiques semblables dans un ensemble d'unités transversalesCes groupements en séries chronologiques peuvent demander différents produits, des charges deserveurs et des demandes de pages web. Dans ce cas, il peut être avantageux de former un seul modèlecommun à toutes ces séries chronologiques. DeepAR observe cette approche. Lorsque votre ensemblede données contient des centaines de séries chronologiques de fonctions, l’algorithme DeepAR+ surpasse

72

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

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


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/WhatIf_Analysis/WhatIf_Analysis.ipynb

Amazon Forecast Manuel du développeur : Fonctionnement

les méthodes standard ARIMA et ETS. Vous pouvez également utiliser le modèle formé pour générer desprévisions pour les nouvelles séries chronologiques similaires à celles pour laquelle il avait été formé.

Rubriques• Fonctionnement de DeepAR (p. 73)• Hyperparamètres DeepAR (p. 75)• Réglage du modèle DeepAR+ (p. 78)

Fonctionnement de DeepARPendant la formation, DeepAR+ utilise un ensemble de données de formation et un ensemble de donnéesde test facultatif. Il utilise l'ensemble de données de test pour évaluer le modèle formé. En général, lesensembles de données de formation et les ensembles de données de test ne doivent pas contenir lemême ensemble de séries chronologiques. Vous pouvez utiliser un modèle entraîné sur un ensembled'entraînement donné afin de générer des prévisions pour les séries chronologiques à venir dansl'ensemble d'entraînement, ainsi que pour les autres séries chronologiques. Les ensembles de donnéesde formation et les ensembles de données de test se composent d'une (de préférence plusieurs) sériechronologique cible. Le cas échéant, ils peuvent être associés à un vecteur de séries chronologiques et àun vecteur de fonctions par catégorie (pour plus d'informations, consultez Interface Entrée/ Sortie DeepARdans le SageMaker guide du développeur). L’exemple suivant montre comment cela fonctionne pour unélément d’un ensemble de données d’entraînement indexé par i. L’ensemble de données d’entraînementse compose d’une série chronologique cible, zi,tet deux séries chronologiques associées, xi,1,t etxi,2,t.

La série chronologique cible peut contenir des valeurs manquantes (représentées dans les graphiquespar des ruptures de ligne dans les séries chronologiques). DeepAR+ prend uniquement en charge lesséries chronologiques de fonctions connues dans le futur. Cela vous permet d'exécuter des scénarios« hypothético-déductifs ». Par exemple, « Que se passe-t-il si je modifie le prix d'un produit ? »

Chaque série chronologique cible peut également être associée à un certain nombre de caractéristiquescatégorielles. Vous pouvez l'utiliser pour encoder le groupement auquel appartient la série chronologique.Avec les fonctions de catégorie le modèle apprend le comportement normal de ce groupe, ce qui peutaugmenter le niveau de précision. Un modèle implémente ceci en apprenant un vecteur d'intégration pourchaque groupe qui capture les propriétés courantes de toutes les séries chronologiques du groupe.

Afin de faciliter les schémas d'apprentissage liés au temps, tels que les pics durant les week-ends,DeepAR+ crée automatiquement des séries chronologiques de fonctions basées sur la granularité. Parexemple, DeepAR+ crée deux séries chronologiques de fonctions (jour du mois et jour de l'année) àune fréquence hebdomadaire. Il utilise ces séries chronologiques de fonctions dérivées avec les sérieschronologiques de fonctions personnalisées que vous fournissez au cours de la formation et de l'inférence.L’exemple suivant montre deux entités dérivées de séries chronologiques : ui,1,t représente l’heure de lajournée, et ui,2,t jour de la semaine.

73

https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput


DeepAR+ inclut automatiquement ces séries chronologiques de fonctions basées sur la fréquence desdonnées et la taille des données de formation. Le tableau suivant répertorie les fonctions qui peuvent êtreobtenues pour chaque fréquence de temps prise en charge.



Minute minute de l'heure, heure de la journée, jour de la semaine, jour du mois, jour del'année

Heure minute de l'heure, heure de la journée, jour de la semaine, jour du mois, jour del'année

jour jour de la semaine, jour du mois, jour de l'année

semaine jour du mois, semaine de l'année


Un modèle DeepAR+ est formé par plusieurs exemples de formation échantillonnés de façon aléatoire àpartir de chacune des séries chronologiques de l'ensemble de données de formation. Chaque exempled'entraînement se compose d'une paire de fenêtres de contexte et de prédiction adjacentes avec deslongueurs prédéfinies fixes. L'hyperparamètre context_length contrôle jusqu'où peut remonter le réseaudans le passé et le paramètre ForecastHorizon contrôle jusqu'où peuvent porter les prévisions sur lefutur. Pendant la formation, Amazon Forecast ignore les éléments de l'ensemble de données de formationdont la série chronologique est plus courte que la longueur de prévision spécifiée. L’exemple suivantmontre cinq exemples, avec une longueur de contexte (surlignée en vert) de 12 heures et une longueur deprédiction (surlignée en bleu) de 6 heures, tirée de l’élément i. Pour des raisons de concision, nous avonsexclu les séries chronologiques xi,1,t et ui,2,t.

Afin de capturer les variations saisonnières, DeepAR+ alimente automatiquement les valeurs décalées(période passée) issues des séries chronologiques cibles. Dans notre exemple d'échantillons pris sur

74


une fréquence horaire, pour chaque index de temps t = T, le modèle prend les valeurs zi,t, qui se sontproduites environ un, deux et trois jours par le passé (surlignées en rose).

Pour l'inférence, le modèle formé utilise en entrée la série chronologique cible, qui peut ou non avoir étéutilisée pendant la formation, puis prévoit une distribution de probabilités pour les prochaines valeursForecastHorizon. Puisque DeepAR+ est formé sur la totalité de l'ensemble de données, la prévisiontient compte des modèles appris à partir de séries chronologiques similaires.

Pour plus d’informations sur les mathématiques derrière DeepAR+, voir Réaction à l’action (AR) profonde :Prévisions probabilistes avec les réseaux récurrents autorégressifs sur le site Web de la Cornell UniversityLibrary.

Hyperparamètres DeepARLe tableau suivant répertorie les hyperparamètres que vous pouvez utiliser dans l’algorithme DeepAR+.Les paramètres en gras participent à l'optimisation des hyperparamètres (HPO).

Nom du paramètre Description :

context_length Le nombre de points temporels fournis au modèle avant de procéder à laprévision. La valeur de ce paramètre doit être à peu près la même que la valeurForecastHorizon. Le modèle reçoit également des entrées décalées de lacible, donc context_length peut être beaucoup plus petit que les saisonstypiques. Par exemple, une série chronologique quotidienne peut avoir unesaisonnalité annuelle. Le modèle inclut automatiquement un décalage d'unan. La longueur du contexte peut donc être plus courte qu'un an. Les valeursde décalage sélectionnées par le modèle dépendent de la fréquence desséries chronologiques. Par exemple, les valeurs de décalage pour la fréquencequotidienne sont la semaine précédente, 2 semaines, 3 semaines, 4 semaineset un an.

Valeurs valides : {, }

Nombres entiers positifsValeurs typiques

ceil(0.1 * ForecastHorizon) to min(200, 10 * ForecastHorizon)Valeur par défaut : ""

2 * ForecastHorizon

epochs Nombre maximal de passages sur les données de formation. La valeur optimaledépend de la taille des données et du taux d'apprentissage. Des jeux dedonnées plus petits et des taux d'apprentissage plus faibles nécessitent plus devaleurs epoch pour obtenir de bons résultats.

75

https://arxiv.org/abs/1704.04110

https://arxiv.org/abs/1704.04110


Nom du paramètre Description :Valeurs valides : {, }



500**

learning_rate Le taux d'apprentissage utilisé dans l'entraînement.


Nombres à virgule flottante positifsValeurs typiques

0.0001 à 0.1Valeur par défaut

0.001

learning_rate_decayTaux de diminution du taux d'apprentissage. Au maximum, le tauxd'apprentissage est réduit max_learning_rate_decays fois, puisla formation s'arrête. Ce paramètre ne sera utilisé que si la valeurmax_learning_rate_decays est supérieure à 0.


Nombres à virgule flottante positifsValeurs typiques

0,5 à 0,8 (inclus)Valeur par défaut

0,5

76



likelihood Le modèle génère une prévision probabiliste, et peut fournir des quantilesde la distribution et renvoyer des échantillons. En fonction de vos données,sélectionnez une probabilité appropriée (modèle de bruit) qui est utilisée pour lesestimations d'incertitude.


• beta: : s'emploie pour les cibles à valeurs réelles comprises entre 0 et 1,inclus.

• deterministic-L1: : une fonction de perte qui n'évalue pas l'incertitude etapprend uniquement une prévision de points.

• gaussian: : s'emploie pour les données à valeurs réelles.• negative-binomial: : s'emploie pour les données de comptage (entiers

non négatifs).• piecewise-linear: : à utiliser pour les distributions flexibles.• student-T: : utilisez cette option pour les données à valeurs réelles

transmises en paquets.

Valeur par défaut : ""

student-T

max_learning_rate_decaysLe nombre maximal de réductions de taux d'apprentissage qui devraient seproduire.




0 %

num_averaged_modelsDans DeepAR +, une trajectoire de formation peut rencontrer plusieurs modèles.Chaque modèle peut avoir des forces et des faiblesses de prévisions différentes.DeepAR+ peut faire une moyenne des comportements de modèle pour profiterdes forces de tous les modèles.



1 à 5 (inclus)Valeur par défaut

1

77

Amazon Forecast Manuel du développeurRéglage du modèle


num_cells Le nombre de cellules à utiliser dans chaque couche masquée du réseau RNN.




40

num_layers Nombre de couches masquées du réseau RNN.




2.

Réglage du modèle DeepAR+Pour régler des modèles Amazon Forecast DeepAR+, suivez ces recommandations pour optimiser leprocessus de formation et la configuration matérielle.

Bonnes pratiques d'optimisation de processusPour obtenir les meilleurs résultats, suivez les recommandations suivantes :

• Sauf lorsque vous fractionnez les ensembles de données, vous devez toujours fournir l'ensemble desséries chronologiques pour la formation et les tests, ainsi que lorsque vous appelez le modèle pourl'inférence. Quelle que soit la façon dont vous définissez context_length, ne fractionnez pas la sériechronologique et fournissez-la dans son intégralité. Le modèle utilisera les points de données d'un passéplus lointain que context_length pour la fonction des valeurs décalées.

• Pour le réglage du modèle, vous pouvez diviser l'ensemble de données en ensembles de donnéesde test et de formation. Dans un scénario d'évaluation typique, vous devez tester le modèle sur lesmêmes séries chronologiques que celles utilisées dans les formations, mais sur les points temporelsfuturs ForecastHorizon immédiatement après le dernier point visible. Pour créer des ensembles dedonnées de formation et de test qui répondent à ces critères, utilisez tout l'ensemble de données (toutesles séries chronologiques) en tant qu'ensemble de données de test et supprimez les derniers pointsForecastHorizon de chaque série chronologique. De cette façon, lors de la formation, le modèle nedétecte pas les valeurs cibles pour les points temps sur lesquels il est évalué pendant le test. Dans cettephase de test, les derniers points ForecastHorizon de chaque série chronologique de l'ensemble dedonnées de test sont supprimées et une prévision est générée. La prévision est ensuite comparée auxvaleurs réelles pour les derniers points ForecastHorizon. Vous pouvez créer des évaluations pluscomplexes en répétant les séries chronologiques à plusieurs reprises dans l'ensemble de données detest, mais en les coupant à différents points de terminaison. Cela produit des métriques de précision quisont calculées sur une moyenne de plusieurs prévisions à partir de différents points temps.

78

Amazon Forecast Manuel du développeurETS

• Évitez d'utiliser des valeurs très grandes (> 400) pour le ForecastHorizon car cela ralentit le modèleet le rend moins précis. Si vous souhaitez procéder à des prévisions plus lointaines, envisagez deregrouper vos données à une fréquence plus élevée. Par exemple, utilisez 5min plutôt que 1min.

• En raison des décalages, le modèle peut regarder plus loin que context_length. Par conséquent,vous n’avez pas besoin de définir ce paramètre sur une valeur élevée. Un bon point de départ pour ceparamètre est la même valeur que ForecastHorizon.

• Former des modèles DeepAR+ avec autant de séries chronologiques qui sont disponibles. Même si unmodèle DeepAR+ formé sur une seule série chronologique peut déjà bien fonctionner, des méthodesde prévisions standard tels que ARIMA ou ETS peuvent être plus précises et sont plus adaptées à cecas d'utilisation. DeepAR+ commence à surpasser les méthodes standard lorsque votre ensemble dedonnées contient des centaines de séries chronologiques de fonctions. Actuellement, DeepAR exige qu'ily ait au moins 300 observations disponibles sur l'ensemble des séries chronologiques d'entraînement.

• DeepAR+ apprend à travers les séries chronologiques cibles, les séries chronologiques associées et lesmétadonnées d’élément, ce qui le rend approprié pour les scénarios de démarrage à froid. DeepAR+peut prévoir la demande pour de nouveaux articles et SKU qui partagent des caractéristiques similairesaux autres articles avec des données historiques. Suivez ce exemple de bloc-notes pour commencer.

Algorithme de lissage exponentiel (ETS)Le lissage exponentiel (ETS) est un algorithme de statistiques local couramment utilisé pour les prévisionschronologiques. L’algorithme ETS Amazon Forecast appelle la fonction ets dans le Package 'forecast'du Comprehensive R Archive Network (CRAN).

Fonctionnement d'ETSL'algorithme SCEQE est particulièrement utile pour les ensembles de données avec des variationssaisonnières et d'autres hypothèses antérieures sur les données. ETS calcule une moyenne pondéréesur toutes les observations du jeu de données en séries chronologiques d'entrée comme prédiction. Lespondérations diminuent de façon exponentielle au fil du temps, contrairement aux pondérations constantesdes méthodes de moyenne mobile simple. Les pondérations dépendent d'un paramètre constant, connusous le nom de paramètre de lissage.

Hyper-paramètres ETS et réglagePour plus d'informations sur les hyper-paramètres ETS et le réglage, consultez la documentation sur lafonction ets dans le package « prévision » du CRAN.

Amazon Forecast convertit le paramètre DataFrequency spécifié dans l'opérationCreateDataset (p. 137) en paramètre frequency de la fonction R ts à l'aide du tableau suivant :


O 1

M 12

W 52

D 7

H 24

30 min 2

79

https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Forecast with Cold Start Items

https://en.wikipedia.org/wiki/Exponential_smoothing

https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1

https://cran.r-project.org/web/packages/forecast/forecast.pdf


https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts

Amazon Forecast Manuel du développeurNPTS


15 min 4

10 min 6

5 min 12

1 min 60

Les fréquences de données prises en charge qui ne sont pas dans la table ont par défaut une fréquence tségale à 1.

Algorithme de séries chronologiques nonparamétriques (NPTS)

L’algorithme de séries chronologiques non paramétriques (NTPS) Amazon Forecast est une recettede prévision évolutive de base probabiliste. Elle prévoie la distribution de valeurs futures d'une sériechronologique basée sur l'échantillonnage d'observations passées. Les prévisions sont délimitées parles valeurs observées. NPTS est particulièrement utile lorsque la série chronologique est intermittente(ou éparse, contenant beaucoup de 0) et sporadique. Par exemple, la demande prévisionnelle pour deséléments individuels où la série chronologique a des comptes très bas. Amazon Forecast fournit desvariantes de NPTS qui diffèrent de celles des observations passées échantillonnées et de la façon dontelles le sont. Pour utiliser une variante NPTS, vous choisissez de définir un hyperparamètre.

Fonctionnement de NPTSA l'instar des méthodes de prévisions classiques, telles que le lissage exponentiel (FTS) et la moyennemobile intégrée autorégressive (ARIMA), NPTS génère des prévisions pour chaque série chronologiqueindividuellement. Les séries chronologiques de l'ensemble de données peuvent avoir des longueursdifférentes. Les points temps où les observations sont disponibles sont appelés la plage de formation et lespoints temps où la prévision est souhaitée sont appelés la plage de prévision.

Les prévisionneurs NPTS d’Amazon Forecast ont les variantes suivantes : les NPTS, les NPTSsaisonniers, les prévisionnistes climatologiques et les prévisionnistes climatologiques saisonniers.

Rubriques• NPTS (p. 80)• NPTS saisonnier (p. 81)• Prédicteur climatologique (p. 81)• Prédicteur climatologique saisonnier (p. 81)• Fonctions saisonnières (p. 81)• Bonnes pratiques (p. 82)

NPTSDans cette variante, les prévisions sont générées par l'échantillonnage de toutes les observations dansla plage de formation des séries chronologiques. Cependant, au lieu d'un échantillonnage uniforme detoutes les observations, cette variante attribue une pondération à chacune des observations passéesen fonction du moment où la prévision est nécessaire. En particulier, elle utilise des pondérations avec

80


réduction exponentielle en fonction de l'éloignement des observations passées. De cette manière, lesobservations d'un passé récent sont échantillonnées avec une probabilité beaucoup plus élevée queles observations d'un passé plus éloigné. Cela suppose que le passé proche est plus révélateur pourl'avenir qu'un passé éloigné. Vous pouvez contrôler les valeurs de décalage dans la pondération avecl'hyperparamètre exp_kernel_weights.

Pour utiliser cette variante NPTS dans Amazon Forecast, définissez l'hyper-paramètreuse_seasonal_model sur False et acceptez tous les autres paramètres par défaut.

NPTS saisonnierLa variante NPTS saisonnière est similaire à NTPS à l'exception du fait qu'au lieu d'échantillonner toutesles observations, elle n'utilise que les observations des saisons passées. Par défaut, la saison estdéterminée par la granularité des séries chronologiques. Par exemple, concernant une série chronologiqueà l'heure, pour faire des prévisions à l'heure t, cette variante échantillone les observations correspondant àl'heure t des jours précédents. Semblable à NPTS, les observations à l'heure t du jour précédent ont plusde poids que les observations à l'heure t des jours bien antérieurs. Pour plus d'informations sur la façon dedéterminer les variations saisonnières en fonction de la granularité de la série chronologique, consultez thesection called “Fonctions saisonnières” (p. 81).

Prédicteur climatologiqueLa variante du prédicteur climatologique échantillonne toutes les observations passées avec uneprobabilité uniforme.

Pour utiliser le météorologue, définissez le kernel_type de l’hyperparamètre à uniform et leuse_seasonal_model de l’hyperparamètre à False. Acceptez les paramètres par défaut pour tous lesautres hyperparamètres.

Prédicteur climatologique saisonnierSemblable au NPTS saisonnier, le prédicteur climatologique saisonnier échantillonne les observations dessaisons passées avec une probabilité uniforme.

Pour utiliser le météorologue saisonnier, définissez le kernel_type de l’hyperparamètre à uniform.Acceptez tous les autres paramètres par défaut pour tous les autres hyperparamètres.

Fonctions saisonnièresPour déterminer ce qui correspond à une saison pour le NTPS saisonnier et pour le prédicteurclimatologique saisonnier, utilisez les fonctions répertoriées dans le tableau suivant. Le tableau suivantrépertorie les fonctions dérivées pour les fréquences de temps prises en charge, basées sur la granularité.Amazon Forecast inclut ces séries chronologiques de fonctions ; vous n'avez donc pas à les fournir.

Fréquence des séries chronologiques Fonction pour déterminer la saisonnalité

Minute Minute de l'heure

Heure Heure de la journée

jour jour de la semaine

semaine Jour du mois


81


Bonnes pratiquesLorsque vous utilisez les algorithmes Amazon Forecast NPTS, suivez les bonnes pratiques suivantes pourpréparer les données et obtenir des résultats optimaux :

• Comme NPTS génère des prévisions pour chaque séries chronologiques individuellement, fournissez lesséries chronologiques complètes pour appeler le modèle de prévisions. De plus, acceptez la valeur pardéfaut des hyperparamètres context_length. Cela conduit l'algorithme à utiliser l'ensemble de la sériechronologique.

• Si vous modifiez le context_length (parce que les données de formation sont trop longues), assurez-vous qu'il est suffisamment grand et couvre plusieurs saisons passées. Par exemple, pour une sériechronologique à la journée, cette valeur doit être au moins de 365 jours (sous réserve que vous ayezcette quantité de données).

Hyperparamètres NPTSLe tableau suivant répertorie les hyperparamètres que vous pouvez utiliser dans l’algorithme NPTS.


context_length Le nombre de points temporels sur le passé utilisés par le modèle pour faireles prévisions. Par défaut, elle utilise toutes les points temporels de la plage deformation. En général, la valeur de cet hyperparamètre doit être grande et doitcouvrir plusieurs saisons passées. Par exemple, pour la série chronologique à lajournée, cette valeur doit être au moins de 365 jours.


Nombres entiers positifsValeur par défaut : ""

La longueur de la série chronologique de formation

kernel_type Le noyau à utiliser pour définir les pondérations utilisées pour l'échantillonnagesur les observations passées.


exponential ou uniformValeurs par défaut

exponential

exp_kernel_weights Valide uniquement lorsque kernel_type est exponential.

Paramètre de mise à l'échelle du noyau. Pour un décalage (exponentielle) plusrapide (exponentielle) dans la pondération des observations d'un passé pluséloigné, utilisez une grande valeur.


Nombres à virgule flottante positifsValeur par défaut : ""

0.01

82

Amazon Forecast Manuel du développeurProphet


use_seasonal_model S'il convient d'utiliser une variante saisonnière.


True ou FalseValeur par défaut : ""

True

use_default_time_featuresValide uniquement pour les NTPS saisonniers et les variantes de prédicteurclimatologique saisonnier.

S'il faut utiliser les fonctions de saison en fonction de la granularité de la sériechronologique pour déterminer la saisonnalité.


True ou FalseValeur par défaut : ""

True

Algorithme ProphetProphet est un célèbre modèle bayésien de séries structurelles chronologiques. L’algorithme ProphetAmazon Forecast utilise la classe Prophet de l'implémentation Python de Prophet.

Fonctionnement de ProphetProphet est particulièrement utile pour les ensembles de données qui :

• Contiennent des observations historiques détaillées (par heure, par journée ou par semaine) sur unelongue période (des mois ou des années)

• ont plusieurs saisonnalités fiables• Incluent des événements importants, mais irréguliers précédemment connus• ont des points de données manquants ou des valeurs aberrantes très grandes• affichent des tendances de croissance non linéaire qui s'approchent d'une limite

Prophète est un modèle de régression supplémentaire sous forme d'une courbe tendancielle de croissancelogistique ou linéaire. Il inclut un composant saisonnier annuel modélisé sur les séries de Fourier et uncomposant saisonnier hebdomadaire modélisé modélisée à l'aide de variables fictives.

Pour plus d'informations, consultez Prophet : prévision à l'échelle.

Hyperparamètres Prophet et séries chronologiquesconnexesAmazon Forecast utilise les hyperparamètres Prophet par défaut. Prophet prend également en charge lesséries chronologiques connexes en tant que fonctions, fournies à Amazon Forecast dans le fichier CSV deséries chronologiques associé.

83

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


Évaluation de la précision desprédicteurs

Pour évaluer la précision d'un algorithme pour différents scénarios de prévision et pour ajuster leprédicteur, utilisez les métriques du prédicteur. Amazon Forecast utilise les tests rétrospectifs pour produiredes métriques.

Forecast fractionne automatiquement vos données d'entrée en deux ensembles de données,formation et test, comme illustré dans la figure suivante. Forecast décide comment fractionnerles données d'entrée à l'aide du paramètre BackTestWindowOffset que vous spécifiez dansl'opération CreatePredictor (p. 154), ou s'il n'est pas spécifié, utilise la valeur par défaut du paramètreForecastHorizon. Pour plus d'informations, consultez EvaluationParameters (p. 240).

Pour évaluer les métriques dans plusieurs scénarios de test principal avec différentes datesde début de prévision virtuelle, comme illustré dans la figure suivante, utilisez le paramètreNumberOfBacktestWindows dans l'opération CreatePredictor. La valeur par défaut du paramètreNumberOfBacktestWindows est 1. Si vous utilisez la valeur par défaut, Forecast utilise la méthode defractionnement simple illustrée dans la précédente à la figure.

Après la formation, Amazon Forecast calcule l'erreur quadratique moyenne (RMSE) et les pertes dequantiles pondérées pour déterminer la façon dont le modèle a prédit les données de test dans chaque

84

https://en.wikipedia.org/wiki/Backtesting


fenêtre de rétro-test arrière et la valeur moyenne sur toutes les fenêtres de rétro-test. Ces métriquesmesurent la différence entre les valeurs prédites par le modèle et les valeurs réelles dans l'ensemble dedonnées de test. Pour récupérer les métriques, vous utilisez l'opération GetAccuracyMetrics (p. 196).

Racine carrée de l'erreur quadratique moyenne (RMSE)

RMSE est le carré du terme d'erreur, qui est la différence entre la valeur cible réelle yi,t, et la valeurprédite (prévue), ŷi,t, où i représente l'index d'élément allant de 1 au nombre total d'éléments n, et tl'index temporel de la série chronologique allant de 1 à l'heure finale de la période d'évaluation, T.

La métrique RMSE privilégie un modèle dont les erreurs individuelles sont d'une ampleur constante, car lesgrandes variations d'erreur augmentent le RMSE. En raison de l'erreur quadratique, quelques valeurs malprédites dans une prévision autrement bonne peuvent augmenter le RMSE.

Quantiles de prédiction et WAPE

Les Prediction quantiles (Quantiles de prédiction) (intervalles de prédiction) expriment l'incertitude desprévisions. En calculant des intervalles de prédiction, le modèle montre le degré d'incertitude associé àchaque prévision. Sans les quantiles de prédiction fournies, les prévisions de point ont une valeur limitée.

La prédiction des prévisions à différents quantiles est particulièrement utile lorsque les coûts d'uneprédiction insuffisante ou excessive sont différents. Amazon Forecast fournit des prédictions probabilistesà trois quantiles distincts — 10 %, 50 % et 90 % — et calcule l'erreur (la perte) associée à chaque quantile.La perte de quantile pondérée (wQuantileLoss) calcule la distance de la prévision par rapport à la demanderéelle dans les deux sens. Le calcul est effectué sous la forme de pourcentage de la demande moyennedans chaque quantile. Cette métrique permet de capturer le biais inhérent à chaque quantile, qui ne peutpas être capturé par un calcul tel que WAPE (Weighted Absolute Percentage Error), où les pondérationssont égales à. Comme avec WAPE et RMSE, plus bas wQuantileLoss les erreurs indiquent une meilleureprécision globale des prévisions.

La perte de quantile pondérée est calculée comme suit :

qi,t(τ) est le τ-quantile que le modèle prédit. τ se trouve dans l’ensemble {0.1, 0.2,..., 0.9}.

Amazon Forecast calcule les pertes de quantiles P10, P50 et P90 pondérées, où τ est dans l'ensemble{0.1, 0.5, 0.9}, respectivement. Cela couvre l'intervalle de confiance standard de 80 %. Pour RMSE,Amazon Forecast utilise la prévision P50 pour représenter la valeur prédite, par exemple, ŷi,t =qi,t

(0.5).

Lorsque la somme de la cible exacte sur tous les articles et toutes les périodes est approximativementégale à zéro dans une fenêtre de tests rétrospectifs donnée, l'expression de perte de quantile pondéréen'est pas définie. Dans ce cas, Amazon Forecast produit la perte de quantile non pondérée, qui est lenumérateur dans ce qui précède wQuantileLoss de l’expression.

wPerteQuantile[0,1]: Pour la prédiction P10, la valeur réelle devrait être inférieure à la valeur prédite 10 %du temps.

Par exemple, supposons que vous soyez un détaillant et que vous souhaitiez prévoir la demande deproduits pour des gants d'hiver qui ne se vendent que pendant l'automne et l'hiver. Si vous n'avez

85


pas beaucoup d'espace de stockage et que le coût du capital investi est élevé, ou si le prix dusurapprovisionnement des gants d'hiver vous concerne, vous pouvez utiliser le quantile P10 pourcommander un nombre relativement faible de gants d'hiver. Vous savez que les prévisions P10 surestimentla demande pour vos gants d'hiver seulement 10 % du temps. Ainsi, 90 % du temps, vos gants d'hiverseront vendus.

wPerteQuantile[0,5]: Pour la prédiction P50, la valeur réelle devrait être inférieure à la valeur prédite 50 %du temps. Dans la plupart des cas, les prévisions ponctuelles que vous générez en interne ou avec d'autresoutils de prévision doivent correspondre aux prévisions P50. Si τ = 0,5, les deux poids sont égaux et lewQuantileLoss[0,5] réduit à l’erreur de pourcentage absolu pondéré (WAPE) couramment utilisée :

où ŷi,t = qi,t(0.5).

Forecast utilise le facteur d’échelle de 2 dans le wQuantileLoss pour annuler le facteur 0,5 afin d’obtenirl’expression WAPE exacte.

En poursuivant l'exemple des gants d'hiver, si vous savez qu'il y aura une quantité modérée de la demandepour les gants et que vous ne vous inquiétez pas d'être sur-approvisionné, vous pouvez choisir d'utiliser lequantile P50 pour commander les gants.

wPerteQuantile[0,9]: Pour la prédiction P90, la valeur réelle devrait être inférieure à la valeur prédite 90 %du temps.

Si vous déterminez que le fait d'être sous-approvisionné en gants entraînera d'énormes pertes de revenus—par exemple, le coût de la non-vente des gants est extrêmement élevé ou le coût du capital investi estfaible— vous pouvez choisir d'utiliser le quantile P90 pour commander les gants.

La figure suivante d'une prévision ayant une distribution gaussienne montre les quantiles qui divisentla prévision en quatre régions de probabilité égale. Pour plus d'informations sur les quantiles d'unedistribution, consultez Quantile sur Wikipédia.

86

https://en.wikipedia.org/wiki/Quantile


Mise à jour de donnéesLorsque vous collectez de nouvelles données, vous pouvez les utiliser pour générer de nouvellesprévisions. Forecast ne régénère pas automatiquement un prédicteur lorsque vous importez un jeu dedonnées mis à jour, mais vous pouvez utiliser un prédicteur existant pour générer des prévisions avec lesdonnées mises à jour. Par exemple, si vous collectez des données de ventes quotidiennes et souhaitezinclure de nouveaux points de données dans votre prévision, vous pouvez importer les données misesà jour et les utiliser pour générer une prévision sans former un nouveau prédicteur. Toutefois, si voussouhaitez que votre prédicteur soit formé à partir des nouvelles données, vous devez le créer.

Pour générer une prévision à partir de nouvelles données :

1. Téléchargez le fichier CSV mis à jour dans un compartiment Amazon S3. Le fichier CSV mis à jour doittoujours contenir l’ensemble de vos données existantes.

2. Créez une tâche d'importation de jeu de données avec les nouvelles données. La tâche d'importationla plus récente est celle dont les prévisions sont générées.

3. Créez une nouvelle prévision à l'aide du prédicteur existant.4. Récupérez la prévision comme d'habitude.

87

Amazon Forecast Manuel du développeurGestion des balises ()

Balisage des ressources AmazonForecast

Une balise est une étiquette que vous pouvez éventuellement définir et associer à des ressources AWS,y compris certains types de ressources Amazon Forecast. Les balises peuvent vous aider à classeret à gérer ces types de ressources de différentes façons, notamment par objectif, par propriétaire, parenvironnement ou selon d'autres critères. Par exemple, vous pouvez utiliser des balises pour appliquer desstratégies ou une automatisation, ou pour identifier les ressources qui sont soumises à certaines exigencesen matière de conformité. Vous pouvez ajouter des balises aux types de ressources Forecast suivants :

• Groupes de jeux de données• Ensembles de données• Tâches d’importation d’ensembles de données• Prédicteurs• Prévisions• Tâches d’exportation des prévisions

Une ressource peut avoir jusqu'à 50 balises.

Gestion des balises ()Chaque balise est constituée d'une clé de balise obligatoire et d'une valeur de balise facultative que vousdéfinissez. Une clé de balise est une étiquette générale qui fait office de catégorie pour des valeurs debalise plus spécifiques. Une valeur de balise tient lieu de descripteur pour une clé de balise. Par exemple,si vous avez deux versions d’un Forecast de travail d’importation de jeu de données (un pour les testsinternes et un autre pour la production), vous pouvez attribuer un Environment clé de balise pour lesdeux projets. La valeur du Environment la clé de balise peut être Test pour une version de la tâched’importation de jeu de données et Production pour l’autre version.

Une clé de balise peut contenir jusqu'à 128 caractères. Une valeur de balise peut contenir jusqu'à 256caractères. Les caractères peuvent être des lettres Unicode, des chiffres un espace ou l'une des symbolessuivants : _. :/=+-. Les restrictions supplémentaires suivantes s'appliquent aux balises :

• Les clés et valeurs de balise sont sensibles à la casse• Pour chaque ressource associée, chaque clé de balise doit être unique et ne peut avoir qu'une seule

valeur.• Ne pas utiliser aws:, AWS:, ou toute combinaison en majuscules ou en minuscules de , telle qu’un

préfixe pour les clés, car il est réservé à AWS utilisez. Vous ne pouvez pas modifier ou supprimer desclés de balise avec ce préfixe. Les valeurs peuvent avoir ce préfixe. Si une valeur de balise a awscomme son préfixe, mais pas la clé, alors Forecast considère qu’il s’agit d’une balise utilisateur etcomptera dans la limite de 50 balises. Balises avec uniquement le préfixe de clé de aws ne sont pascomptabilisés dans vos balises par limite de ressource.

• Vous ne pouvez pas mettre à jour ou supprimer une ressource uniquement en fonction de ses balises.Vous devez également spécifier l'Amazon Resource Name (ARN) ou l'ID de ressource selon l'opérationque vous utilisez.

• Vous pouvez associer des balises à des ressources publiques ou partagées. Toutefois, les balises sontdisponibles uniquement pour votre compte AWS, pas pour les autres comptes qui partagent la ressource.

88

Amazon Forecast Manuel du développeurUtilisation des balises dans les stratégies IAM

En outre, les balises sont disponibles uniquement pour les ressources situées dans la région AWSspécifiée pour votre compte AWS.

Pour ajouter, afficher, mettre à jour et supprimer des clés de balise et des valeurs de Forecast ressources,vous pouvez utiliser le AWS Command Line Interface (AWS CLI), le Forecast ou un kit SDK AWS.

Utilisation des balises dans les stratégies IAMAprès avoir commencé à implémenter des balises, vous pouvez appliquer des autorisations de niveauressource basées sur des balises aux stratégies AWS Identity and Access Management (IAM) et auxopérations d'API. Cela inclut les opérations qui prennent en charge l'ajout de balises aux ressources lorsde la création de ressources. Une telle utilisation des balises vous aide à mettre en place un contrôleprécis sur les groupes et les utilisateurs de votre compte AWS qui ont le droit de créer et de baliser desressources, et sur les groupes et les utilisateurs sont autorisés à créer, à mettre à jour et à supprimer desbalises plus généralement.

Par exemple, vous pouvez créer une stratégie qui permet à un utilisateur d’avoir un accès complet à tousles Forecast ressources où leur nom est une valeur dans le Owner pour la ressource.

{ "Version": "2012-10-17", "Statement": [ { "Sid": "ModifyResourceIfOwner", "Effect": "Allow", "Action": "forecast:*", "Resource": "*", "Condition": { "StringEqualsIgnoreCase": { "aws:ResourceTag/Owner": "${aws:username}" } } } ]}

L’exemple suivant montre comment créer une stratégie pour autoriser la création et la suppression d’unensemble de données. Ces opérations ne sont autorisées que si le nom d’utilisateur est johndoe.

{ "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": "*" } ]

89

Amazon Forecast Manuel du développeurAjout de balises à des ressources

}

Si vous définissez des autorisations au niveau des ressources basées sur des balises, les autorisationsprennent effet immédiatement. Vos ressources sont ainsi plus sécurisées dès leur création et vous pouvezrapidement commencer à appliquer l'utilisation des balises pour les nouvelles ressources. Vous pouvezégalement utiliser des autorisations au niveau des ressources afin de contrôler les clés et les valeursde balise qui peuvent être associés à des ressources nouvelles et existantes. Pour plus d’informations,consultez Contrôle de l'accès à l'aide de balises dans le IAM Guide de l'utilisateur AWS.

Ajout de balises à des ressourcesLes exemples suivants montrent comment ajouter une balise à Forecast à l’aide de l’ AWS CLI et le AWSManagement Console.

AWS CLI

Pour créer une nouvelle ressource et y ajouter une balise à l'aide de l’AWS CLI, utilisez la commandecreate correspondant à la ressource. Incluez le paramètre et les valeurs tags. Par exemple,la commande suivante crée un nouvel ensemble de données nommé myDataSet et ajoute unEnvironment clé de balise avec un Test valeur de balise au jeu de données. Dans cet exemple, leschema est défini dans un fichier appelé schema.json dans le même répertoire que celui où vousexécutez la commande.

C:\> aws forecast create-dataset --dataset-name=myDataSet --dataset-type=RELATED_TIME_SERIES --domain=RETAIL --schema=file://schema.json --tags={Environment=Test}

Pour plus d’informations sur les commandes que vous pouvez utiliser pour créer un Forecast , voir leForecast AWS CLI Référence de la commande.

Pour ajouter une balise à une ressource existante, utilisez la commande tag-resource et spécifiezles valeurs appropriées pour les paramètres requis :

C:\> aws forecast tag-resource --resource-arn resource-arn --tags-model tags={key=value}

Où :

• resource-arn est l’Amazon Resource Name (ARN) de la ressource pour laquelle vous souhaitezajouter une balise à.

• key est la clé de balise que vous souhaitez ajouter à la ressource. L'argument key est obligatoire.• value est la valeur de balise facultative que vous souhaitez ajouter pour la clé de balise spécifiée

(key). L'argument value est obligatoire. Si vous ne voulez pas que la ressource ait une valeur debalise spécifique, ne spécifiez pas de valeur pour l'argument value. Forecast définira la valeur surune chaîne vide.

AWS Management Console

Lorsque vous créez une ressource in Forecast, vous pouvez ajouter des balises facultatives.L’exemple suivant ajoute une balise à un groupe d’ensembles de données.

Pour ajouter des balises à un nouveau groupe de jeux de données

1. Connectez-vous à la AWS Management Console et ouvrez la console Amazon Forecast àl'adresse https://console.aws.amazon.com/firehose/.

90

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

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

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

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

Amazon Forecast Manuel du développeurInformations supplémentaires

2. Choisissez Create dataset group (Créer un groupe d'ensembles de données).3. Pour Nom du groupe de jeux de données, saisissez un nom.4. Pour Domaine de prévision, choisissez un domaine.5. Choisir Ajouter une nouvelle balise.6. Pour Clé et Valeur, saisissez les valeurs appropriées.

Par exemple, respectivement, Environment et Test.7. Pour ajouter d’autres balises, choisissez Ajouter une nouvelle balise.

Vous pouvez ajouter jusqu’à 50 balises à une ressource.8. Choisir Suivant pour continuer à créer votre ressource.

Informations supplémentairesPour plus d’informations sur le balisage, consultez les ressources suivantes.

• Principes de balisage AWS dans le AWS Référence générale• Stratégies de balisage AWS (PDF téléchargeable)• Contrôle d’accès AWS dans le AWS IAM Guide de l'utilisateur• Stratégies de balisage AWS dans le AWS Organizations Guide de l’utilisateur

91

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

Amazon Forecast Manuel du développeurProtection des données

Sécurité dans Amazon ForecastChez AWS, la sécurité dans le cloud est notre priorité numéro 1. En tant que client AWS, vous bénéficiezde centres de données et d'architectures réseau conçus pour répondre aux exigences des organisationsles plus pointilleuses en termes de sécurité.

La sécurité est une responsabilité partagée entre AWS et vous-même. Le modèle de responsabilitépartagée décrit ceci comme la sécurité du cloud et la sécurité dans le cloud :

• La sécurité du cloud – AWS est responsable de la protection de l'infrastructure qui exécute des servicesAWS dans le cloud AWS. AWS vous fournit également les services que vous pouvez utiliser en toutesécurité. Des auditeurs tiers testent et vérifient régulièrement l'efficacité de notre sécurité dans lecadre des programmes de conformité AWS. Pour en savoir plus sur les programmes de conformitéqui s'appliquent à Amazon Forecast, veuillez consulter Services AWS concernés par le programme deconformité.

• Sécurité dans le cloud – Votre responsabilité est déterminée par le service AWS que vous utilisez. Vousêtes également responsable d'autres facteurs, y compris la sensibilité de vos données, les exigences devotre entreprise,et la législation et la réglementation applicables.

Cette documentation vous aide à comprendre comment appliquer le modèle de responsabilité partagéelors de l'utilisation de Forecast. Les rubriques suivantes vous montrent comment configurer Forecast pourrépondre à vos objectifs de sécurité et de conformité. Vous pouvez également apprendre à utiliser d'autresservices AWS qui vous permettent de surveiller et de sécuriser vos ressources Forecast.

Rubriques• Protection des données dans Amazon Forecast (p. 92)• Identity and Access Management pour Amazon Forecast (p. 93)• Journalisation et surveillance dans Amazon Forecast (p. 106)• Validation de la conformité pour Amazon Forecast (p. 110)• Résilience dans Amazon Forecast (p. 110)• Sécurité de l'infrastructure dans Amazon Forecast (p. 111)

Protection des données dans Amazon ForecastAmazon Forecast se conforme au modèle de responsabilité partagée AWS, qui comprend des directiveset des régulations pour la protection des données. AWS est responsable de la protection de l'infrastructureglobale qui exécute tous les services AWS. AWS conserve le contrôle des données hébergées sur cetteinfrastructure, y compris les contrôles de configuration de sécurité pour traiter le contenu et les donnéespersonnelles des clients. Les clients AWS et les partenaires APN, qu'ils agissent en tant que contrôleursou responsables du traitement des données, sont responsables de toutes les données personnelles qu'ilsmettent sur le Cloud AWS.

Pour des raisons de protection des données, nous vous recommandons de protéger vos identifiantsde compte AWS et de configurer des comptes utilisateurs individuels avec AWS Identity and AccessManagement (IAM), afin que chaque utilisateur reçoive uniquement les permissions nécessaires pouraccomplir ses tâches. Nous vous recommandons également de sécuriser vos données comme indiqué ci-dessous :

92

http://aws.amazon.com/compliance/shared-responsibility-model/


http://aws.amazon.com/compliance/programs/

http://aws.amazon.com/compliance/services-in-scope/



Amazon Forecast Manuel du développeurChiffrement au repos

• Utilisez l'authentification multi-facteurs (MFA) avec chaque compte.• Utilisez SSL/TLS pour communiquer avec des ressources AWS.

• Configurez l'API et la consignation des activités utilisateur avec AWS CloudTrail.• Utilisez des solutions de chiffrement AWS, ainsi que tous les contrôles de sécurité par défaut au sein des

services AWS.• Utilisez des services de sécurité gérés comme Amazon Macie, qui contribue à la découverte et à la

sécurisation des données personnelles stockées dans Amazon Simple Storage Service (Amazon S3).

Nous vous recommandons vivement de ne jamais placer d'informations identifiables sensibles, telles quedes numéros de compte de vos clients, dans des champs de formulaire comme Nom. Cela inclut lorsquevous utilisez Forecast ou d'autres services AWS à l'aide de la console, de l'API, de l'interface de lignede commande (AWS CLI) ou des kits SDK AWS. Toutes les données que vous entrez dans Forecast oud'autres services peuvent être récupérées pour être insérées dans des journaux de diagnostic. Lorsquevous fournissez une URL à un serveur externe, n'incluez pas les informations d'identification non chiffréesdans l'URL pour valider votre demande adressée au serveur.

Pour en savoir plus sur la protection des données, consultez le billet de blog Modèle de responsabilitépartagée AWS et RGPD sur le Blog sur la sécurité d’AWS.

Chiffrement au reposUtilisez l'une de vos propres clés symétriques AWS Key Management Service (AWS KMS) pour chiffrer lesdonnées Forecast dans vos compartiments Amazon S3.

Chiffrement en transitAmazon Forecast copie les données depuis votre compte et les traite dans un système AWS interne.Amazon Forecast utilise TLS 1.2 avec des certificats AWS pour chiffrer les données envoyées à d'autresservices AWS.

Gestion des clésLes clés Amazon S3 par défaut sont gérées par AWS. Il est de la responsabilité du client de gérer les clésAWS Key Management Service (AWS KMS) fournies par le client.

Identity and Access Management pour AmazonForecast

AWS Identity and Access Management (IAM) est un service AWS qui permet à un administrateur decontrôler en toute sécurité l'accès aux ressources AWS. Les administrateurs IAM contrôlent qui peut êtreauthentifié (connecté) et autorisé (disposant des autorisations) à utiliser les ressources Forecast. IAM estun service AWS que vous pouvez utiliser sans frais supplémentaires.

Rubriques• Audience (p. 94)• Authentification avec les identités (p. 94)• Gestion de l'accès à l'aide des stratégies (p. 96)

93

http://aws.amazon.com/blogs/security/the-aws-shared-responsibility-model-and-gdpr/

http://aws.amazon.com/blogs/security/the-aws-shared-responsibility-model-and-gdpr/

https://docs.aws.amazon.com/kms/latest/developerguide/overview.html

Amazon Forecast Manuel du développeurAudience

• Comment Amazon Forecast fonctionne avec IAM (p. 98)• Exemples de stratégies basées sur l'identité Amazon Forecast (p. 100)• Résolution des problèmes liés à Identity and Access Amazon Forecast (p. 104)

AudienceVotre utilisation d'AWS Identity and Access Management (IAM) évolue selon la tâche que vous réalisezdans Forecast.

Utilisateur du service – Si vous utilisez le service Forecast pour effectuer votre tâche, votre administrateurvous fournit les informations d'identification et les autorisations dont vous avez besoin. Plus vous utiliserezde fonctionnalités Forecast pour effectuer votre travail, plus vous pourrez avoir besoin d'autorisationssupplémentaires. Comprendre la gestion des accès peut vous aider à demander à votre administrateur lesautorisations appropriées. Si vous ne pouvez pas accéder à une fonctionnalité dans Forecast, consultezRésolution des problèmes liés à Identity and Access Amazon Forecast (p. 104).

Administrateur du service –Si vous êtes le responsable des ressources Forecast de votre entreprise,vous bénéficiez probablement d'un accès total à Forecast. C'est à vous de déterminer les fonctionnalitéset les ressources Forecast auxquelles vos employés pourront accéder. Vous devez ensuite soumettreles demandes à votre administrateur IAM pour modifier les autorisations des utilisateurs de votre service.Consultez les informations sur cette page pour comprendre les concepts de base d'IAM. Pour en savoirplus sur la façon dont votre entreprise peut utiliser IAM avec Forecast, consultez Comment AmazonForecast fonctionne avec IAM (p. 98).

Administrateur IAM – Si vous êtes un administrateur IAM, vous souhaiterez peut-être obtenir des détails surla façon dont vous pouvez écrire des stratégies pour gérer l'accès à Forecast. Pour obtenir des exemplesde stratégies Forecast basées sur l'identité que vous pouvez utiliser dans IAM, consultez Exemples destratégies basées sur l'identité Amazon Forecast (p. 100).

Authentification avec les identitésL'authentification correspond au processus par lequel vous vous connectez à AWS via vos informationsd'identification. Pour plus d'informations sur la signature à l’aide d’AWS Management Console, consultezLa console et la page de connexion IAM dans le IAM Guide de l'utilisateur.

Vous devez être authentifié (connecté à AWS) en tant que Utilisateur racine d'un compte AWS ouutilisateurIAM, ou en assumant un rôle IAM. Vous pouvez également utiliser l’authentification de connexionunique de votre entreprise ou vous connecter via Google ou Facebook. Dans ce cas, votre administrateuraura précédemment configuré une fédération d’identités avec des rôles IAM. Lorsque vous accédez à AWSavec des informations d’identification d’une autre entreprise, vous assumez indirectement un rôle.

Pour vous connecter directement à la AWS Management Console, utilisez votre mot de passe avec votree-mail utilisateur racine ou votre nom d’utilisateur IAM. Vous pouvez accéder à AWS par programmationavec vos clés d’accès utilisateur utilisateur racine ou IAM. AWS fournit un kit de développement logiciel(SDK) et des outils de ligne de commande pour signer de manière cryptographique votre requête avec vosinformations d'identification. Si vous n'utilisez pas les outils AWS, vous devez signer la demande vous-même. Pour ce faire, utilisez Signature Version 4, un protocole permettant d’authentifier les demandesd'API entrantes. Pour en savoir plus sur l'authentification des demandes, consultez Processus de signatureSignature Version 4 dans la documentation AWS General Reference.

Quelle que soit la méthode d'authentification que vous utilisez, vous devrez peut-être également fournir desinformations de sécurité supplémentaires. Par exemple, AWS vous recommande d'utiliser l'authentificationmulti-facteurs (MFA) pour améliorer la sécurité de votre compte. Pour en savoir plus, consultez Utilisationde Multi-Factor Authentication (MFA) dans AWS dans le IAM Guide de l'utilisateur.

94

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

https://docs.aws.amazon.com/general/latest/gr/signature-version-4.html

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


Amazon Forecast Manuel du développeurAuthentification avec les identités

Utilisateur racine d'un compte AWSLorsque vous créez un compte AWS, vous commencez avec une seule identité de connexion disposantd'un accès complet à tous les services et ressources AWS du compte. Cette identité est appelée lautilisateur racinedu compte AWS et elle est accessible après connexion à l'aide de l'adresse e-mail et dumot de passe utilisés pour la création du compte. Il est vivement recommandé de ne pas utiliser l'utilisateurracine pour vos tâches quotidiennes, y compris pour les tâches administratives. Au lieu de cela, respectezla bonne pratique qui consiste à avoir recours à l'utilisateur racine uniquement pour créer le premierutilisateurIAM. Ensuite, mettez en sécurité les informations d'identification de l'utilisateur racine et utilisez-les pour effectuer uniquement certaines tâches de gestion des comptes et des services.

Utilisateurs et groupes IAMUn utilisateur IAM est une identité dans votre compte AWS qui dispose d'autorisations spécifiques pourune seule personne ou application. Un utilisateur IAM peut disposer d'informations d'identification à longterme comme un nom d'utilisateur et un mot de passe ou un ensemble de clés d'accès. Pour savoircomment générer des clés d'accès, consultez Gestion des clés d’accès pour les utilisateurs IAM dans leIAM Guide de l'utilisateur. Lorsque vous générez des clés d'accès pour un utilisateur IAM, veillez à afficheret enregistrer la paire de clés de manière sécurisée. Vous ne pourrez plus récupérer la clé d'accès secrèteà l'avenir. Au lieu de cela, vous devrez générer une nouvelle paire de clés d'accès.

Un groupe IAM est une identité qui spécifie un ensemble d’utilisateurs IAM. Vous ne pouvez pas vousconnecter en tant que groupe. Vous pouvez utiliser les groupes pour spécifier des autorisations pourplusieurs utilisateurs à la fois. Les groupes permettent de gérer plus facilement les autorisations pourde grands ensembles d'utilisateurs. Par exemple, vous pouvez avoir un groupe nommé Admins IAM etaccorder à ce groupe les autorisations leur permettant d'administrer des ressources IAM.

Les utilisateurs sont différents des rôles. Un utilisateur est associé de manière unique à une personneou une application, alors qu’un rôle est conçu pour être endossé par tout utilisateur qui en a besoin.Les utilisateurs disposent d'informations d'identification permanentes, mais les rôles fournissent desinformations d'identification temporaires. Pour plus de détails, consultez Quand créer un utilisateur IAM (aulieu d'un rôle) dans le IAM Guide de l'utilisateur.

Rôles IAMUn rôle IAM est une entité au sein de votre compte AWS qui dispose d'autorisations spécifiques. Leconcept ressemble à celui d’utilisateur IAM, mais un rôle n'est pas associé à une personne en particulier.Vous pouvez temporairement endosser un rôle IAM dans l’AWS Management Console grâce auchangement de rôle. Vous pouvez obtenir un rôle en appelant une opération d’API AWS CLI ou AWS àl'aide d'une URL personnalisée. Pour plus d'informations sur les méthodes d'utilisation des rôles, consultezUtilisation de rôles IAM dans le IAM Guide de l'utilisateur.

Les rôles IAM avec des informations d'identification temporaires sont utiles dans les cas suivants :

• Autorisations utilisateur IAM temporaires – Un utilisateur IAM peut endosser un rôle IAM pour accepterdifférentes autorisations temporaires concernant une tâche spécifique.

• Accès d'utilisateurs fédérés – Au lieu de créer un utilisateur IAM, vous pouvez utiliser des identitésd'utilisateur préexistantes provenant d'AWS Directory Service, de l'annuaire d'utilisateurs de votreentreprise ou d'un fournisseur d'identité web. On parle alors d'utilisateurs fédérés. AWS attribue un rôleà un utilisateur fédéré lorsque l'accès est demandé via un fournisseur d'identité. Pour plus d'informationssur les utilisateurs fédérés, consultez Utilisateurs fédérés et rôles dans le IAM Guide de l'utilisateur.

• Accès entre comptes – Vous pouvez utiliser un rôle IAM pour permettre à un utilisateur (mandatairede confiance) d'un compte différent d'accéder aux ressources de votre compte. Les rôles constituentle principal moyen d'accorder l'accès entre plusieurs comptes. Toutefois, certains services AWS vouspermettent d'attacher une stratégie directement à une ressource (au lieu d'utiliser un rôle en tant que

95

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_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.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 Manuel du développeurGestion de l'accès à l'aide des stratégies

proxy). Pour en savoir plus sur la différence entre les rôles et les stratégies basées sur les ressourcespour l'accès entre comptes, consultez Différence entre les rôles IAM et les stratégies basées sur lesressources dans le IAM Guide de l'utilisateur.

• Accès à un service AWS –Un rôle de service est un rôle IAM qu'un service assume pour effectuer desactions dans votre compte en votre nom. Lorsque vous configurez certains environnements de servicesAWS, vous devez définir un rôle que ce service devra assumer. Ce rôle de service doit comprendretoutes les autorisations nécessaires pour que le service puisse accéder aux ressources AWS dont il abesoin. Les rôles de service varient d'un service à un service, mais nombre d'entre eux vous permettentde choisir vos autorisations, tant que vous respectez les exigences documentées pour le service enquestion. Les rôles de service fournissent un accès uniquement au sein de votre compte et ne peuventpas être utilisés pour accorder l'accès à des services dans d'autres comptes. Vous créez, modifiezet supprimez un rôle de service à partir d'IAM. Par exemple, vous pouvez créer un rôle qui permet àAmazon Redshift d'accéder à un compartiment Amazon S3 en votre nom, puis de charger les donnéesstockées dans ce compartiment dans un cluster Amazon Redshift. Pour plus d'informations, consultezCréation d'un rôle pour déléguer des autorisations à un service AWS dans le IAM Guide de l'utilisateur.

• Applications qui s'exécutent sur Amazon EC2 –Vous pouvez utiliser un rôle IAM pour gérer desinformations d'identification temporaires pour les applications qui s'exécutent sur une instance EC2 eteffectuent des demandes d'API AWS CLI ou AWS. Cette solution est préférable au stockage des clésd'accès au sein de l'instance EC2. Pour attribuer un rôle AWS à une instance EC2 et le rendre disponibleà toutes les applications associées, vous pouvez créer un profil d'instance attaché à l'instance. Un profild'instance contient le rôle et permet aux programmes qui s'exécutent sur l'instance EC2 d'obtenir desinformations d'identification temporaires. Pour plus d'informations, consultez Utilisation d'un rôle IAMpour accorder des autorisations à des applications s'exécutant sur des instances Amazon EC2 dans leIAM Guide de l'utilisateur.

Pour savoir si vous devez utiliser ces rôles IAM ou non, consultez Quand créer un rôle IAM (au lieu d'unutilisateur) dans le IAM Guide de l'utilisateur.

Gestion de l'accès à l'aide des stratégiesVous contrôlez les accès dans AWS en créant des stratégies et en les attachant à des identités IAM ouà des ressources AWS. Une stratégie est un objet dans AWS qui, lorsqu'il est associé à une identité ouà une ressource, définit les autorisations de ces dernières. AWS évalue ces stratégies lorsqu'une entité(utilisateur racine, utilisateur IAM ou rôle IAM) envoie une demande. Les autorisations dans les stratégiesdéterminent si la demande est autorisée ou refusée. La plupart des stratégies sont stockées dans AWS entant que documents JSON. Pour plus d'informations sur la structure et le contenu du document de stratégieJSON, consultez Présentation des stratégies JSON dans le IAM Guide de l'utilisateur.

Les stratégies permettent à un administrateur IAM de spécifier qui a accès aux ressources AWSet quellesactions ces personnes peuvent exécuter sur ces ressources. Chaque entité IAM (utilisateur ou rôle)démarre sans autorisation. En d'autres termes, par défaut, les utilisateurs ne peuvent rien faire, pasmême changer leurs propres mots de passe. Pour autoriser un utilisateur à effectuer une opération, unadministrateur doit associer une stratégie d'autorisations à ce dernier. Il peut également ajouter l'utilisateurà un groupe disposant des autorisations prévues. Lorsqu'un administrateur accorde des autorisations à ungroupe, tous les utilisateurs de ce groupe se voient octroyer ces autorisations.

Les stratégies IAM définissent les autorisations d'une action quelle que soit la méthode que vous utilisezpour exécuter l'opération. Par exemple, supposons que vous disposiez d'une stratégie qui autorise l'actioniam:GetRole. Un utilisateur avec cette stratégie peut obtenir des informations utilisateur à partir de l’AWSManagement Console, de l’AWS CLI ou de l’API AWS.

Stratégies basées sur l'identitéLes stratégies basées sur l'identité sont des documents de stratégie d'autorisations JSON que vous pouvezattacher à une identité telle qu'un utilisateur, un rôle ou un groupe IAM. Ces stratégies contrôlent les

96

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_compare-resource-policies.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_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 Manuel du développeurGestion de l'accès à l'aide des stratégies

actions que peut exécuter cette identité, sur quelles ressources et dans quelles conditions. Pour découvrircomment créer une stratégie basée sur l’identité, consultez Création de stratégies IAM dans le IAM Guidede l'utilisateur.

Les stratégies basées sur l'identité peuvent être classées comme étant des stratégies en ligne ou desstratégies gérées. Les stratégies en ligne sont intégrées directement à un utilisateur, groupe ou rôle. Lesstratégies gérées sont des stratégies autonomes que vous pouvez lier à plusieurs utilisateurs, groupes etrôles de votre compte AWS. Les stratégies gérées incluent les stratégies gérées par AWS et les stratégiesgérées par le client. Pour découvrir comment choisir entre une politique gérée ou une politique en ligne,consultez Choix entre les stratégies gérées et les stratégies en ligne dans le IAM Guide de l'utilisateur.

Stratégies basées sur une ressourceLes stratégies basées sur les ressources sont des documents de stratégie JSON que vous attachez àune ressource, telle qu'un compartiment Amazon S3. Les administrateurs de service peuvent utiliser cesstratégies pour définir les actions qu'un principal (membre de compte, utilisateur ou rôle) spécifié peuteffectuer sur cette ressource et dans quelles conditions. Les stratégies basées sur les ressources sont desstratégies en ligne. Il ne s'agit pas de stratégies gérées basées sur les ressources.

Listes de contrôle d'accès (ACL)Les listes de contrôle d’accès (ACL) constituent un type de stratégie permettant de définir les mandataires(membres de compte, utilisateurs ou rôles) ayant l’autorisation d’accéder à une ressource. Les listes decontrôle d'accès sont semblables aux stratégies basées sur les ressources, bien qu'elles n'utilisent pasle format de document de stratégie JSON. Amazon S3, AWS WAF et Amazon VPC sont des exemplesde services prenant en charge les listes de contrôle d'accès. Pour en savoir plus sur les listes de contrôled'accès, consultez Présentation de la liste de contrôle d'accès (ACL) dans le Manuel du développeurAmazon Simple Storage Service.

Autres types de stratégieAWS prend en charge d'autres types de stratégies moins courantes. Ces types de stratégies peuventdéfinir le nombre maximal d'autorisations qui vous sont accordées par des types de stratégies pluscourants.

• Limite d'autorisations – Une limite d'autorisations est une fonctionnalité avancée dans laquelle vousdéfinissez les autorisations maximales qu'une stratégie basée sur l'identité peut accorder à uneentité IAM (utilisateur ou rôle IAM). Vous pouvez définir une limite d'autorisations pour une entité. Lesautorisations obtenues représentent la combinaison des stratégies basées sur l'identité de l'entité et deses limites d'autorisations. Les stratégies basées sur les ressources qui spécifient l'utilisateur ou le rôledans le champ Principal ne sont pas limitées par les limites d'autorisations. Un refus explicite dansl'une de ces stratégies remplace l'autorisation. Pour plus d'informations sur les limites d'autorisations,consultez Limites d'autorisations pour des entités IAM dans le IAM Guide de l'utilisateur.

• Stratégies de contrôle de service (SCP) – Les SCP sont des stratégies JSON qui spécifient lenombre maximal d'autorisations pour une organisation ou une unité d'organisation (OU) dans AWSOrganizations. AWS Organizations est un service qui vous permet de regrouper et de gérer defaçon centralisée plusieurs comptes AWS détenus par votre entreprise. Si vous activez toutes lesfonctions d'une organisation, vous pouvez appliquer les stratégies de contrôle de service (SCP) à l'unou à l'ensemble de vos comptes. La SCP limite les autorisations pour les entités dans les comptesmembres, y compris dans chaque Utilisateur racine d'un compte AWS. Pour plus d'informations surles Organisations et les SCP, consultez Fonctionnement des stratégies de contrôle de service dans leManuel de l'utilisateur AWS Organizations.

• Stratégies de session – Les stratégies de session sont des stratégies avancées que vous transmettezen tant que paramètre lorsque vous créez par programmation une session temporaire pour un rôleou un utilisateur fédéré. Les autorisations de la session obtenue sont une combinaison des stratégies

97

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/AmazonS3/latest/dev/acl-overview.html

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

https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_about-scps.html

Amazon Forecast Manuel du développeurComment Amazon Forecast fonctionne avec IAM

basées sur l'identité de l'utilisateur ou du rôle et des stratégies de session. Les autorisations peuventégalement provenir d'une stratégie basée sur les ressources. Un refus explicite dans l'une de cesstratégies remplace l'autorisation. Pour de plus amples informations, veuillez consulter Stratégies desession dans le IAM Guide de l'utilisateur.

Plusieurs types de stratégieLorsque plusieurs types de stratégies s'appliquent à la requête, les autorisations obtenues sont pluscompliquées à comprendre. Pour découvrir la façon dont AWS détermine s'il convient d'autoriser unedemande en présence de plusieurs types de stratégies, consultez Logique d'évaluation de stratégies dansle IAM Guide de l'utilisateur.

Comment Amazon Forecast fonctionne avec IAMAvant d'utiliser IAM pour gérer l'accès à Amazon Forecast, vous devez comprendre quelles fonctions IAMsont disponibles et peuvent être utilisées avec Forecast. Pour obtenir une vue d'ensemble de la façondont Forecast et d'autres services AWS fonctionnent avec IAM, veuillez consulter Services AWS quifonctionnent avec IAM dans le IAM Guide de l'utilisateur.

Rubriques• Stratégies basées sur l'identité Forecast (p. 98)• Rôles IAM d'Forecast (p. 99)

Stratégies basées sur l'identité ForecastAvec les stratégies basées sur une identité IAM, vous pouvez spécifier des actions et ressourcesautorisées ou refusées, ainsi que les conditions dans lesquelles les actions sont autorisées ou refusées.Forecast prend en charge des actions, ressources et clés de condition spécifiques. Pour en savoir plussur tous les éléments que vous utilisez dans une stratégie JSON, consultez Références des éléments destratégie JSON IAM dans le IAM Guide de l'utilisateur.

Actions

L'élément Action d'une stratégie basée sur une identité IAM décrit les actions spécifiques qui serontautorisées ou refusées par la stratégie. Les actions de stratégie possèdent généralement le même nomque l'opération d'API AWS associée. L'action est utilisée dans une stratégie pour permettre d'effectuerl'opération associée.

Actions de politique dans Forecast utilisez le préfixe suivant avant l’action : forecast:. Parexemple, pour accorder à quelqu’un l’autorisation d’exécuter une tâche de création de grouped’ensembles de données FOR avec l’ CreateDatasetGroup de l’opération d’API, vous incluez leforecast:CreateDatasetGroup dans leur stratégie. Les déclarations de stratégie doivent inclure unélément Action ou NotAction. Forecast définit son propre ensemble d'actions qui décrivent les tâchesque vous pouvez effectuer avec ce service.

Pour spécifier plusieurs actions dans une seule déclaration, séparez-les par des virgules comme suit.

"Action": [ "forecast:action1", "forecast:action2"

Vous pouvez aussi spécifier plusieurs actions à l'aide de caractères génériques (*). Par exemple, pourspécifier toutes les actions qui commencent par le mot Describe, incluez l'action suivante.

98

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies.html#policies_session

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_aws-services-that-work-with-iam.html

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

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

Amazon Forecast Manuel du développeurComment Amazon Forecast fonctionne avec IAM

"Action": "forecast:Describe*"

Pour afficher la liste des actions Forecast, veuillez consulter Actions Defined by Amazon Forecast dans leIAM Guide de l'utilisateur.

Resources

L'élément Resource spécifie les objets auxquels l'action s'applique. Les instructions doivent inclure unélément Resource ou NotResource. Vous spécifiez une ressource à l'aide d'un ARN ou du caractèregénérique (*) pour indiquer que l'instruction s'applique à toutes les ressources.

Une ressource d'ensemble de données Amazon Forecast possède l'ARN suivant :

arn:${Partition}:forecast:${Region}:${Account}:dataset/${DatasetName}

Pour plus d'informations sur le format des ARN, consultez Noms ARN (Amazon Resource Name) etespaces de noms du service AWS.

Par exemple, pour spécifier l’ensemble de données MyDataset dans votre instruction, utilisez l'ARNsuivant :

"Resource": "arn:aws:forecast:us-east-1:123456789012:dataset/MyDataset"

Pour spécifier tous les ensembles de données qui appartiennent à un compte spécifique, utilisez lecaractère générique (*).

"Resource": "arn:aws:forecast:us-east-1:123456789012:dataset/*"

Certaines actions Forecast, telles que la création de ressources, ne peuvent pas être exécutées sur uneressource précise. Dans ce cas, vous devez utiliser le caractère générique (*).

"Resource": "*"

Pour voir la liste des types de ressources Forecast et de leurs ARN, veuillez consulter Resources Definedby Amazon Forecast dans le IAM Guide de l'utilisateur. Pour en savoir plus sur les actions avec laquellevous pouvez spécifier l'ARN de chaque ressource, consultez Actions Defined by Amazon Forecast.

Clés de condition

Forecast ne fournit aucune clé de condition spécifique au service.

Examples

Pour voir des exemples de stratégies Forecast basées sur l'identité, veuillez consulter Exemples destratégies basées sur l'identité Amazon Forecast (p. 100).

Rôles IAM d'ForecastUn rôle IAM est une entité au sein de votre compte AWS qui dispose d'autorisations spécifiques.

99

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

https://docs.aws.amazon.com/general/latest/gr/aws-arns-and-namespaces.html

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


Amazon Forecast Manuel du développeurExemples de stratégie basée sur l'identité

Utilisation des informations d'identification temporaires avec Forecast

Vous pouvez utiliser des informations d'identification temporaires pour vous connecter avec la fédération,assumer un rôle IAM, ou encore pour assumer un rôle entre comptes. Vous obtenez des informationsd'identification de sécurité temporaires en appelant des opérations d'API AWS STS comme AssumeRoleou GetFederationToken.

Forecast prend en charge l'utilisation des informations d'identification temporaires.

Rôles liés à des services

Les rôles liés à un service permettent aux services AWS d'accéder à des ressources dans d'autresservices pour effectuer une action en votre nom. Les rôles liés à un service s'affichent dans votre compteIAM et sont détenus par le service. Un administrateur IAM peut consulter, mais ne peut pas modifier lesautorisations concernant les rôles liés à un service.

Forecast ne prend pas en charge les rôles liés à un service.

Rôles de service

Cette fonction permet à un service d'endosser un rôle de service en votre nom. Ce rôle autorise le serviceà accéder à des ressources d'autres services pour effectuer une action en votre nom. Les rôles de services'affichent dans votre compte IAM et sont la propriété du compte. Cela signifie qu'un administrateurIAM peut modifier les autorisations associées à ce rôle. Toutefois, une telle action peut perturber le bonfonctionnement du service.

Forecast prend en charge les rôles de service.

Exemples de stratégies basées sur l'identité AmazonForecastPar défaut, les utilisateurs et les rôles IAM ne sont pas autorisés à créer ou à modifier les ressourcesForecast. Ils ne peuvent pas non plus exécuter des tâches à l'aide de AWS Management Console, AWSCLI ou de l'API AWS. Un administrateur IAM doit créer des stratégies IAM autorisant les utilisateurs et lesrôles à exécuter des opérations d'API spécifiques sur les ressources spécifiées dont ils ont besoin. Il doitensuite attacher ces stratégies aux utilisateurs ou aux groupes IAM ayant besoin de ces autorisations.

Pour apprendre à créer une stratégie basée sur l'identité IAM à l'aide de ces exemples de document destratégie JSON, consultez Création de stratégies dans l'onglet JSON dans le IAM Guide de l'utilisateur.

Rubriques• Bonnes pratiques en matière de stratégies (p. 100)• Utilisation de la console Forecast (p. 101)• Autoriser les utilisateurs à afficher leurs propres autorisations (p. 102)• Stratégies gérées par AWS (prédéfinies) pour Amazon Forecast (p. 102)• Exemples de stratégies gérées par le client (p. 103)

Bonnes pratiques en matière de stratégiesLes stratégies basées sur l'identité sont très puissantes. Elles déterminent si une personne peut créer,consulter ou supprimer des ressources Forecast dans votre compte. Ces actions peuvent entraîner desfrais pour votre compte AWS. Lorsque vous créez ou modifiez des stratégies basées sur l'identité, suivezces instructions et recommandations :

100

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


• Commencer à utiliser des stratégies gérées AWS – Pour commencer à utiliser Forecast rapidement,utilisez les politiques gérées AWS pour accorder à vos employés les autorisations dont ils ont besoin.Ces stratégies sont déjà disponibles dans votre compte et sont gérées et mises à jour par AWS. Pourplus d'informations, consultez la section Mise en route avec les autorisations à l'aide des stratégiesgérées AWS dans le IAM Guide de l'utilisateur.

• Accorder le privilège le plus faible – Lorsque vous créez des stratégies personnalisées, accordezuniquement les autorisations requises pour exécuter une seule tâche. Commencez avec unminimum d'autorisations et accordez-en d'autres si nécessaire. Cette méthode est plus sûre que decommencer avec des autorisations trop permissives et d'essayer de les restreindre plus tard. Pour plusd'informations, consultez Accorder le privilège le plus faible dans le IAM Guide de l'utilisateur.

• Activer MFA pour les opérations sensibles – Pour plus de sécurité, obligez les utilisateurs IAM àutiliser l'authentification multi-facteurs (MFA) pour accéder à des ressources ou à des opérations d'APIsensibles. Pour plus d'informations, consultez Utilisation de Multi-Factor Authentication (MFA) dans AWSdans le IAM Guide de l'utilisateur.

• Utiliser des conditions de stratégie pour une plus grande sécurité – Tant que cela reste pratique pourvous, définissez les conditions dans lesquelles vos stratégies basées sur l'identité autorisent l'accès àune ressource. Par exemple, vous pouvez rédiger les conditions pour spécifier une plage d'adresses IPautorisées d'où peut provenir une demande. Vous pouvez également écrire des conditions pour autoriserles requêtes uniquement à une date ou dans une plage de temps spécifiée, ou pour imposer l'utilisationde SSL ou de MFA. Pour plus d'informations, consultez Éléments de stratégie JSON IAM : conditiondans le IAM Guide de l'utilisateur.

Utilisation de la console ForecastPour accéder à la console Amazon Forecast, vous devez détenir un ensemble minimum d'autorisations.Ces autorisations doivent vous permettre de répertorier et d'afficher les informations relatives auxressources Forecast de votre compte AWS. Si vous créez une stratégie basée sur l'identité qui est plusrestrictive que l'ensemble minimum d'autorisations requis, la console ne fonctionnera pas comme prévupour les entités (utilisateurs et rôles IAM) tributaires de cette stratégie.

Pour garantir que ces entités pourront continuer à utiliser la console Forecast, attachez également lastratégie gérée AWS suivante aux entités. Pour plus d'informations, consultez Ajout d'autorisations à unutilisateur dans le IAM Guide de l'utilisateur.

AWSForecastFullAccess

La stratégie suivante accorde un accès complet à toutes les actions Amazon Forecast lors de l'utilisation dela console :

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:*" ], "Resource": "*" }, { "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": "*", "Condition": { "StringEquals": {

101

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#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/reference_policies_elements_condition.html

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_change-permissions.html#users_change_permissions-add-console

https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_change-permissions.html#users_change_permissions-add-console


"iam:PassedToService": "forecast.amazonaws.com" } } } ]}

Vous n'avez pas besoin d'accorder les autorisations minimales de console aux utilisateurs qui effectuentdes appels uniquement vers l'AWS CLI ou l'API AWS. Autorisez plutôt l'accès à uniquement aux actions quicorrespondent à l'opération d'API que vous tentez d'effectuer.

Autoriser les utilisateurs à afficher leurs propres autorisationsCet exemple montre comment créer une stratégie qui permet aux utilisateurs IAM d'afficher les stratégiesen ligne et gérées attachées à leur identité d'utilisateur. Cette stratégie inclut les autorisations nécessairespour réaliser cette action sur la console ou par programmation à l'aide de l’AWS CLI ou de l'API 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" ], "Resource": "*" } ]}

Stratégies gérées par AWS (prédéfinies) pour Amazon ForecastAWS peut remédier à de nombreux cas d'utilisation courants en fournissant des stratégies IAM autonomesqui sont créées et administrées par AWS. Ces stratégies gérées AWS octroient les autorisations requises àl'attribution des stratégies gérées dans les cas d'utilisation courants pour que vous évitiez d'avoir à réfléchiraux autorisations qui sont requises. Pour plus d'informations, consultez Stratégies gérées par AWS dans leIAM Guide de l'utilisateur.

Les stratégies gérées par AWS suivantes, que vous pouvez attacher aux utilisateurs de votre compte, sontpropres à Amazon Forecast :

102

https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html#aws-managed-policies


• AmazonForecastFullAccess – permet un accès total aux ressources Amazon Forecast et à toutes lesopérations prises en charge.

Vous pouvez consulter ces stratégies d'autorisations en vous connectant à la console IAM et en lesrecherchant.

Vous pouvez également créer vos propres stratégies IAM personnalisées afin d'accorder des autorisationspour des actions et des ressources Amazon Forecast. Vous pouvez attacher ces stratégies personnaliséesaux utilisateurs ou groupes IAM qui les nécessitent.

Exemples de stratégies gérées par le clientDans cette section, vous trouverez des exemples de stratégies utilisateur qui accordent des autorisationspour diverses actions Amazon Forecast. Ces stratégies fonctionnent lorsque vous utilisez les kitsAWS SDK ou AWS CLI. Lorsque vous utilisez la console, veuillez consulter Utilisation de la consoleForecast (p. 101).

Exemples :• Exemple 1 Accorder des autorisations d’administrateur de compte (p. 103)• Exemple 2 Autoriser tout Amazon Forecast Actions (p. 103)• Exemple 3 Politique basée sur l’action : Amazon Forecast Accès en lecture seule (p. 104)

Exemple 1 Accorder des autorisations d’administrateur de compte

Une fois que vous avez configuré un compte (consultez Inscrivez-vous à AWS (p. 21)), créez unutilisateur administrateur pour le gérer. L'utilisateur administrateur peut créer des utilisateurs et gérer leursautorisations.

Pour accorder à l'utilisateur administrateur toutes les autorisations disponibles pour votre compte, attachez-lui la stratégie d'autorisations suivante :

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": "*", "Resource": "*" } ]}

Exemple 2 Autoriser tout Amazon Forecast Actions

Vous pouvez choisir de créer un utilisateur qui dispose des autorisations pour toutes les actions AmazonForecast mais pour aucun autre de vos services (définissez cet utilisateur en tant qu'administrateurspécifique à un service). Attachez la stratégie d'autorisations suivante à cet utilisateur :

{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "forecast:*"

103

Amazon Forecast Manuel du développeurDépannage

], "Resource": "*" }, { "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": "*", "Condition": { "StringEquals": { "iam:PassedToService": "forecast.amazonaws.com" } } } ]}

Exemple 3 Politique basée sur l’action : Amazon Forecast Accès en lecture seule

La stratégie suivante accorde à un utilisateur l'autorisation d'utiliser les actions Amazon Forecast pourafficher et décrire les ressources :

{ "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": "*" } ]}

Résolution des problèmes liés à Identity and AccessAmazon ForecastConsultez les informations suivantes pour identifier et résoudre les problèmes courants que vous pouvezrencontrer lorsque vous travaillez avec Forecast et IAM.

Rubriques• Je ne suis pas autorisé à effectuer une action dans Forecast (p. 105)• Je ne suis pas autorisé à exécuter iam:PassRole (p. 105)• Je veux afficher mes clés d'accès (p. 105)• Je suis un administrateur et je veux autoriser d'autres utilisateurs à accéder à Forecast (p. 106)

104

Amazon Forecast Manuel du développeurDépannage

• Je veux autoriser des personnes extérieures à mon compte AWS à accéder à mes ressourcesForecast (p. 106)

Je ne suis pas autorisé à effectuer une action dans ForecastSi AWS Management Console indique que vous n'êtes pas autorisé à exécuter une action, vous devezcontacter votre administrateur pour obtenir de l'aide. Votre administrateur est la personne qui vous a fournivotre nom d'utilisateur et votre mot de passe.

L’exemple d’erreur suivant se produit lorsque le mateojackson IAM utilisateur tente d’utiliser la consolepour afficher des détails sur un widget mais n’a pas forecast:GetWidget d’autorisations.

User: arn:aws:iam::123456789012:user/mateojackson is not authorized to perform: forecast:GetWidget on resource: my-example-widget

Dans ce cas, Mateo demande à son administrateur de mettre à jour ses stratégies pour l'autoriser àaccéder à la ressource my-example-widget à l'aide de l'action forecast:GetWidget.

Je ne suis pas autorisé à exécuter iam:PassRoleSi vous recevez un message d'erreur selon lequel vous n'êtes pas autorisé à exécuter l'actioniam:PassRole, vous devez contacter votre administrateur pour obtenir de l'aide. Votre administrateur estla personne qui vous a fourni votre nom d'utilisateur et votre mot de passe. Demandez à cette personne demettre à jour vos stratégies pour vous permettre de transmettre un rôle à Forecast.

Certains services AWS vous permettent de transmettre un rôle existant à ce service, au lieu de créer unnouveau rôle de service ou rôle lié à un service. Pour ce faire, un utilisateur doit disposer des autorisationsnécessaires pour transmettre le rôle au service.

L'exemple d'erreur suivant se produit lorsqu'un utilisateur IAM nommé marymajor essaie d'utiliser laconsole pour exécuter une action dans Forecast. Toutefois, l'action nécessite que le service ait desautorisations accordées par un rôle de service. Mary ne dispose pas des autorisations nécessaires pourtransférer le rôle au service.

User: arn:aws:iam::123456789012:user/marymajor is not authorized to perform: iam:PassRole

Dans ce cas, Mary demande à son administrateur de mettre à jour ses stratégies pour lui permettred'exécuter l'action iam:PassRole.

Je veux afficher mes clés d'accèsUne fois que vous avez créé vos clés d'accès utilisateur IAM, vous pouvez afficher votre ID de clé d'accèsà tout moment. Toutefois, vous ne pouvez pas afficher à nouveau votre clé d'accès secrète. Si vous perdezvotre clé d'accès secrète, vous devez créer une nouvelle paire de clés.

Les clés d'accès se composent de deux parties : un ID de clé d'accès (par exemple,AKIAIOSFODNN7EXAMPLE) et une clé d'accès secrète (par exemple, wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY). À l'instar d'un nom d'utilisateur et un mot de passe, vous devez utiliser à la foisl'ID de clé d'accès et la clé d'accès secrète pour authentifier vos demandes. Gérez vos clés d'accès demanière aussi sécurisée que votre nom d'utilisateur et votre mot de passe.

Important

Ne communiquez pas vos clés d'accès à un tiers, même pour qu'il vous aide à trouver votre IDutilisateur canonique. En effet, vous lui accorderiez ainsi un accès permanent à votre compte.

105

https://docs.aws.amazon.com/general/latest/gr/acct-identifiers.html#FindingCanonicalId

https://docs.aws.amazon.com/general/latest/gr/acct-identifiers.html#FindingCanonicalId

Amazon Forecast Manuel du développeurJournalisation et surveillance

Lorsque vous créez une paire de clé d'accès, enregistrez l'ID de clé d'accès et la clé d'accès secrètedans un emplacement sécurisé. La clé d'accès secrète est accessible uniquement au moment de sacréation. Si vous perdez votre clé d'accès secrète, vous devez ajouter de nouvelles clés d'accès pour votreutilisateur IAM. Vous pouvez avoir un maximum de deux clés d'accès. Si vous en avez déjà deux, vousdevez supprimer une paire de clés avant d'en créer une nouvelle. Pour afficher les instructions, consultezGestion des clés d'accès dans le IAM Guide de l'utilisateur.

Je suis un administrateur et je veux autoriser d'autres utilisateursà accéder à ForecastPour permettre à d'autres utilisateurs d'accéder à Forecast, vous devez créer une entité IAM (utilisateur ourôle) pour la personne ou l'application qui a besoin de l'accès. Ils utiliseront les informations d'identificationde cette entité pour accéder à AWS. Vous devez ensuite associer une stratégie à l'entité qui leur accordeles autorisations appropriées dans Forecast.

Pour démarrer immédiatement, consultez Création de votre premier groupe et utilisateur délégué IAM dansle IAM Guide de l'utilisateur.

Je veux autoriser des personnes extérieures à mon compte AWSà accéder à mes ressources ForecastVous pouvez créer un rôle que les utilisateurs provenant d'autres comptes ou les personnes extérieures àvotre organisation peuvent utiliser pour accéder à vos ressources. Vous pouvez spécifier qui est approuvépour assumer le rôle. Pour les services qui prennent en charge les stratégies basées sur les ressourcesou les listes de contrôle d'accès (ACL), vous pouvez utiliser ces stratégies pour accorder aux personnesl'accès à vos ressources.

Pour en savoir plus, consultez les éléments suivants :

• Pour savoir si Forecast prend en charge ces fonctionnalités, consultez Comment Amazon Forecastfonctionne avec IAM (p. 98).

• Pour savoir comment fournir un accès à vos ressources sur les comptes AWS que vous détenez,consultez Octroi à un utilisateur IAM de l'autorisation d'accès à un autre compte AWS vous appartenantdans le IAM Guide de l'utilisateur.

• Pour savoir comment fournir l'accès à vos ressources à des comptes AWS tiers, consultez Octroi d'unaccès à des comptes AWS appartenant à des tiers dans le IAM Guide de l'utilisateur.

• Pour savoir comment fournir un accès par le biais de la fédération d'identité, consultez Octroi d'accès àdes utilisateurs authentifiés en externe (fédération d'identité) dans le IAM Guide de l'utilisateur.

• Pour en savoir plus sur la différence entre l'utilisation des rôles et des stratégies basées sur lesressources pour l'accès entre comptes, consultez Différence entre les rôles IAM et les stratégies baséessur les ressources dans le IAM Guide de l'utilisateur.

Journalisation et surveillance dans AmazonForecast

La surveillance est essentielle pour assurer la fiabilité, la disponibilité et les performances de vosapplications Amazon Forecast. Pour surveiller les appels d'API Amazon Forecast, vous pouvez utiliserAWS CloudTrail. Pour surveiller l'état de vos actifs et processus Forecast, utilisez Amazon CloudWatch.

Rubriques

106

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

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_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



Amazon Forecast Manuel du développeurJournalisation des appels d'APIForecast avec AWS CloudTrail

• Journalisation des appels d'API Forecast avec AWS CloudTrail (p. 107)• Métriques CloudWatch pour Amazon Forecast (p. 109)

Journalisation des appels d'API Forecast avec AWSCloudTrailAmazon Forecast est intégré à AWS CloudTrail, un service qui fournit un enregistrement des actionsréalisées par un utilisateur, un rôle ou un service AWS dans Forecast. CloudTrail capture tous les appelsd'API pour Forecast en tant qu'événements. Les appels capturées incluent des appels de la consoleForecast et les appels de code vers les opérations d'API Forecast. Si vous créez un journal de suivi, vouspouvez livrer en continu les événements CloudTrail dans un compartiment Amazon Simple Storage Service(Amazon S3), y compris les événements pour Forecast. Si vous ne configurez pas de journal de suivi,vous pouvez toujours afficher les événements les plus récents dans la console CloudTrail dans Eventhistory (Historique des événements). À l'aide des informations collectées par CloudTrail, vous pouvezdéterminer la demande qui a été envoyée à Forecast, l'adresse IP source à partir de laquelle la demande aété effectuée, l'auteur de la demande et la date de la demande, ainsi que d'autres informations.

Pour en savoir plus sur CloudTrail, consultez AWS CloudTrail User Guide.

Informations Forecast dans CloudTrailCloudTrail est activé sur votre compte AWS lorsque vous créez le compte. Lorsqu'une activité a lieudans Forecast, cette activité est enregistrée dans un événement CloudTrail avec d'autres événementsde service AWS dans Event history (Historique des événements). Vous pouvez afficher, rechercher ettélécharger les événements récents dans votre compte AWS. Pour plus d'informations, consultez Affichagedes événements avec l'historique des événements CloudTrail.

Pour un enregistrement continu des événements dans votre compte AWS, y compris les événementspour Forecast, créez un journal de suivi. Une journal de suivi permet à CloudTrail de livrer les fichiersjournaux dans un compartiment Amazon S3. Par défaut, lorsque vous créez un journal de suivi dans laconsole, il s'applique à toutes les régions AWS. Le journal de suivi consigne les événements de toutesles régions dans la partition AWS et livre les fichiers journaux dans le compartiment Amazon S3 de votrechoix. En outre, vous pouvez configurer d'autres services AWS pour analyser plus en profondeur lesdonnées d'événement collectées dans les journaux CloudTrail et agir sur celles-ci. Pour plus d'informations,consultez les ressources suivantes :

• Présentation de la création d'un journal de suivi• Intégrations et services pris en charge par CloudTrail• Configuration des Notifications de Amazon SNS pour CloudTrail• Réception de fichiers journaux CloudTrail de plusieurs régions et Réception de fichiers journaux

CloudTrail de plusieurs comptes

Toutes les actions Forecast sont consignées par CloudTrail et sont documentées dans le Amazon ForecastDeveloper Guide. Par exemple, les appels adressés aux actions CreateDataset et CreateForecastgénèrent des entrées dans les fichiers journaux CloudTrail.

Chaque événement ou entrée du journal contient des informations sur la personne qui a généré lademande. Les informations relatives à l'identité permettent de déterminer les éléments suivants :

• Si la demande a été effectuée avec les informations d'identification racine ou utilisateur AWS Identity andAccess Management (IAM).

• Si la demande a été effectuée avec des informations d'identification de sécurité temporaires pour un rôleou un utilisateur fédéré.

107

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/view-cloudtrail-events.html

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/

Amazon Forecast Manuel du développeurJournalisation des appels d'APIForecast avec AWS CloudTrail

• Si la requête a été effectuée par un autre service AWS.

Pour plus d'informations, consultez la section Élément userIdentity CloudTrail.

Présentation des entrées des fichiers journaux ForecastUn journal de suivi est une configuration qui active la livraison d'événements en tant que fichiers journauxà un compartiment Amazon S3 que vous spécifiez. Les fichiers journaux CloudTrail contiennent une ouplusieurs entrées de journal. Un événement représente une demande individuelle à partir d'une sourcequelconque et comprend des informations sur l'action demandée, sur tous les paramètres, les paramètresde la demande, etc. Les fichiers journaux CloudTrail ne sont pas des séries ordonnées retraçant les appelsd'API publics. Ils ne suivent aucun ordre précis.

L'exemple suivant montre une entrée de journal CloudTrail qui illustre l'action 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", "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" },

108

https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-event-reference-user-identity.html

Amazon Forecast Manuel du développeurMétriques CloudWatch pour Amazon Forecast

{ "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"}

Métriques CloudWatch pour Amazon ForecastCette section contient des informations sur les métriques Amazon CloudWatch disponibles pour AmazonForecast.

Le tableau suivant répertorie les métriques Amazon Forecast.

Métrique Dimension Unité Statistiques Description

DatasetSize Kilo-octets Average,Sum, Min,Max

Taille totale des ensembles de donnéesimportés par Amazon Forecast dans lecompte client.

DatasetSize DatasetArn

DatasetImportJobArn

Kilo-octets Average,Sum

Taille de l'ensemble dedonnées importé par l'opérationCreateDatasetImportJob (p. 144).

CreatePredictorExecutionTimePredictorArn Secondes Average,Sum

Temps nécessaire pour la formation,l'inférence et les métriques d'un prédicteurspécifique. Amazon Forecast normaliseles coûts de calcul sur une instancec5.xlarge pour obtenir le nombre d'heuresconsommées par la tâche de formation.

CreateForecastExecutionTimeForecastArn Secondes Average,Sum

Temps nécessaire pour la formation etl'inférence au cours de la génération desprévisions. Amazon Forecast normaliseles coûts de calcul sur une instancec5.xlarge pour obtenir le nombre d'heuresconsommées par la tâche de formation.

TimeSeriesForecastsGenerated Nombre Average,Sum, Min,Max

Nombre de prévisions de sérieschronologiques uniques générées pourchaque quantile sur tous les prédicteursdu compte. Les prévisions sont facturéesau 1 000 le plus proche et facturées partranche de 1 000.

TimeSeriesForecastsGeneratedPredictorArn Nombre Average,Sum, Min,Max

Nombre de prévisions de sérieschronologiques uniques générées pourchaque quantile sur tous les prédicteursdu compte. Les prévisions sont facturées

109

Amazon Forecast Manuel du développeurValidation de la conformité

Métrique Dimension Unité Statistiques Descriptionau 1 000 le plus proche et facturées partranche de 1 000.

TimeSeriesForecastsGeneratedPredictorArn

ForecastArn

Nombre Average,Sum, Min,Max

Nombre de prévisions de sérieschronologiques uniques générées pourchaque quantile sur tous les prédicteursdu compte. Les prévisions sont facturéesau 1 000 le plus proche et facturées partranche de 1 000.

Validation de la conformité pour Amazon ForecastLes auditeurs tiers évaluent la sécurité et la conformité de Amazon Forecast dans le cadre de plusieursprogrammes de conformité AWS. Il s'agit notamment des certifications SOC, PCI, HIPAA.

Pour obtenir la liste des services AWS relevant de programmes de conformité spécifiques, consultezServices AWS relevant de programmes de conformité. Pour obtenir des renseignements généraux,consultez Programmes de conformitéAWS .

Vous pouvez télécharger les rapports de l'audit externe avec AWS Artifact. Pour plus d'informations,consultez Téléchargement de rapports dans AWS Artifact.

Votre responsabilité en matière de conformité lors de l'utilisation d'Forecast est déterminée par la sensibilitéde vos données, les objectifs de conformité de l'entreprise, ainsi que la législation et la réglementationapplicables. AWS fournit les ressources suivantes pour faciliter le respect de la conformité :

• Guides de démarrage rapide de la sécurité et de la conformité – Ces guides de déploiement proposentdes considérations architecturales et fournissent des étapes pour déployer des environnements deréférence centrés sur la sécurité et la conformité sur AWS.

• Livre blanc sur l'architecture pour la sécurité et la conformité HIPAA – Le livre blanc décrit comment lesentreprises peuvent utiliser AWS pour créer des applications conformes à la loi HIPAA.

• Ressources de conformité AWS – Cet ensemble de manuels et de guides peut s'appliquer à votresecteur et à votre emplacement.

• Évaluation des ressources à l'aide de règles dans le Guide du développeur AWS Config – Le serviceAWS Config évalue dans quelle mesure vos configurations de ressources sont conformes aux pratiquesinternes, aux directives sectorielles et aux réglementations.

• AWS Security Hub – Ce service AWS fournit une vue complète de votre état de sécurité au sein d'AWSqui vous permet de vérifier votre conformité aux normes du secteur et aux bonnes pratiques de sécurité.

Résilience dans Amazon ForecastL'infrastructure mondiale dAWS repose sur des régions et des zones de disponibilité AWS. Les régionsAWS fournissent plusieurs zones de disponibilité physiquement séparées et isolées, reliées par un réseauà latence faible, à débit élevé et à forte redondance. Avec les zones de disponibilité, vous pouvez concevoiret exploiter des applications et des bases de données qui basculent automatiquement d'une zone à l'autresans interruption. Les zones de disponibilité sont plus hautement disponibles, tolérantes aux pannes etévolutives que les infrastructures traditionnelles à un ou plusieurs centres de données.

Pour plus d'informations sur les régions et les zones de disponibilité AWS, consultez Infrastructuremondiale AWS.

110


http://aws.amazon.com/compliance/programs/

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

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/

http://aws.amazon.com/about-aws/global-infrastructure/

Amazon Forecast Manuel du développeurSécurité de l'infrastructure

Sécurité de l'infrastructure dans Amazon ForecastEn tant que service géré, Amazon Forecast est protégé par les procédures de sécurité du réseau mondialAWS qui sont décrites dans le livre blanc Amazon Web Services : Présentation des procédures de sécurité.

Vous utilisez les appels d'API publiés AWS pour accéder à Forecast via le réseau. Les clients doiventprendre en charge le protocole TLS (Transport Layer Security) 1.0 ou version ultérieure. Nousrecommandons TLS 1.2 ou version ultérieure. Les clients doivent également prendre en charge les suitesde chiffrement PFS (Perfect Forward Secrecy) comme Ephemeral Diffie-Hellman (DHE) ou Elliptic CurveEphemeral Diffie-Hellman (ECDHE) La plupart des systèmes modernes telles que Java 7 et versionsultérieures prennent en charge ces modes.

En outre, les demandes doivent être signées à l'aide d'un ID de clé d'accès et d'une clé d'accès secrèteassociée à un mandataire IAM. Vous pouvez également utiliser AWS Security Token Service (AWS STS)pour générer des informations d'identification de sécurité temporaires et signer les demandes.

111

https://d0.awsstatic.com/whitepapers/Security/AWS_Security_Whitepaper.pdf

https://docs.aws.amazon.com/STS/latest/APIReference/Welcome.html

Amazon Forecast Manuel du développeurRégions AWS prises en charge

Consignes et quotasLes sections suivantes contiennent des informations sur Amazon Forecast des directives et des quotas.

Rubriques• Régions AWS prises en charge (p. 112)• Compliance (p. 112)• Quotas de service (p. 112)

Régions AWS prises en chargePour la liste des régions AWS prises en charge par Forecast, consultez Régions et points de terminaisonAWS dans le document Référence générale d'Amazon Web Services.

CompliancePour de plus amples informations sur les programmes de conformité Forecast, veuillez consulterConformité AWS, Programmes de conformité AWS et Services AWS concernés par le programme deconformité.

Quotas de serviceForecast a les quotas de service suivants.

Quotas imposés par le CreateDatasetImportJob (p. 144) de l’API

Ressource : Limite par défaut

Nombre maximum de fichiers par compartimentAmazon S3

10 000*

Taille cumulée maximale de tous les fichiers devotre compartiment Amazon S3

30 Go

Nombre maximum d'ensembles de données dansun groupe d'ensembles de données

3 (1 pour chaque type)

Nombre maximum d'ensembles de lignes dans unensemble de données

1 milliard

Nombre maximum de colonnes dans un ensemblede données TARGET_TIME_SERIES

(colonnes obligatoires + dimensions de prévisionsupplémentaires)

13 (3 + 10)

Nombre maximum de colonnes dans un ensemblede données RELATED_TIME_SERIES

(colonnes obligatoires + dimensions de prévisionsupplémentaires + fonctions connexes)

25 (2 + 10 + 13)

112

https://docs.aws.amazon.com/general/latest/gr/rande.html#forecast_region

https://docs.aws.amazon.com/general/latest/gr/rande.html#forecast_region

https://aws.amazon.com/compliance/

https://aws.amazon.com/compliance/programs/

https://aws.amazon.com/compliance/services-in-scope

https://aws.amazon.com/compliance/services-in-scope

Amazon Forecast Manuel du développeurQuotas de service


Nombre maximum de colonnes dans un ensemblede données ITEM_METADATA

-10

Quotas imposés par le CreatePredictor (p. 154) de l’API


Maximum NumberOfBacktestWindows(EvaluationParameters (p. 240))

5 %

Nombre maximum de prévisions par prédicteur

(nombre d’éléments X nombre de dimensions deprévision dans l'ensemble de données de la sériechronologique cible)

1 000 000 sur tous les éléments et dimensions deséries chronologiques cibles.

(Par exemple, vous pouvez avoir 1000 000 articles, 100 articles dans 10000 emplacements, ou 100 articles dans100 entrepôts dans 100 villes.)

Si vous dépassez 100 000 articles, Forecastprend en charge les fréquences annuelles,mensuelles, hebdomadaires et quotidiennes aulieu de fréquences plus granulaires (telles que lesfréquences horaires).

Horizon de prévisions Le moins élevé des 500 points de données ou 1/3de la longueur de l'ensemble de données de lasérie chronologique cible

Quotas de ressources généraux


Nombre maximum de tâchesCreateDatasetImportJob parallèles en coursd'exécution

3

Nombre maximum de tâches CreatePredictorparallèles en cours d'exécution

3

Nombre maximum de tâchesCreateForecast (p. 148) parallèles en coursd'exécution

3

Nombre maximum de tâches d'importationd'ensemble de données

1 000*

Nombre maximum de groupes de jeux de données 500**

Nombre maximum de jeux de données 1 500

Nombre maximum de prédicteurs 500**

Nombre maximum de prévisions -10

Nombre maximum de tâches d'exportation deprévisions

1 000*

113

Amazon Forecast Manuel du développeurQuotas de service


Nombre maximal de tâches d'exportation deprévisions parallèles

3

Durée maximale pendant laquelle uneprévision peut être interrogée sur (console ouQueryForecast (p. 223) de l’API)

30 jours

Nombre maximum de balises que vous pouvezajouter à une ressource

50.

Nombre maximum de prévisions pouvant êtreinterrogées à l’aide de l’ QueryForecast (p. 223)de l’API

10 prévisions simultanées, dont 5 créées avec desensembles de données volumineux (toutes plus de20 Go ou 100 000 éléments).

Si vous avez plus de 5 prévisions créées avec desjeux de données volumineux, QueryForecastne peut accéder qu’aux 5 prévisions de jeu dedonnées volumineuses les plus récentes.

114


Noms de champs réservésAmazon Forecast réserve les noms suivants. Vous ne pouvez pas utiliser ces noms pour vos en-têtesd'ensembles de données ou de champs de schéma.

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

115


• 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

116


• 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

117


• 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

118


• 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

119


• 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

120


• 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

121


• 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

122


• 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

123


• 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

124


• 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

125


• 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

126


• 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

127


• 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

128


• 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

S

• SAVE

• SAVEPOINT

• SCALE

• SCHEMA

• SCHEMA_NAME

• SCHEMAS

• SCOPE

• SCOPE_CATALOG

• SCOPE_NAME

• SCOPE_SCHEMA

• SCROLL

• SEARCH

• SECOND

129


• 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

130


• 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

131


• 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

132


• 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

133


• VOLATILE

W

• WAITFOR

• WHEN

• WHENEVER

• WHERE

• WHILE

• WIDTH_BUCKET

• WINDOW

• WITH

• WITHIN

• WITHOUT

• WORK

• WRITE

• WRITETEXT

X

• X509

• XOR

O

• YEAR

• YEAR_MONTH

Z

• ZEROFILL

• ZONE

134

Amazon Forecast Manuel du développeurActions

API ReferenceCette section fournit la documentation concernant les opérations d'API Amazon Forecast.

Rubriques• Actions (p. 135)• Data Types (p. 225)• Common Errors (p. 278)• Common Parameters (p. 280)

ActionsThe following actions are supported by Amazon Forecast Service:

• CreateDataset (p. 137)• CreateDatasetGroup (p. 141)• CreateDatasetImportJob (p. 144)• CreateForecast (p. 148)• CreateForecastExportJob (p. 151)• CreatePredictor (p. 154)• DeleteDataset (p. 161)• DeleteDatasetGroup (p. 163)• DeleteDatasetImportJob (p. 165)• DeleteForecast (p. 167)• DeleteForecastExportJob (p. 169)• DeletePredictor (p. 171)• DescribeDataset (p. 173)• DescribeDatasetGroup (p. 177)• DescribeDatasetImportJob (p. 180)• DescribeForecast (p. 184)• DescribeForecastExportJob (p. 187)• DescribePredictor (p. 190)• GetAccuracyMetrics (p. 196)• ListDatasetGroups (p. 199)• ListDatasetImportJobs (p. 201)• ListDatasets (p. 204)• ListForecastExportJobs (p. 206)• ListForecasts (p. 209)• ListPredictors (p. 212)• ListTagsForResource (p. 215)• TagResource (p. 217)• UntagResource (p. 219)• UpdateDatasetGroup (p. 221)

135

Amazon Forecast Manuel du développeurAmazon Forecast Service

The following actions are supported by Amazon Forecast Query Service:

• QueryForecast (p. 223)

Amazon Forecast ServiceThe following actions are supported by Amazon Forecast Service:

• CreateDataset (p. 137)• CreateDatasetGroup (p. 141)• CreateDatasetImportJob (p. 144)• CreateForecast (p. 148)• CreateForecastExportJob (p. 151)• CreatePredictor (p. 154)• DeleteDataset (p. 161)• DeleteDatasetGroup (p. 163)• DeleteDatasetImportJob (p. 165)• DeleteForecast (p. 167)• DeleteForecastExportJob (p. 169)• DeletePredictor (p. 171)• DescribeDataset (p. 173)• DescribeDatasetGroup (p. 177)• DescribeDatasetImportJob (p. 180)• DescribeForecast (p. 184)• DescribeForecastExportJob (p. 187)• DescribePredictor (p. 190)• GetAccuracyMetrics (p. 196)• ListDatasetGroups (p. 199)• ListDatasetImportJobs (p. 201)• ListDatasets (p. 204)• ListForecastExportJobs (p. 206)• ListForecasts (p. 209)• ListPredictors (p. 212)• ListTagsForResource (p. 215)• TagResource (p. 217)• UntagResource (p. 219)• UpdateDatasetGroup (p. 221)

136


CreateDatasetService: Amazon Forecast Service

Creates an Amazon Forecast dataset. The information about the dataset that you provide helps Forecastunderstand how to consume the data for model training. This includes the following:

• DataFrequency - How frequently your historical time-series data is collected.• Domain and DatasetType - Each dataset has an associated dataset domain and a type within the

domain. Amazon Forecast provides a list of predefined domains and types within each domain. For eachunique dataset domain and type within the domain, Amazon Forecast requires your data to include aminimum set of predefined fields.

• Schema - A schema specifies the fields in the dataset, including the field name and data type.

After creating a dataset, you import your training data into it and add the dataset to a dataset group. Youuse the dataset group to create a predictor. For more information, see Ensembles de données et groupesd'ensembles de données (p. 3).

To get a list of all your datasets, use the ListDatasets (p. 204) operation.

For example Forecast datasets, see the Amazon Forecast Sample GitHub repository.Note

The Status of a dataset must be ACTIVE before you can import training data. Use theDescribeDataset (p. 173) operation to get the status.

Request Syntax

{ "DataFrequency": "string", "DatasetName": "string", "DatasetType": "string", "Domain": "string", "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "Schema": { "Attributes": [ { "AttributeName": "string", "AttributeType": "string" } ] }, "Tags": [ { "Key": "string", "Value": "string" } ]}

Request ParametersThe request accepts the following data in JSON format.

DataFrequency (p. 137)

The frequency of data collection. This parameter is required for RELATED_TIME_SERIES datasets.

137



Valid intervals are Y (Year), M (Month), W (Week), D (Day), H (Hour), 30min (30 minutes), 15min (15minutes), 10min (10 minutes), 5min (5 minutes), and 1min (1 minute). For example, "D" indicates everyday and "15min" indicates every 15 minutes.

Type: String

Pattern: ^Y|M|W|D|H|30min|15min|10min|5min|1min$

Required: NoDatasetName (p. 137)

A name for the dataset.

Type: String

Length Constraints: Minimum length of 1. Maximum length of 63.

Pattern: ^[a-zA-Z][a-zA-Z0-9_]*

Required: YesDatasetType (p. 137)

The dataset type. Valid values depend on the chosen Domain.

Type: String

Valid Values: TARGET_TIME_SERIES | RELATED_TIME_SERIES | ITEM_METADATA

Required: YesDomain (p. 137)

The domain associated with the dataset. When you add a dataset to a dataset group, this value andthe value specified for the Domain parameter of the CreateDatasetGroup (p. 141) operation mustmatch.

The Domain and DatasetType that you choose determine the fields that must be present in thetraining data that you import to the dataset. For example, if you choose the RETAIL domain andTARGET_TIME_SERIES as the DatasetType, Amazon Forecast requires item_id, timestamp, anddemand fields to be present in your data. For more information, see Ensembles de données et groupesd'ensembles de données (p. 3).

Type: String

Valid Values: RETAIL | CUSTOM | INVENTORY_PLANNING | EC2_CAPACITY | WORK_FORCE| WEB_TRAFFIC | METRICS

Required: YesEncryptionConfig (p. 137)

An AWS Key Management Service (KMS) key and the AWS Identity and Access Management (IAM)role that Amazon Forecast can assume to access the key.

Type: EncryptionConfig (p. 238) object

Required: NoSchema (p. 137)

The schema for the dataset. The schema attributes and their order must match the fields in your data.The dataset Domain and DatasetType that you choose determine the minimum required fields inyour training data. For information about the required fields for a specific dataset domain and type, seeDomaines et types d'ensembles de données prédéfinis (p. 53).

138


Type: Schema (p. 264) object

Required: YesTags (p. 137)

The optional metadata that you apply to the dataset to help you categorize and organize them. Eachtag consists of a key and an optional value, both of which you define.

The following basic restrictions apply to tags:• Maximum number of tags per resource - 50.• For each resource, each tag key must be unique, and each tag key can have only one value.• Maximum key length - 128 Unicode characters in UTF-8.• Maximum value length - 256 Unicode characters in UTF-8.• If your tagging schema is used across multiple services and resources, remember that other services

may have restrictions on allowed characters. Generally allowed characters are: letters, numbers, andspaces representable in UTF-8, and the following characters: + - = . _ : / @.

• Tag keys and values are case sensitive.• Do not use aws:, AWS:, or any upper or lowercase combination of such as a prefix for keys as it

is reserved for AWS use. You cannot edit or delete tag keys with this prefix. Values can have thisprefix. If a tag value has aws as its prefix but the key does not, then Forecast considers it to be auser tag and will count against the limit of 50 tags. Tags with only the key prefix of aws do not countagainst your tags per resource limit.

Type: Array of Tag (p. 271) objects

Array Members: Minimum number of 0 items. Maximum number of 200 items.

Required: No

Response Syntax

{ "DatasetArn": "string"}

Response ElementsIf the action is successful, the service sends back an HTTP 200 response.

The following data is returned in JSON format by the service.

DatasetArn (p. 139)

The Amazon Resource Name (ARN) of the dataset.

Type: String

Length Constraints: Maximum length of 256.

Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Errors

InvalidInputException

We can't process the request because it includes an invalid value or a value that exceeds the validrange.

139


HTTP Status Code: 400LimitExceededException

The limit on the number of resources per account has been exceeded.

HTTP Status Code: 400ResourceAlreadyExistsException

There is already a resource with this name. Try again with a different name.

HTTP Status Code: 400

See Also

For more information about using this API in one of the language-specific AWS SDKs, see the following:

• AWS Command Line Interface• AWS SDK for .NET• AWS SDK for C++• AWS SDK for Go• AWS SDK for Java• AWS SDK for JavaScript• AWS SDK for PHP V3• AWS SDK for Python• AWS SDK for Ruby V3

140

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/SdkForJava/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


CreateDatasetGroupService: Amazon Forecast Service

Creates a dataset group, which holds a collection of related datasets. You can add datasets to the datasetgroup when you create the dataset group, or later by using the UpdateDatasetGroup (p. 221) operation.

After creating a dataset group and adding datasets, you use the dataset group when you create a predictor.For more information, see Ensembles de données et groupes d'ensembles de données (p. 3).

To get a list of all your datasets groups, use the ListDatasetGroups (p. 199) operation.Note

The Status of a dataset group must be ACTIVE before you can use the dataset group to create apredictor. To get the status, use the DescribeDatasetGroup (p. 177) operation.

Request Syntax

{ "DatasetArns": [ "string" ], "DatasetGroupName": "string", "Domain": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}


DatasetArns (p. 141)

An array of Amazon Resource Names (ARNs) of the datasets that you want to include in the datasetgroup.

Type: Array of strings


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoDatasetGroupName (p. 141)

A name for the dataset group.

Type: String



Required: YesDomain (p. 141)

The domain associated with the dataset group. When you add a dataset to a dataset group, this valueand the value specified for the Domain parameter of the CreateDataset (p. 137) operation must match.

141


The Domain and DatasetType that you choose determine the fields that must be present intraining data that you import to a dataset. For example, if you choose the RETAIL domain andTARGET_TIME_SERIES as the DatasetType, Amazon Forecast requires that item_id, timestamp,and demand fields are present in your data. For more information, see Ensembles de données etgroupes d'ensembles de données (p. 3).

Type: String



The optional metadata that you apply to the dataset group to help you categorize and organize them.Each tag consists of a key and an optional value, both of which you define.







Required: No

Response Syntax

{ "DatasetGroupArn": "string"}

Response Elements

If the action is successful, the service sends back an HTTP 200 response.


DatasetGroupArn (p. 142)

The Amazon Resource Name (ARN) of the dataset group.

Type: String

142



Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Errors







HTTP Status Code: 400ResourceInUseException

The specified resource is in use.

HTTP Status Code: 400ResourceNotFoundException

We can't find a resource with that Amazon Resource Name (ARN). Check the ARN and try again.


See Also



143

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/SdkForJava/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


CreateDatasetImportJobService: Amazon Forecast Service

Imports your training data to an Amazon Forecast dataset. You provide the location of your training data inan Amazon Simple Storage Service (Amazon S3) bucket and the Amazon Resource Name (ARN) of thedataset that you want to import the data to.

You must specify a DataSource (p. 237) object that includes an AWS Identity and Access Management(IAM) role that Amazon Forecast can assume to access the data, as Amazon Forecast makes a copyof your data and processes it in an internal AWS system. For more information, see Configurationd'autorisations pour Amazon Forecast (p. 22).

The training data must be in CSV format. The delimiter must be a comma (,).

You can specify the path to a specific CSV file, the S3 bucket, or to a folder in the S3 bucket. For the lattertwo cases, Amazon Forecast imports all files up to the limit of 10,000 files.

Because dataset imports are not aggregated, your most recent dataset import is the one that is used whentraining a predictor or generating a forecast. Make sure that your most recent dataset import contains all ofthe data you want to model off of, and not just the new data collected since the previous import.

To get a list of all your dataset import jobs, filtered by specified criteria, use theListDatasetImportJobs (p. 201) operation.

Request Syntax

{ "DatasetArn": "string", "DatasetImportJobName": "string", "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "Tags": [ { "Key": "string", "Value": "string" } ], "TimestampFormat": "string"}

Request Parameters

The request accepts the following data in JSON format.

DatasetArn (p. 144)

The Amazon Resource Name (ARN) of the Amazon Forecast dataset that you want to import data to.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

144


DatasetImportJobName (p. 144)

The name for the dataset import job. We recommend including the current timestamp inthe name, for example, 20190721DatasetImport. This can help you avoid getting aResourceAlreadyExistsException exception.

Type: String



Required: YesDataSource (p. 144)

The location of the training data to import and an AWS Identity and Access Management (IAM) rolethat Amazon Forecast can assume to access the data. The training data must be stored in an AmazonS3 bucket.

If encryption is used, DataSource must include an AWS Key Management Service (KMS) key and theIAM role must allow Amazon Forecast permission to access the key. The KMS key and IAM role mustmatch those specified in the EncryptionConfig parameter of the CreateDataset (p. 137) operation.

Type: DataSource (p. 237) object


The optional metadata that you apply to the dataset import job to help you categorize and organizethem. Each tag consists of a key and an optional value, both of which you define.







Required: NoTimestampFormat (p. 144)

The format of timestamps in the dataset. The format that you specify depends on the DataFrequencyspecified when the dataset was created. The following formats are supported• "yyyy-MM-dd"

For the following data frequencies: Y, M, W, and D

145


• "yyyy-MM-dd HH:mm:ss"

For the following data frequencies: H, 30min, 15min, and 1min; and optionally, for: Y, M, W, and D

If the format isn't specified, Amazon Forecast expects the format to be "yyyy-MM-dd HH:mm:ss".

Type: String


Pattern: ^[a-zA-Z0-9\-\:\.\,\'\s]+$

Required: No

Response Syntax

{ "DatasetImportJobArn": "string"}

Response Elements



DatasetImportJobArn (p. 146)

The Amazon Resource Name (ARN) of the dataset import job.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Errors









146





See Also



147

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/SdkForJava/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


CreateForecastService: Amazon Forecast Service

Creates a forecast for each item in the TARGET_TIME_SERIES dataset that was used to train thepredictor. This is known as inference. To retrieve the forecast for a single item at low latency, use theQueryForecast (p. 223) operation. To export the complete forecast into your Amazon Simple StorageService (Amazon S3) bucket, use the CreateForecastExportJob (p. 151) operation.

The range of the forecast is determined by the ForecastHorizon value, which you specify in theCreatePredictor (p. 154) request. When you query a forecast, you can request a specific date rangewithin the forecast.

To get a list of all your forecasts, use the ListForecasts (p. 209) operation.

Note

The forecasts generated by Amazon Forecast are in the same time zone as the dataset that wasused to create the predictor.

For more information, see Prévisions (p. 20).

Note

The Status of the forecast must be ACTIVE before you can query or export the forecast. Use theDescribeForecast (p. 184) operation to get the status.

Request Syntax

{ "ForecastName": "string", "ForecastTypes": [ "string" ], "PredictorArn": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}

Request Parameters


ForecastName (p. 148)

A name for the forecast.

Type: String



Required: YesForecastTypes (p. 148)

The quantiles at which probabilistic forecasts are generated. You can currently specify up to 5quantiles per forecast. Accepted values include 0.01 to 0.99 (increments of .01 only) and mean.

148


The mean forecast is different from the median (0.50) when the distribution is not symmetric (forexample, Beta and Negative Binomial). The default value is ["0.1", "0.5", "0.9"].


Array Members: Minimum number of 1 item. Maximum number of 20 items.

Pattern: (^0?\.\d\d?$|^mean$)

Required: NoPredictorArn (p. 148)

The Amazon Resource Name (ARN) of the predictor to use to generate the forecast.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$


The optional metadata that you apply to the forecast to help you categorize and organize them. Eachtag consists of a key and an optional value, both of which you define.







Required: No

Response Syntax

{ "ForecastArn": "string"}

Response Elements


149



ForecastArn (p. 149)

The Amazon Resource Name (ARN) of the forecast.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Errors












See AlsoFor more information about using this API in one of the language-specific AWS SDKs, see the following:


150

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

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateForecast

https://docs.aws.amazon.com/goto/SdkForJava/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


CreateForecastExportJobService: Amazon Forecast Service

Exports a forecast created by the CreateForecast (p. 148) operation to your Amazon Simple StorageService (Amazon S3) bucket. The forecast file name will match the following conventions:

<ForecastExportJobName>_<ExportTimestamp>_<PartNumber>

where the <ExportTimestamp> component is in Java SimpleDateFormat (yyyy-MM-ddTHH-mm-ssZ).

You must specify a DataDestination (p. 231) object that includes an AWS Identity and AccessManagement (IAM) role that Amazon Forecast can assume to access the Amazon S3 bucket. For moreinformation, see Configuration d'autorisations pour Amazon Forecast (p. 22).

For more information, see Prévisions (p. 20).

To get a list of all your forecast export jobs, use the ListForecastExportJobs (p. 206) operation.

Note

The Status of the forecast export job must be ACTIVE before you can access the forecast in yourAmazon S3 bucket. To get the status, use the DescribeForecastExportJob (p. 187) operation.

Request Syntax

{ "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ForecastArn": "string", "ForecastExportJobName": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}

Request Parameters


Destination (p. 151)

The location where you want to save the forecast and an AWS Identity and Access Management (IAM)role that Amazon Forecast can assume to access the location. The forecast must be exported to anAmazon S3 bucket.

If encryption is used, Destination must include an AWS Key Management Service (KMS) key. TheIAM role must allow Amazon Forecast permission to access the key.

Type: DataDestination (p. 231) object

Required: Yes

151



The Amazon Resource Name (ARN) of the forecast that you want to export.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: YesForecastExportJobName (p. 151)

The name for the forecast export job.

Type: String




The optional metadata that you apply to the forecast export job to help you categorize and organizethem. Each tag consists of a key and an optional value, both of which you define.







Required: No

Response Syntax

{ "ForecastExportJobArn": "string"}


152



ForecastExportJobArn (p. 152)

The Amazon Resource Name (ARN) of the export job.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Errors














153

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

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreateForecastExportJob

https://docs.aws.amazon.com/goto/SdkForJava/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


CreatePredictorService: Amazon Forecast Service

Creates an Amazon Forecast predictor.

In the request, provide a dataset group and either specify an algorithm or let Amazon Forecast choosean algorithm for you using AutoML. If you specify an algorithm, you also can override algorithm-specifichyperparameters.

Amazon Forecast uses the algorithm to train a predictor using the latest version of the datasets in thespecified dataset group. You can then generate a forecast using the CreateForecast (p. 148) operation.

To see the evaluation metrics, use the GetAccuracyMetrics (p. 196) operation.

You can specify a featurization configuration to fill and aggregate the data fields in theTARGET_TIME_SERIES dataset to improve model training. For more information, seeFeaturizationConfig (p. 243).

For RELATED_TIME_SERIES datasets, CreatePredictor verifies that the DataFrequency specifiedwhen the dataset was created matches the ForecastFrequency. TARGET_TIME_SERIES datasetsdon't have this restriction. Amazon Forecast also verifies the delimiter and timestamp format. For moreinformation, see Ensembles de données et groupes d'ensembles de données (p. 3).

By default, predictors are trained and evaluated at the 0.1 (P10), 0.5 (P50), and 0.9 (P90) quantiles. Youcan choose custom forecast types to train and evaluate your predictor by setting the ForecastTypes.

AutoML

If you want Amazon Forecast to evaluate each algorithm and choose the one that minimizes theobjective function, set PerformAutoML to true. The objective function is defined as themean of the weighted losses over the forecast types. By default, these are the p10, p50, and p90 quantilelosses. For more information, see EvaluationResult (p. 241).

When AutoML is enabled, the following properties are disallowed:

• AlgorithmArn

• HPOConfig

• PerformHPO

• TrainingParameters

To get a list of all of your predictors, use the ListPredictors (p. 212) operation.

Note

Before you can use the predictor to create a forecast, the Status of the predictormust be ACTIVE, signifying that training has completed. To get the status, use theDescribePredictor (p. 190) operation.

Request Syntax

{ "AlgorithmArn": "string", "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "EvaluationParameters": { "BackTestWindowOffset": number,

154


"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" } ] }, "PerformAutoML": boolean, "PerformHPO": boolean, "PredictorName": "string", "Tags": [ { "Key": "string", "Value": "string" } ], "TrainingParameters": {

155


"string" : "string" }}

Request Parameters


AlgorithmArn (p. 154)

The Amazon Resource Name (ARN) of the algorithm to use for model training. Required ifPerformAutoML is not set to true.

Supported algorithms:

• 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

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoEncryptionConfig (p. 154)


Type: EncryptionConfig (p. 238) object

Required: NoEvaluationParameters (p. 154)

Used to override the default evaluation parameters of the specified algorithm. Amazon Forecastevaluates a predictor by splitting a dataset into training data and testing data. The evaluationparameters define how to perform the split and the number of iterations.

Type: EvaluationParameters (p. 240) object

Required: NoFeaturizationConfig (p. 154)

The featurization configuration.

Type: FeaturizationConfig (p. 243) object

Required: YesForecastHorizon (p. 154)

Specifies the number of time-steps that the model is trained to predict. The forecast horizon is alsocalled the prediction length.

156


For example, if you configure a dataset for daily data collection (using the DataFrequency parameterof the CreateDataset (p. 137) operation) and set the forecast horizon to 10, the model returnspredictions for 10 days.

The maximum forecast horizon is the lesser of 500 time-steps or 1/3 of the TARGET_TIME_SERIESdataset length.

Type: Integer

Required: YesForecastTypes (p. 154)

Specifies the forecast types used to train a predictor. You can specify up to five forecast types.Forecast types can be quantiles from 0.01 to 0.99, by increments of 0.01 or higher. You can alsospecify the mean forecast with mean.

The default value is ["0.10", "0.50", "0.9"].




Required: NoHPOConfig (p. 154)

Provides hyperparameter override values for the algorithm. If you don't provide this parameter,Amazon Forecast uses default values. The individual algorithms specify which hyperparameterssupport hyperparameter optimization (HPO). For more information, see Choix d'un algorithme AmazonForecast (p. 64).

If you included the HPOConfig object, you must set PerformHPO to true.

Type: HyperParameterTuningJobConfig (p. 252) object

Required: NoInputDataConfig (p. 154)

Describes the dataset group that contains the data to use to train the predictor.

Type: InputDataConfig (p. 253) object

Required: YesPerformAutoML (p. 154)

Whether to perform AutoML. When Amazon Forecast performs AutoML, it evaluates the algorithms itprovides and chooses the best algorithm and configuration for your training dataset.

The default value is false. In this case, you are required to specify an algorithm.

Set PerformAutoML to true to have Amazon Forecast perform AutoML. This is a good option if youaren't sure which algorithm is suitable for your training data. In this case, PerformHPO must be false.

Type: Boolean

Required: NoPerformHPO (p. 154)

Whether to perform hyperparameter optimization (HPO). HPO finds optimal hyperparameter values foryour training data. The process of performing HPO is known as running a hyperparameter tuning job.

157


The default value is false. In this case, Amazon Forecast uses default hyperparameter values fromthe chosen algorithm.

To override the default values, set PerformHPO to true and, optionally, supply theHyperParameterTuningJobConfig (p. 252) object. The tuning job specifies a metric to optimize, whichhyperparameters participate in tuning, and the valid range for each tunable hyperparameter. In thiscase, you are required to specify an algorithm and PerformAutoML must be false.

The following algorithms support HPO:• DeepAR+• CNN-QR

Type: Boolean

Required: NoPredictorName (p. 154)

A name for the predictor.

Type: String




The optional metadata that you apply to the predictor to help you categorize and organize them. Eachtag consists of a key and an optional value, both of which you define.







Required: NoTrainingParameters (p. 154)

The hyperparameters to override for model training. The hyperparameters that you can override arelisted in the individual algorithms. For the list of supported algorithms, see Choix d'un algorithmeAmazon Forecast (p. 64).

158


Type: String to string map

Map Entries: Minimum number of 0 items. Maximum number of 100 items.

Key Length Constraints: Maximum length of 256.

Key Pattern: ^[a-zA-Z0-9\-\_\.\/\[\]\,\\]+$

Value Length Constraints: Maximum length of 256.

Value Pattern: ^[a-zA-Z0-9\-\_\.\/\[\]\,\"\\\s]+$

Required: No

Response Syntax

{ "PredictorArn": "string"}

Response Elements



PredictorArn (p. 159)

The Amazon Resource Name (ARN) of the predictor.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Errors









159





See Also



160

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

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/CreatePredictor

https://docs.aws.amazon.com/goto/SdkForJava/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


DeleteDatasetService: Amazon Forecast Service

Deletes an Amazon Forecast dataset that was created using the CreateDataset (p. 137) operation. Youcan only delete datasets that have a status of ACTIVE or CREATE_FAILED. To get the status use theDescribeDataset (p. 173) operation.

Note

Forecast does not automatically update any dataset groups that contain the deleted dataset. Inorder to update the dataset group, use the UpdateDatasetGroup (p. 221) operation, omitting thedeleted dataset's ARN.

Request Syntax


Request Parameters


DatasetArn (p. 161)

The Amazon Resource Name (ARN) of the dataset to delete.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Elements

If the action is successful, the service sends back an HTTP 200 response with an empty HTTP body.

Errors








161


See Also



162

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/SdkForJava/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


DeleteDatasetGroupService: Amazon Forecast Service

Deletes a dataset group created using the CreateDatasetGroup (p. 141) operation. You can only deletedataset groups that have a status of ACTIVE, CREATE_FAILED, or UPDATE_FAILED. To get the status,use the DescribeDatasetGroup (p. 177) operation.

This operation deletes only the dataset group, not the datasets in the group.

Request Syntax




The Amazon Resource Name (ARN) of the dataset group to delete.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response ElementsIf the action is successful, the service sends back an HTTP 200 response with an empty HTTP body.

Errors









163



164

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/SdkForJava/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


DeleteDatasetImportJobService: Amazon Forecast Service

Deletes a dataset import job created using the CreateDatasetImportJob (p. 144) operation. You can deleteonly dataset import jobs that have a status of ACTIVE or CREATE_FAILED. To get the status, use theDescribeDatasetImportJob (p. 180) operation.

Request Syntax




The Amazon Resource Name (ARN) of the dataset import job to delete.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes


Errors









• AWS Command Line Interface

165

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteDatasetImportJob


• AWS SDK for .NET• AWS SDK for C++• AWS SDK for Go• AWS SDK for Java• AWS SDK for JavaScript• AWS SDK for PHP V3• AWS SDK for Python• AWS SDK for Ruby V3

166

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/SdkForJava/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


DeleteForecastService: Amazon Forecast Service

Deletes a forecast created using the CreateForecast (p. 148) operation. You can delete only forecaststhat have a status of ACTIVE or CREATE_FAILED. To get the status, use the DescribeForecast (p. 184)operation.

You can't delete a forecast while it is being exported. After a forecast is deleted, you can no longer querythe forecast.

Request Syntax




The Amazon Resource Name (ARN) of the forecast to delete.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes


Errors









167



168

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/SdkForJava/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


DeleteForecastExportJobService: Amazon Forecast Service

Deletes a forecast export job created using the CreateForecastExportJob (p. 151) operation. You candelete only export jobs that have a status of ACTIVE or CREATE_FAILED. To get the status, use theDescribeForecastExportJob (p. 187) operation.

Request Syntax




The Amazon Resource Name (ARN) of the forecast export job to delete.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes


Errors










169

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeleteForecastExportJob



170

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/SdkForJava/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


DeletePredictorService: Amazon Forecast Service

Deletes a predictor created using the CreatePredictor (p. 154) operation. You can delete only predictorthat have a status of ACTIVE or CREATE_FAILED. To get the status, use the DescribePredictor (p. 190)operation.

Request Syntax




The Amazon Resource Name (ARN) of the predictor to delete.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes


Errors










171

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DeletePredictor



172

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/SdkForJava/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


DescribeDatasetService: Amazon Forecast Service

Describes an Amazon Forecast dataset created using the CreateDataset (p. 137) operation.

In addition to listing the parameters specified in the CreateDataset request, this operation includes thefollowing dataset properties:

• CreationTime

• LastModificationTime

• Status

Request Syntax



DatasetArn (p. 173)


Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "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"}

173


Response Elements



CreationTime (p. 173)

When the dataset was created.

Type: TimestampDataFrequency (p. 173)

The frequency of data collection.

Valid intervals are Y (Year), M (Month), W (Week), D (Day), H (Hour), 30min (30 minutes), 15min (15minutes), 10min (10 minutes), 5min (5 minutes), and 1min (1 minute). For example, "M" indicates everymonth and "30min" indicates every 30 minutes.

Type: String

Pattern: ^Y|M|W|D|H|30min|15min|10min|5min|1min$DatasetArn (p. 173)


Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetName (p. 173)

The name of the dataset.

Type: String


Pattern: ^[a-zA-Z][a-zA-Z0-9_]*DatasetType (p. 173)

The dataset type.

Type: String

Valid Values: TARGET_TIME_SERIES | RELATED_TIME_SERIES | ITEM_METADATADomain (p. 173)

The domain associated with the dataset.

Type: String


EncryptionConfig (p. 173)

The AWS Key Management Service (KMS) key and the AWS Identity and Access Management (IAM)role that Amazon Forecast can assume to access the key.

174


Type: EncryptionConfig (p. 238) objectLastModificationTime (p. 173)

When you create a dataset, LastModificationTime is the same as CreationTime. Whiledata is being imported to the dataset, LastModificationTime is the current time of theDescribeDataset call. After a CreateDatasetImportJob (p. 144) operation has finished,LastModificationTime is when the import job completed or failed.

Type: TimestampSchema (p. 173)

An array of SchemaAttribute objects that specify the dataset fields. Each SchemaAttributespecifies the name and data type of a field.

Type: Schema (p. 264) objectStatus (p. 173)

The status of the dataset. States include:• ACTIVE

• CREATE_PENDING, CREATE_IN_PROGRESS, CREATE_FAILED• DELETE_PENDING, DELETE_IN_PROGRESS, DELETE_FAILED• UPDATE_PENDING, UPDATE_IN_PROGRESS, UPDATE_FAILED

The UPDATE states apply while data is imported to the dataset from a call to theCreateDatasetImportJob (p. 144) operation and reflect the status of the dataset import job. Forexample, when the import job status is CREATE_IN_PROGRESS, the status of the dataset isUPDATE_IN_PROGRESS.

Note

The Status of the dataset must be ACTIVE before you can import training data.

Type: String


Errors






See Also


• AWS Command Line Interface• AWS SDK for .NET

175

https://docs.aws.amazon.com/goto/aws-cli/forecast-2018-06-26/DescribeDataset

https://docs.aws.amazon.com/goto/DotNetSDKV3/forecast-2018-06-26/DescribeDataset


• AWS SDK for C++• AWS SDK for Go• AWS SDK for Java• AWS SDK for JavaScript• AWS SDK for PHP V3• AWS SDK for Python• AWS SDK for Ruby V3

176

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/SdkForJava/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


DescribeDatasetGroupService: Amazon Forecast Service

Describes a dataset group created using the CreateDatasetGroup (p. 141) operation.

In addition to listing the parameters provided in the CreateDatasetGroup request, this operation includesthe following properties:

• DatasetArns - The datasets belonging to the group.• CreationTime


• Status

Request Syntax


Request Parameters




Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "CreationTime": number, "DatasetArns": [ "string" ], "DatasetGroupArn": "string", "DatasetGroupName": "string", "Domain": "string", "LastModificationTime": number, "Status": "string"}

Response Elements




When the dataset group was created.

177


Type: TimestampDatasetArns (p. 177)

An array of Amazon Resource Names (ARNs) of the datasets contained in the dataset group.



Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetGroupArn (p. 177)

The ARN of the dataset group.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetGroupName (p. 177)

The name of the dataset group.

Type: String


Pattern: ^[a-zA-Z][a-zA-Z0-9_]*Domain (p. 177)

The domain associated with the dataset group.

Type: String


LastModificationTime (p. 177)

When the dataset group was created or last updated from a call to the UpdateDatasetGroup (p. 221)operation. While the dataset group is being updated, LastModificationTime is the current time ofthe DescribeDatasetGroup call.

Type: TimestampStatus (p. 177)

The status of the dataset group. States include:• ACTIVE


The UPDATE states apply when you call the UpdateDatasetGroup (p. 221) operation.

Note

The Status of the dataset group must be ACTIVE before you can use the dataset group tocreate a predictor.

Type: String

178



Errors






See Also



179

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/SdkForJava/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


DescribeDatasetImportJobService: Amazon Forecast Service

Describes a dataset import job created using the CreateDatasetImportJob (p. 144) operation.

In addition to listing the parameters provided in the CreateDatasetImportJob request, this operationincludes the following properties:

• CreationTime


• DataSize

• FieldStatistics

• Status

• Message - If an error occurred, information about the error.

Request Syntax





Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "CreationTime": number, "DatasetArn": "string", "DatasetImportJobArn": "string", "DatasetImportJobName": "string", "DataSize": number, "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "FieldStatistics": { "string" : { "Avg": number, "Count": number, "CountDistinct": number,

180


"CountNan": number, "CountNull": number, "Max": "string", "Min": "string", "Stddev": number } }, "LastModificationTime": number, "Message": "string", "Status": "string", "TimestampFormat": "string"}




When the dataset import job was created.

Type: TimestampDatasetArn (p. 180)

The Amazon Resource Name (ARN) of the dataset that the training data was imported to.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetImportJobArn (p. 180)

The ARN of the dataset import job.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$DatasetImportJobName (p. 180)

The name of the dataset import job.

Type: String


Pattern: ^[a-zA-Z][a-zA-Z0-9_]*DataSize (p. 180)

The size of the dataset in gigabytes (GB) after the import job has finished.

Type: DoubleDataSource (p. 180)

The location of the training data to import and an AWS Identity and Access Management (IAM) rolethat Amazon Forecast can assume to access the data.

If encryption is used, DataSource includes an AWS Key Management Service (KMS) key.

181


Type: DataSource (p. 237) objectFieldStatistics (p. 180)

Statistical information about each field in the input data.

Type: String to Statistics (p. 266) object map


Key Pattern: ^[a-zA-Z0-9\_]+$LastModificationTime (p. 180)

The last time that the dataset was modified. The time depends on the status of the job, as follows:• CREATE_PENDING - The same time as CreationTime.• CREATE_IN_PROGRESS - The current timestamp.• ACTIVE or CREATE_FAILED - When the job finished or failed.

Type: TimestampMessage (p. 180)

If an error occurred, an informational message about the error.

Type: StringStatus (p. 180)

The status of the dataset import job. The status is reflected in the status of the dataset. Forexample, when the import job status is CREATE_IN_PROGRESS, the status of the dataset isUPDATE_IN_PROGRESS. States include:• ACTIVE

• CREATE_PENDING, CREATE_IN_PROGRESS, CREATE_FAILED• DELETE_PENDING, DELETE_IN_PROGRESS, DELETE_FAILED

Type: String

Length Constraints: Maximum length of 256.TimestampFormat (p. 180)

The format of timestamps in the dataset. The format that you specify depends on the DataFrequencyspecified when the dataset was created. The following formats are supported• "yyyy-MM-dd"

For the following data frequencies: Y, M, W, and D• "yyyy-MM-dd HH:mm:ss"

For the following data frequencies: H, 30min, 15min, and 1min; and optionally, for: Y, M, W, and D

Type: String


Pattern: ^[a-zA-Z0-9\-\:\.\,\'\s]+$

Errors



182





See Also



183

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/SdkForJava/forecast-2018-06-26/DescribeDatasetImportJob

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


DescribeForecastService: Amazon Forecast Service

Describes a forecast created using the CreateForecast (p. 148) operation.

In addition to listing the properties provided in the CreateForecast request, this operation lists thefollowing properties:

• DatasetGroupArn - The dataset group that provided the training data.• CreationTime


• Status


Request Syntax


Request Parameters



The Amazon Resource Name (ARN) of the forecast.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "CreationTime": number, "DatasetGroupArn": "string", "ForecastArn": "string", "ForecastName": "string", "ForecastTypes": [ "string" ], "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "Status": "string"}

Response Elements



184



When the forecast creation task was created.

Type: TimestampDatasetGroupArn (p. 184)

The ARN of the dataset group that provided the data used to train the predictor.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastArn (p. 184)

The forecast ARN as specified in the request.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastName (p. 184)

The name of the forecast.

Type: String


Pattern: ^[a-zA-Z][a-zA-Z0-9_]*ForecastTypes (p. 184)

The quantiles at which probabilistic forecasts were generated.



Pattern: (^0?\.\d\d?$|^mean$)LastModificationTime (p. 184)

Initially, the same as CreationTime (status is CREATE_PENDING). Updated when inference (creatingthe forecast) starts (status changed to CREATE_IN_PROGRESS), and when inference is complete(status changed to ACTIVE) or fails (status changed to CREATE_FAILED).



Type: StringPredictorArn (p. 184)

The ARN of the predictor used to generate the forecast.

Type: String


185


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$Status (p. 184)

The status of the forecast. States include:• ACTIVE


Note

The Status of the forecast must be ACTIVE before you can query or export the forecast.

Type: String


Pattern: ^[a-zA-Z0-9\_]+$

Errors






See Also



186

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

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/DescribeForecast

https://docs.aws.amazon.com/goto/SdkForJava/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


DescribeForecastExportJobService: Amazon Forecast Service

Describes a forecast export job created using the CreateForecastExportJob (p. 151) operation.

In addition to listing the properties provided by the user in the CreateForecastExportJob request, thisoperation lists the following properties:

• CreationTime


• Status


Request Syntax




The Amazon Resource Name (ARN) of the forecast export job.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ForecastArn": "string", "ForecastExportJobArn": "string", "ForecastExportJobName": "string", "LastModificationTime": number, "Message": "string", "Status": "string"}


187




When the forecast export job was created.

Type: TimestampDestination (p. 187)

The path to the Amazon Simple Storage Service (Amazon S3) bucket where the forecast is exported.

Type: DataDestination (p. 231) objectForecastArn (p. 187)

The Amazon Resource Name (ARN) of the exported forecast.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastExportJobArn (p. 187)

The ARN of the forecast export job.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$ForecastExportJobName (p. 187)

The name of the forecast export job.

Type: String


Pattern: ^[a-zA-Z][a-zA-Z0-9_]*LastModificationTime (p. 187)

When the last successful export job finished.



Type: StringStatus (p. 187)

The status of the forecast export job. States include:• ACTIVE


Note

The Status of the forecast export job must be ACTIVE before you can access the forecast inyour S3 bucket.

188


Type: String


Errors






See Also



189

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/SdkForJava/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


DescribePredictorService: Amazon Forecast Service

Describes a predictor created using the CreatePredictor (p. 154) operation.

In addition to listing the properties provided in the CreatePredictor request, this operation lists thefollowing properties:

• DatasetImportJobArns - The dataset import jobs used to import training data.• AutoMLAlgorithmArns - If AutoML is performed, the algorithms that were evaluated.• CreationTime


• Status


Request Syntax


Request Parameters



The Amazon Resource Name (ARN) of the predictor that you want information about.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "AlgorithmArn": "string", "AutoMLAlgorithmArns": [ "string" ], "CreationTime": number, "DatasetImportJobArns": [ "string" ], "EncryptionConfig": { "KMSKeyArn": "string", "RoleArn": "string" }, "EvaluationParameters": { "BackTestWindowOffset": number, "NumberOfBacktestWindows": number }, "FeaturizationConfig": { "Featurizations": [ { "AttributeName": "string",

190


"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" } ] }, "LastModificationTime": number, "Message": "string", "PerformAutoML": boolean, "PerformHPO": boolean, "PredictorArn": "string", "PredictorExecutionDetails": { "PredictorExecutions": [ { "AlgorithmArn": "string", "TestWindows": [ { "Message": "string", "Status": "string", "TestWindowEnd": number, "TestWindowStart": number }

191


] } ] }, "PredictorName": "string", "Status": "string", "TrainingParameters": { "string" : "string" }}

Response Elements



AlgorithmArn (p. 190)

The Amazon Resource Name (ARN) of the algorithm used for model training.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$AutoMLAlgorithmArns (p. 190)

When PerformAutoML is specified, the ARN of the chosen algorithm.



Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$CreationTime (p. 190)

When the model training task was created.

Type: TimestampDatasetImportJobArns (p. 190)

An array of the ARNs of the dataset import jobs used to import training data for the predictor.



Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$EncryptionConfig (p. 190)


Type: EncryptionConfig (p. 238) objectEvaluationParameters (p. 190)

Used to override the default evaluation parameters of the specified algorithm. Amazon Forecastevaluates a predictor by splitting a dataset into training data and testing data. The evaluationparameters define how to perform the split and the number of iterations.

192


Type: EvaluationParameters (p. 240) objectFeaturizationConfig (p. 190)

The featurization configuration.

Type: FeaturizationConfig (p. 243) objectForecastHorizon (p. 190)

The number of time-steps of the forecast. The forecast horizon is also called the prediction length.

Type: IntegerForecastTypes (p. 190)

The forecast types used during predictor training. Default value is ["0.1","0.5","0.9"]



Pattern: (^0?\.\d\d?$|^mean$)HPOConfig (p. 190)

The hyperparameter override values for the algorithm.

Type: HyperParameterTuningJobConfig (p. 252) objectInputDataConfig (p. 190)

Describes the dataset group that contains the data to use to train the predictor.

Type: InputDataConfig (p. 253) objectLastModificationTime (p. 190)

Initially, the same as CreationTime (when the status is CREATE_PENDING). This value isupdated when training starts (when the status changes to CREATE_IN_PROGRESS), and whentraining has completed (when the status changes to ACTIVE) or fails (when the status changes toCREATE_FAILED).



Type: StringPerformAutoML (p. 190)

Whether the predictor is set to perform AutoML.

Type: BooleanPerformHPO (p. 190)

Whether the predictor is set to perform hyperparameter optimization (HPO).

Type: BooleanPredictorArn (p. 190)

The ARN of the predictor.

Type: String

193



Pattern: ^[a-zA-Z][a-zA-Z0-9_]*PredictorExecutionDetails (p. 190)

Details on the the status and results of the backtests performed to evaluate the accuracy of thepredictor. You specify the number of backtests to perform when you call the CreatePredictor (p. 154)operation.

Type: PredictorExecutionDetails (p. 259) objectPredictorName (p. 190)

The name of the predictor.

Type: String


Pattern: ^[a-zA-Z][a-zA-Z0-9_]*Status (p. 190)

The status of the predictor. States include:• ACTIVE


Note

The Status of the predictor must be ACTIVE before you can use the predictor to create aforecast.

Type: String

Length Constraints: Maximum length of 256.TrainingParameters (p. 190)

The default training parameters or overrides selected during model training. When running AutoML orchoosing HPO with CNN-QR or DeepAR+, the optimized values for the chosen hyperparameters arereturned. For more information, see Choix d'un algorithme Amazon Forecast (p. 64).


Map Entries: Minimum number of 0 items. Maximum number of 100 items.


Key Pattern: ^[a-zA-Z0-9\-\_\.\/\[\]\,\\]+$



Errors



194





See Also



195

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/SdkForJava/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


GetAccuracyMetricsService: Amazon Forecast Service

Provides metrics on the accuracy of the models that were trained by the CreatePredictor (p. 154) operation.Use metrics to see how well the model performed and to decide whether to use the predictor to generate aforecast. For more information, see Predictor Metrics.

This operation generates metrics for each backtest window that was evaluated. The number of backtestwindows (NumberOfBacktestWindows) is specified using the EvaluationParameters (p. 240) object,which is optionally included in the CreatePredictor request. If NumberOfBacktestWindows isn'tspecified, the number defaults to one.

The parameters of the filling method determine which items contribute to the metrics. If you want allitems to contribute, specify zero. If you want only those items that have complete data in the range beingevaluated to contribute, specify nan. For more information, see FeaturizationMethod (p. 245).

Note

Before you can get accuracy metrics, the Status of the predictor must be ACTIVE, signifying thattraining has completed. To get the status, use the DescribePredictor (p. 190) operation.

Request Syntax




The Amazon Resource Name (ARN) of the predictor to get metrics for.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "PredictorEvaluationResults": [ { "AlgorithmArn": "string", "TestWindows": [ { "EvaluationType": "string", "ItemCount": number, "Metrics": { "ErrorMetrics": [ { "ForecastType": "string", "RMSE": number, "WAPE": number

196

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


} ], "RMSE": number, "WeightedQuantileLosses": [ { "LossValue": number, "Quantile": number } ] }, "TestWindowEnd": number, "TestWindowStart": number } ] } ]}



PredictorEvaluationResults (p. 196)

An array of results from evaluating the predictor.

Type: Array of EvaluationResult (p. 241) objects

Errors









• AWS Command Line Interface• AWS SDK for .NET• AWS SDK for C++• AWS SDK for Go• AWS SDK for Java

197

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/SdkForJava/forecast-2018-06-26/GetAccuracyMetrics


• AWS SDK for JavaScript• AWS SDK for PHP V3• AWS SDK for Python• AWS SDK for Ruby V3

198

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


ListDatasetGroupsService: Amazon Forecast Service

Returns a list of dataset groups created using the CreateDatasetGroup (p. 141) operation. For eachdataset group, this operation returns a summary of its properties, including its Amazon ResourceName (ARN). You can retrieve the complete set of properties by using the dataset group ARN with theDescribeDatasetGroup (p. 177) operation.

Request Syntax

{ "MaxResults": number, "NextToken": "string"}


MaxResults (p. 199)

The number of items to return in the response.

Type: Integer

Valid Range: Minimum value of 1. Maximum value of 100.

Required: NoNextToken (p. 199)

If the result of the previous request was truncated, the response includes a NextToken. To retrievethe next set of results, use the token in the next request. Tokens expire after 24 hours.

Type: String


Required: No

Response Syntax

{ "DatasetGroups": [ { "CreationTime": number, "DatasetGroupArn": "string", "DatasetGroupName": "string", "LastModificationTime": number } ], "NextToken": "string"}



199


DatasetGroups (p. 199)

An array of objects that summarize each dataset group's properties.

Type: Array of DatasetGroupSummary (p. 232) objectsNextToken (p. 199)

If the response is truncated, Amazon Forecast returns this token. To retrieve the next set of results, usethe token in the next request.

Type: String


Errors

InvalidNextTokenException

The token is not valid. Tokens expire after 24 hours.


See Also



200

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/SdkForJava/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


ListDatasetImportJobsService: Amazon Forecast Service

Returns a list of dataset import jobs created using the CreateDatasetImportJob (p. 144) operation.For each import job, this operation returns a summary of its properties, including its AmazonResource Name (ARN). You can retrieve the complete set of properties by using the ARN with theDescribeDatasetImportJob (p. 180) operation. You can filter the list by providing an array of Filter (p. 247)objects.

Request Syntax

{ "Filters": [ { "Condition": "string", "Key": "string", "Value": "string" } ], "MaxResults": number, "NextToken": "string"}


Filters (p. 201)

An array of filters. For each filter, you provide a condition and a match statement. The conditionis either IS or IS_NOT, which specifies whether to include or exclude the datasets that match thestatement from the list, respectively. The match statement consists of a key and a value.

Filter properties• Condition - The condition to apply. Valid values are IS and IS_NOT. To include the datasets that

match the statement, specify IS. To exclude matching datasets, specify IS_NOT.• Key - The name of the parameter to filter on. Valid values are DatasetArn and Status.• Value - The value to match.

For example, to list all dataset import jobs whose status is ACTIVE, you specify the following filter:

"Filters": [ { "Condition": "IS", "Key": "Status", "Value": "ACTIVE" } ]

Type: Array of Filter (p. 247) objects

Required: NoMaxResults (p. 201)


Type: Integer




201


Type: String


Required: No

Response Syntax

{ "DatasetImportJobs": [ { "CreationTime": number, "DatasetImportJobArn": "string", "DatasetImportJobName": "string", "DataSource": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "LastModificationTime": number, "Message": "string", "Status": "string" } ], "NextToken": "string"}



DatasetImportJobs (p. 202)

An array of objects that summarize each dataset import job's properties.

Type: Array of DatasetImportJobSummary (p. 233) objectsNextToken (p. 202)


Type: String


Errors



HTTP Status Code: 400InvalidNextTokenException


202



See Also



203

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/SdkForJava/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


ListDatasetsService: Amazon Forecast Service

Returns a list of datasets created using the CreateDataset (p. 137) operation. For each dataset, a summaryof its properties, including its Amazon Resource Name (ARN), is returned. To retrieve the complete set ofproperties, use the ARN with the DescribeDataset (p. 173) operation.

Request Syntax

{ "MaxResults": number, "NextToken": "string"}

Request Parameters


MaxResults (p. 204)


Type: Integer




Type: String


Required: No

Response Syntax

{ "Datasets": [ { "CreationTime": number, "DatasetArn": "string", "DatasetName": "string", "DatasetType": "string", "Domain": "string", "LastModificationTime": number } ], "NextToken": "string"}

Response Elements


204



Datasets (p. 204)

An array of objects that summarize each dataset's properties.

Type: Array of DatasetSummary (p. 235) objectsNextToken (p. 204)


Type: String


Errors

InvalidNextTokenException



See Also



205

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/SdkForJava/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


ListForecastExportJobsService: Amazon Forecast Service

Returns a list of forecast export jobs created using the CreateForecastExportJob (p. 151) operation.For each forecast export job, this operation returns a summary of its properties, including itsAmazon Resource Name (ARN). To retrieve the complete set of properties, use the ARN with theDescribeForecastExportJob (p. 187) operation. You can filter the list using an array of Filter (p. 247)objects.

Request Syntax


Request Parameters


Filters (p. 206)

An array of filters. For each filter, you provide a condition and a match statement. The condition iseither IS or IS_NOT, which specifies whether to include or exclude the forecast export jobs that matchthe statement from the list, respectively. The match statement consists of a key and a value.

Filter properties• Condition - The condition to apply. Valid values are IS and IS_NOT. To include the forecast

export jobs that match the statement, specify IS. To exclude matching forecast export jobs, specifyIS_NOT.

• Key - The name of the parameter to filter on. Valid values are ForecastArn and Status.• Value - The value to match.

For example, to list all jobs that export a forecast named electricityforecast, specify the following filter:

"Filters": [ { "Condition": "IS", "Key": "ForecastArn", "Value":"arn:aws:forecast:us-west-2:<acct-id>:forecast/electricityforecast" } ]




Type: Integer


Required: No

206


NextToken (p. 206)


Type: String


Required: No

Response Syntax

{ "ForecastExportJobs": [ { "CreationTime": number, "Destination": { "S3Config": { "KMSKeyArn": "string", "Path": "string", "RoleArn": "string" } }, "ForecastExportJobArn": "string", "ForecastExportJobName": "string", "LastModificationTime": number, "Message": "string", "Status": "string" } ], "NextToken": "string"}



ForecastExportJobs (p. 207)

An array of objects that summarize each export job's properties.

Type: Array of ForecastExportJobSummary (p. 248) objectsNextToken (p. 207)


Type: String


Errors



207





See Also



208

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/SdkForJava/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


ListForecastsService: Amazon Forecast Service

Returns a list of forecasts created using the CreateForecast (p. 148) operation. For each forecast, thisoperation returns a summary of its properties, including its Amazon Resource Name (ARN). To retrieve thecomplete set of properties, specify the ARN with the DescribeForecast (p. 184) operation. You can filter thelist using an array of Filter (p. 247) objects.

Request Syntax



Filters (p. 209)

An array of filters. For each filter, you provide a condition and a match statement. The condition iseither IS or IS_NOT, which specifies whether to include or exclude the forecasts that match thestatement from the list, respectively. The match statement consists of a key and a value.

Filter properties• Condition - The condition to apply. Valid values are IS and IS_NOT. To include the forecasts that

match the statement, specify IS. To exclude matching forecasts, specify IS_NOT.• Key - The name of the parameter to filter on. Valid values are DatasetGroupArn, PredictorArn,

and Status.• Value - The value to match.

For example, to list all forecasts whose status is not ACTIVE, you would specify:

"Filters": [ { "Condition": "IS_NOT", "Key": "Status", "Value": "ACTIVE" } ]




Type: Integer




209


Type: String


Required: No

Response Syntax

{ "Forecasts": [ { "CreationTime": number, "DatasetGroupArn": "string", "ForecastArn": "string", "ForecastName": "string", "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "Status": "string" } ], "NextToken": "string"}

Response Elements



Forecasts (p. 210)

An array of objects that summarize each forecast's properties.

Type: Array of ForecastSummary (p. 250) objectsNextToken (p. 210)


Type: String


Errors






210


See Also



211

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/SdkForJava/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


ListPredictorsService: Amazon Forecast Service

Returns a list of predictors created using the CreatePredictor (p. 154) operation. For each predictor, thisoperation returns a summary of its properties, including its Amazon Resource Name (ARN). You canretrieve the complete set of properties by using the ARN with the DescribePredictor (p. 190) operation. Youcan filter the list using an array of Filter (p. 247) objects.

Request Syntax



Filters (p. 212)

An array of filters. For each filter, you provide a condition and a match statement. The condition iseither IS or IS_NOT, which specifies whether to include or exclude the predictors that match thestatement from the list, respectively. The match statement consists of a key and a value.

Filter properties• Condition - The condition to apply. Valid values are IS and IS_NOT. To include the predictors that

match the statement, specify IS. To exclude matching predictors, specify IS_NOT.• Key - The name of the parameter to filter on. Valid values are DatasetGroupArn and Status.• Value - The value to match.

For example, to list all predictors whose status is ACTIVE, you would specify:

"Filters": [ { "Condition": "IS", "Key": "Status", "Value": "ACTIVE" } ]




Type: Integer




Type: String

212



Required: No

Response Syntax

{ "NextToken": "string", "Predictors": [ { "CreationTime": number, "DatasetGroupArn": "string", "LastModificationTime": number, "Message": "string", "PredictorArn": "string", "PredictorName": "string", "Status": "string" } ]}



NextToken (p. 213)


Type: String

Length Constraints: Minimum length of 1. Maximum length of 3000.Predictors (p. 213)

An array of objects that summarize each predictor's properties.

Type: Array of PredictorSummary (p. 260) objects

Errors







213



214

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/SdkForJava/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


ListTagsForResourceService: Amazon Forecast Service

Lists the tags for an Amazon Forecast resource.

Request Syntax

{ "ResourceArn": "string"}

Request Parameters


ResourceArn (p. 215)

The Amazon Resource Name (ARN) that identifies the resource for which to list the tags. Currently, thesupported resources are Forecast dataset groups, datasets, dataset import jobs, predictors, forecasts,and forecast export jobs.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

Response Syntax

{ "Tags": [ { "Key": "string", "Value": "string" } ]}

Response Elements



Tags (p. 215)

The tags for the resource.



215


Errors






See Also



216

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/SdkForJava/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


TagResourceService: Amazon Forecast Service

Associates the specified tags to a resource with the specified resourceArn. If existing tags on a resourceare not specified in the request parameters, they are not changed. When a resource is deleted, the tagsassociated with that resource are also deleted.

Request Syntax

{ "ResourceArn": "string", "Tags": [ { "Key": "string", "Value": "string" } ]}

Request Parameters



The Amazon Resource Name (ARN) that identifies the resource for which to list the tags. Currently, thesupported resources are Forecast dataset groups, datasets, dataset import jobs, predictors, forecasts,and forecast export jobs.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$


The tags to add to the resource. A tag is an array of key-value pairs.






217



Required: Yes

Response Elements

If the action is successful, the service sends back an HTTP 200 response with an empty HTTP body.

Errors








See Also



218

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/SdkForJava/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


UntagResourceService: Amazon Forecast Service

Deletes the specified tags from a resource.

Request Syntax

{ "ResourceArn": "string", "TagKeys": [ "string" ]}



The Amazon Resource Name (ARN) that identifies the resource for which to list the tags. Currently, thesupported resources are Forecast dataset groups, datasets, dataset import jobs, predictors, forecasts,and forecast exports.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: YesTagKeys (p. 219)

The keys of the tags to be removed.




Pattern: ^([\p{L}\p{Z}\p{N}_.:/=+\-@]*)$

Required: Yes


Errors





219



See Also



220

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/SdkForJava/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


UpdateDatasetGroupService: Amazon Forecast Service

Replaces the datasets in a dataset group with the specified datasets.Note

The Status of the dataset group must be ACTIVE before you can use the dataset group to createa predictor. Use the DescribeDatasetGroup (p. 177) operation to get the status.

Request Syntax

{ "DatasetArns": [ "string" ], "DatasetGroupArn": "string"}


DatasetArns (p. 221)

An array of the Amazon Resource Names (ARNs) of the datasets to add to the dataset group.



Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: YesDatasetGroupArn (p. 221)

The ARN of the dataset group.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes


Errors





221

Amazon Forecast Manuel du développeurAmazon Forecast Query Service




See Also



Amazon Forecast Query ServiceThe following actions are supported by Amazon Forecast Query Service:

• QueryForecast (p. 223)

222

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/SdkForJava/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


QueryForecastService: Amazon Forecast Query Service

Retrieves a forecast for a single item, filtered by the supplied criteria.

The criteria is a key-value pair. The key is either item_id (or the equivalent non-timestamp, non-targetfield) from the TARGET_TIME_SERIES dataset, or one of the forecast dimensions specified as part of theFeaturizationConfig object.

By default, QueryForecast returns the complete date range for the filtered forecast. You can request aspecific date range.

To get the full forecast, use the CreateForecastExportJob operation.

Note

The forecasts generated by Amazon Forecast are in the same timezone as the dataset that wasused to create the predictor.

Request Syntax

{ "EndDate": "string", "Filters": { "string" : "string" }, "ForecastArn": "string", "NextToken": "string", "StartDate": "string"}

Request Parameters


EndDate (p. 223)

The end date for the forecast. Specify the date using this format: yyyy-MM-dd'T'HH:mm:ss (ISO 8601format). For example, 2015-01-01T20:00:00.

Type: String

Required: NoFilters (p. 223)

The filtering criteria to apply when retrieving the forecast. For example, to get the forecast forclient_21 in the electricity usage dataset, specify the following:

{"item_id" : "client_21"}

To get the full forecast, use the CreateForecastExportJob operation.


Map Entries: Maximum number of 50 items.


Key Pattern: ^[a-zA-Z0-9\_\-]+$

223

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



Required: YesForecastArn (p. 223)

The Amazon Resource Name (ARN) of the forecast to query.

Type: String


Pattern: arn:([a-z\d-]+):forecast:.*:.*:.+

Required: YesNextToken (p. 223)


Type: String


Required: NoStartDate (p. 223)

The start date for the forecast. Specify the date using this format: yyyy-MM-dd'T'HH:mm:ss (ISO 8601format). For example, 2015-01-01T08:00:00.

Type: String

Required: No

Response Syntax

{ "Forecast": { "Predictions": { "string" : [ { "Timestamp": "string", "Value": number } ] } }}

Response Elements



Forecast (p. 224)

The forecast.

Type: Forecast (p. 278) object

224

Amazon Forecast Manuel du développeurData Types

Errors


The value is invalid or is too long.




The limit on the number of requests per second has been exceeded.




We can't find that resource. Check the information that you've provided and try again.


See Also



Data TypesThe following data types are supported by Amazon Forecast Service:

• CategoricalParameterRange (p. 228)• ContinuousParameterRange (p. 229)• DataDestination (p. 231)• DatasetGroupSummary (p. 232)• DatasetImportJobSummary (p. 233)• DatasetSummary (p. 235)

225

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/SdkForJava/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


• DataSource (p. 237)• EncryptionConfig (p. 238)• ErrorMetric (p. 239)• EvaluationParameters (p. 240)• EvaluationResult (p. 241)• Featurization (p. 242)• FeaturizationConfig (p. 243)• FeaturizationMethod (p. 245)• Filter (p. 247)• ForecastExportJobSummary (p. 248)• ForecastSummary (p. 250)• HyperParameterTuningJobConfig (p. 252)• InputDataConfig (p. 253)• IntegerParameterRange (p. 254)• Metrics (p. 256)• ParameterRanges (p. 257)• PredictorExecution (p. 258)• PredictorExecutionDetails (p. 259)• PredictorSummary (p. 260)• S3Config (p. 262)• Schema (p. 264)• SchemaAttribute (p. 265)• Statistics (p. 266)• SupplementaryFeature (p. 268)• Tag (p. 271)• TestWindowSummary (p. 273)• WeightedQuantileLoss (p. 274)• WindowSummary (p. 275)

The following data types are supported by Amazon Forecast Query Service:

• DataPoint (p. 277)• Forecast (p. 278)

Amazon Forecast ServiceThe following data types are supported by Amazon Forecast Service:

• CategoricalParameterRange (p. 228)• ContinuousParameterRange (p. 229)• DataDestination (p. 231)• DatasetGroupSummary (p. 232)• DatasetImportJobSummary (p. 233)• DatasetSummary (p. 235)• DataSource (p. 237)• EncryptionConfig (p. 238)

226


• ErrorMetric (p. 239)• EvaluationParameters (p. 240)• EvaluationResult (p. 241)• Featurization (p. 242)• FeaturizationConfig (p. 243)• FeaturizationMethod (p. 245)• Filter (p. 247)• ForecastExportJobSummary (p. 248)• ForecastSummary (p. 250)• HyperParameterTuningJobConfig (p. 252)• InputDataConfig (p. 253)• IntegerParameterRange (p. 254)• Metrics (p. 256)• ParameterRanges (p. 257)• PredictorExecution (p. 258)• PredictorExecutionDetails (p. 259)• PredictorSummary (p. 260)• S3Config (p. 262)• Schema (p. 264)• SchemaAttribute (p. 265)• Statistics (p. 266)• SupplementaryFeature (p. 268)• Tag (p. 271)• TestWindowSummary (p. 273)• WeightedQuantileLoss (p. 274)• WindowSummary (p. 275)

227


CategoricalParameterRangeService: Amazon Forecast Service

Specifies a categorical hyperparameter and it's range of tunable values. This object is part of theParameterRanges (p. 257) object.

Contents

Name

The name of the categorical hyperparameter to tune.

Type: String



Required: YesValues

A list of the tunable categories for the hyperparameter.




Pattern: ^[a-zA-Z0-9\_\-]+$

Required: Yes

See Also


• AWS SDK for C++• AWS SDK for Go• AWS SDK for Java• AWS SDK for Ruby V3

228

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/SdkForJava/forecast-2018-06-26/CategoricalParameterRange

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/CategoricalParameterRange


ContinuousParameterRangeService: Amazon Forecast Service

Specifies a continuous hyperparameter and it's range of tunable values. This object is part of theParameterRanges (p. 257) object.

Contents

MaxValue

The maximum tunable value of the hyperparameter.

Type: Double

Required: YesMinValue

The minimum tunable value of the hyperparameter.

Type: Double

Required: YesName

The name of the hyperparameter to tune.

Type: String



Required: YesScalingType

The scale that hyperparameter tuning uses to search the hyperparameter range. Valid values:Auto

Amazon Forecast hyperparameter tuning chooses the best scale for the hyperparameter.Linear

Hyperparameter tuning searches the values in the hyperparameter range by using a linear scale.Logarithmic

Hyperparameter tuning searches the values in the hyperparameter range by using a logarithmicscale.

Logarithmic scaling works only for ranges that have values greater than 0.ReverseLogarithmic

hyperparameter tuning searches the values in the hyperparameter range by using a reverselogarithmic scale.

Reverse logarithmic scaling works only for ranges that are entirely within the range 0 <= x < 1.0.

For information about choosing a hyperparameter scale, see Hyperparameter Scaling. One of thefollowing values:

Type: String

229

http://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-define-ranges.html#scaling-type


Valid Values: Auto | Linear | Logarithmic | ReverseLogarithmic

Required: No

See Also



230

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/SdkForJava/forecast-2018-06-26/ContinuousParameterRange

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ContinuousParameterRange


DataDestinationService: Amazon Forecast Service

The destination for an exported forecast, an AWS Identity and Access Management (IAM) role that allowsAmazon Forecast to access the location and, optionally, an AWS Key Management Service (KMS) key.This object is submitted in the CreateForecastExportJob (p. 151) request.

Contents

S3Config

The path to an Amazon Simple Storage Service (Amazon S3) bucket along with the credentials toaccess the bucket.

Type: S3Config (p. 262) object

Required: Yes

See Also



231

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/SdkForJava/forecast-2018-06-26/DataDestination

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DataDestination


DatasetGroupSummaryService: Amazon Forecast Service

Provides a summary of the dataset group properties used in the ListDatasetGroups (p. 199) operation.To get the complete set of properties, call the DescribeDatasetGroup (p. 177) operation, and provide theDatasetGroupArn.

Contents

CreationTime

When the dataset group was created.

Type: Timestamp

Required: NoDatasetGroupArn


Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoDatasetGroupName

The name of the dataset group.

Type: String



Required: NoLastModificationTime

When the dataset group was created or last updated from a call to the UpdateDatasetGroup (p. 221)operation. While the dataset group is being updated, LastModificationTime is the current time ofthe ListDatasetGroups call.

Type: Timestamp

Required: No



232

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/SdkForJava/forecast-2018-06-26/DatasetGroupSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DatasetGroupSummary


DatasetImportJobSummaryService: Amazon Forecast Service

Provides a summary of the dataset import job properties used in the ListDatasetImportJobs (p. 201)operation. To get the complete set of properties, call the DescribeDatasetImportJob (p. 180) operation, andprovide the DatasetImportJobArn.

Contents

CreationTime

When the dataset import job was created.

Type: Timestamp

Required: NoDatasetImportJobArn


Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoDatasetImportJobName

The name of the dataset import job.

Type: String



Required: NoDataSource

The location of the training data to import and an AWS Identity and Access Management (IAM) rolethat Amazon Forecast can assume to access the data. The training data must be stored in an AmazonS3 bucket.

If encryption is used, DataSource includes an AWS Key Management Service (KMS) key.

Type: DataSource (p. 237) object


The last time that the dataset was modified. The time depends on the status of the job, as follows:• CREATE_PENDING - The same time as CreationTime.• CREATE_IN_PROGRESS - The current timestamp.• ACTIVE or CREATE_FAILED - When the job finished or failed.

Type: Timestamp

Required: No

233


Message


Type: String

Required: NoStatus

The status of the dataset import job. The status is reflected in the status of the dataset. Forexample, when the import job status is CREATE_IN_PROGRESS, the status of the dataset isUPDATE_IN_PROGRESS. States include:• ACTIVE


Type: String


Required: No

See Also



234

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/SdkForJava/forecast-2018-06-26/DatasetImportJobSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DatasetImportJobSummary


DatasetSummaryService: Amazon Forecast Service

Provides a summary of the dataset properties used in the ListDatasets (p. 204) operation. To get thecomplete set of properties, call the DescribeDataset (p. 173) operation, and provide the DatasetArn.

Contents

CreationTime

When the dataset was created.

Type: Timestamp

Required: NoDatasetArn


Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoDatasetName

The name of the dataset.

Type: String



Required: NoDatasetType

The dataset type.

Type: String

Valid Values: TARGET_TIME_SERIES | RELATED_TIME_SERIES | ITEM_METADATA

Required: NoDomain

The domain associated with the dataset.

Type: String



When you create a dataset, LastModificationTime is the same as CreationTime. While datais being imported to the dataset, LastModificationTime is the current time of the ListDatasets

235


call. After a CreateDatasetImportJob (p. 144) operation has finished, LastModificationTime iswhen the import job completed or failed.

Type: Timestamp

Required: No

See Also



236

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/SdkForJava/forecast-2018-06-26/DatasetSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DatasetSummary


DataSourceService: Amazon Forecast Service

The source of your training data, an AWS Identity and Access Management (IAM) role that allows AmazonForecast to access the data and, optionally, an AWS Key Management Service (KMS) key. This object issubmitted in the CreateDatasetImportJob (p. 144) request.

Contents

S3Config

The path to the training data stored in an Amazon Simple Storage Service (Amazon S3) bucket alongwith the credentials to access the data.

Type: S3Config (p. 262) object

Required: Yes

See Also



237

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/SdkForJava/forecast-2018-06-26/DataSource

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/DataSource


EncryptionConfigService: Amazon Forecast Service

An AWS Key Management Service (KMS) key and an AWS Identity and Access Management (IAM)role that Amazon Forecast can assume to access the key. You can specify this optional object in theCreateDataset (p. 137) and CreatePredictor (p. 154) requests.

Contents

KMSKeyArn

The Amazon Resource Name (ARN) of the KMS key.

Type: String


Pattern: arn:aws:kms:.*:key/.*

Required: YesRoleArn

The ARN of the IAM role that Amazon Forecast can assume to access the AWS KMS key.

Passing a role across AWS accounts is not allowed. If you pass a role that isn't in your account, youget an InvalidInputException error.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

See Also



238

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/SdkForJava/forecast-2018-06-26/EncryptionConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/EncryptionConfig


ErrorMetricService: Amazon Forecast Service

Provides detailed error metrics to evaluate the performance of a predictor. This object is part of theMetrics (p. 256) object.

Contents

ForecastType

The Forecast type used to compute WAPE and RMSE.

Type: String


Required: NoRMSE

The root-mean-square error (RMSE).

Type: Double

Required: NoWAPE

The weighted absolute percentage error (WAPE).

Type: Double

Required: No

See Also



239

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/SdkForJava/forecast-2018-06-26/ErrorMetric

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ErrorMetric


EvaluationParametersService: Amazon Forecast Service

Parameters that define how to split a dataset into training data and testing data, and the number ofiterations to perform. These parameters are specified in the predefined algorithms but you can overridethem in the CreatePredictor (p. 154) request.

Contents

BackTestWindowOffset

The point from the end of the dataset where you want to split the data for model training and testing(evaluation). Specify the value as the number of data points. The default is the value of the forecasthorizon. BackTestWindowOffset can be used to mimic a past virtual forecast start date. This valuemust be greater than or equal to the forecast horizon and less than half of the TARGET_TIME_SERIESdataset length.

ForecastHorizon <= BackTestWindowOffset < 1/2 * TARGET_TIME_SERIES dataset length

Type: Integer

Required: NoNumberOfBacktestWindows

The number of times to split the input data. The default is 1. Valid values are 1 through 5.

Type: Integer

Required: No

See Also



240

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/SdkForJava/forecast-2018-06-26/EvaluationParameters

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/EvaluationParameters


EvaluationResultService: Amazon Forecast Service

The results of evaluating an algorithm. Returned as part of the GetAccuracyMetrics (p. 196) response.

Contents

AlgorithmArn

The Amazon Resource Name (ARN) of the algorithm that was evaluated.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoTestWindows

The array of test windows used for evaluating the algorithm. The NumberOfBacktestWindows fromthe EvaluationParameters (p. 240) object determines the number of windows in the array.

Type: Array of WindowSummary (p. 275) objects

Required: No

See Also



241

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/SdkForJava/forecast-2018-06-26/EvaluationResult

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/EvaluationResult


FeaturizationService: Amazon Forecast Service

Provides featurization (transformation) information for a dataset field. This object is part of theFeaturizationConfig (p. 243) object.

For example:

{

"AttributeName": "demand",

FeaturizationPipeline [ {

"FeaturizationMethodName": "filling",

"FeaturizationMethodParameters": {"aggregation": "avg", "backfill": "nan"}

} ]

}

Contents

AttributeName

The name of the schema attribute that specifies the data field to be featurized. Amazon Forecastsupports the target field of the TARGET_TIME_SERIES and the RELATED_TIME_SERIES datasets.For example, for the RETAIL domain, the target is demand, and for the CUSTOM domain, the target istarget_value. For more information, see Gestion des valeurs manquantes (p. 14).

Type: String



Required: YesFeaturizationPipeline

An array of one FeaturizationMethod object that specifies the feature transformation method.

Type: Array of FeaturizationMethod (p. 245) objects

Array Members: Fixed number of 1 item.

Required: No

See Also



242

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Featurization

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Featurization

https://docs.aws.amazon.com/goto/SdkForJava/forecast-2018-06-26/Featurization

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Featurization


FeaturizationConfigService: Amazon Forecast Service

In a CreatePredictor (p. 154) operation, the specified algorithm trains a model using the specifieddataset group. You can optionally tell the operation to modify data fields prior to training a model. Thesemodifications are referred to as featurization.

You define featurization using the FeaturizationConfig object. You specify an arrayof transformations, one for each field that you want to featurize. You then include theFeaturizationConfig object in your CreatePredictor request. Amazon Forecast applies thefeaturization to the TARGET_TIME_SERIES and RELATED_TIME_SERIES datasets before model training.

You can create multiple featurization configurations. For example, you might call the CreatePredictoroperation twice by specifying different featurization configurations.

Contents

Featurizations

An array of featurization (transformation) information for the fields of a dataset.

Type: Array of Featurization (p. 242) objects


Required: NoForecastDimensions

An array of dimension (field) names that specify how to group the generated forecast.

For example, suppose that you are generating a forecast for item sales across all of your stores, andyour dataset contains a store_id field. If you want the sales forecast for each item by store, youwould specify store_id as the dimension.

All forecast dimensions specified in the TARGET_TIME_SERIES dataset don't need to be specified inthe CreatePredictor request. All forecast dimensions specified in the RELATED_TIME_SERIESdataset must be specified in the CreatePredictor request.





Required: NoForecastFrequency

The frequency of predictions in a forecast.

Valid intervals are Y (Year), M (Month), W (Week), D (Day), H (Hour), 30min (30 minutes), 15min (15minutes), 10min (10 minutes), 5min (5 minutes), and 1min (1 minute). For example, "Y" indicates everyyear and "5min" indicates every five minutes.

The frequency must be greater than or equal to the TARGET_TIME_SERIES dataset frequency.

When a RELATED_TIME_SERIES dataset is provided, the frequency must be equal to theRELATED_TIME_SERIES dataset frequency.

243


Type: String

Pattern: ^Y|M|W|D|H|30min|15min|10min|5min|1min$

Required: Yes

See Also



244

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/SdkForJava/forecast-2018-06-26/FeaturizationConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/FeaturizationConfig


FeaturizationMethodService: Amazon Forecast Service

Provides information about the method that featurizes (transforms) a dataset field. The method is part of theFeaturizationPipeline of the Featurization (p. 242) object.

The following is an example of how you specify a FeaturizationMethod object.

{

"FeaturizationMethodName": "filling",

"FeaturizationMethodParameters": {"aggregation": "sum", "middlefill": "zero","backfill": "zero"}

}

Contents

FeaturizationMethodName

The name of the method. The "filling" method is the only supported method.

Type: String

Valid Values: filling

Required: YesFeaturizationMethodParameters

The method parameters (key-value pairs), which are a map of override parameters. Specify theseparameters to override the default values. Related Time Series attributes do not accept aggregationparameters.

The following list shows the parameters and their valid values for the "filling" featurization method for aTarget Time Series dataset. Bold signifies the default value.• aggregation: sum, avg, first, min, max• frontfill: none• middlefill: zero, nan (not a number), value, median, mean, min, max• backfill: zero, nan, value, median, mean, min, max

The following list shows the parameters and their valid values for a Related Time Series featurizationmethod (there are no defaults):• middlefill: zero, value, median, mean, min, max• backfill: zero, value, median, mean, min, max• futurefill: zero, value, median, mean, min, max

To set a filling method to a specific value, set the fill parameter to value and define the value in acorresponding _value parameter. For example, to set backfilling to a value of 2, include the following:"backfill": "value" and "backfill_value":"2".


Map Entries: Maximum number of 20 items.


Key Pattern: ^[a-zA-Z0-9\-\_\.\/\[\]\,\\]+$

245




Required: No

See Also



246

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/SdkForJava/forecast-2018-06-26/FeaturizationMethod

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/FeaturizationMethod


FilterService: Amazon Forecast Service

Describes a filter for choosing a subset of objects. Each filter consists of a condition and a match statement.The condition is either IS or IS_NOT, which specifies whether to include or exclude the objects that matchthe statement, respectively. The match statement consists of a key and a value.

Contents

Condition

The condition to apply. To include the objects that match the statement, specify IS. To excludematching objects, specify IS_NOT.

Type: String

Valid Values: IS | IS_NOT

Required: YesKey

The name of the parameter to filter on.

Type: String



Required: YesValue

The value to match.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

See Also



247

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/SdkForJava/forecast-2018-06-26/Filter

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Filter


ForecastExportJobSummaryService: Amazon Forecast Service

Provides a summary of the forecast export job properties used in the ListForecastExportJobs (p. 206)operation. To get the complete set of properties, call the DescribeForecastExportJob (p. 187) operation,and provide the listed ForecastExportJobArn.

Contents

CreationTime

When the forecast export job was created.

Type: Timestamp

Required: NoDestination

The path to the Amazon Simple Storage Service (Amazon S3) bucket where the forecast is exported.

Type: DataDestination (p. 231) object

Required: NoForecastExportJobArn

The Amazon Resource Name (ARN) of the forecast export job.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoForecastExportJobName

The name of the forecast export job.

Type: String




When the last successful export job finished.

Type: Timestamp

Required: NoMessage


Type: String

Required: No

248


Status

The status of the forecast export job. States include:• ACTIVE


Note

The Status of the forecast export job must be ACTIVE before you can access the forecast inyour S3 bucket.

Type: String


Required: No

See Also



249

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/SdkForJava/forecast-2018-06-26/ForecastExportJobSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ForecastExportJobSummary


ForecastSummaryService: Amazon Forecast Service

Provides a summary of the forecast properties used in the ListForecasts (p. 209) operation. To get thecomplete set of properties, call the DescribeForecast (p. 184) operation, and provide the ForecastArnthat is listed in the summary.

Contents

CreationTime

When the forecast creation task was created.

Type: Timestamp


The Amazon Resource Name (ARN) of the dataset group that provided the data used to train thepredictor.

Type: String



Required: NoForecastArn

The ARN of the forecast.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoForecastName

The name of the forecast.

Type: String




Initially, the same as CreationTime (status is CREATE_PENDING). Updated when inference (creatingthe forecast) starts (status changed to CREATE_IN_PROGRESS), and when inference is complete(status changed to ACTIVE) or fails (status changed to CREATE_FAILED).

Type: Timestamp

Required: No

250


Message


Type: String

Required: NoPredictorArn

The ARN of the predictor used to generate the forecast.

Type: String



Required: NoStatus

The status of the forecast. States include:• ACTIVE


Note

The Status of the forecast must be ACTIVE before you can query or export the forecast.

Type: String


Required: No

See Also



251

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/SdkForJava/forecast-2018-06-26/ForecastSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ForecastSummary


HyperParameterTuningJobConfigService: Amazon Forecast Service

Configuration information for a hyperparameter tuning job. You specify this object in theCreatePredictor (p. 154) request.

A hyperparameter is a parameter that governs the model training process. You set hyperparametersbefore training starts, unlike model parameters, which are determined during training. The values of thehyperparameters effect which values are chosen for the model parameters.

In a hyperparameter tuning job, Amazon Forecast chooses the set of hyperparameter values thatoptimize a specified metric. Forecast accomplishes this by running many training jobs over a range ofhyperparameter values. The optimum set of values depends on the algorithm, the training data, and thespecified metric objective.

Contents

ParameterRanges

Specifies the ranges of valid values for the hyperparameters.

Type: ParameterRanges (p. 257) object

Required: No

See Also



252

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/SdkForJava/forecast-2018-06-26/HyperParameterTuningJobConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/HyperParameterTuningJobConfig


InputDataConfigService: Amazon Forecast Service

The data used to train a predictor. The data includes a dataset group and any supplementary features. Youspecify this object in the CreatePredictor (p. 154) request.

Contents

DatasetGroupArn


Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: YesSupplementaryFeatures

An array of supplementary features. The only supported feature is a holiday calendar.

Type: Array of SupplementaryFeature (p. 268) objects

Array Members: Fixed number of 1 item.

Required: No

See Also



253

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/SdkForJava/forecast-2018-06-26/InputDataConfig

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/InputDataConfig


IntegerParameterRangeService: Amazon Forecast Service

Specifies an integer hyperparameter and it's range of tunable values. This object is part of theParameterRanges (p. 257) object.

Contents

MaxValue

The maximum tunable value of the hyperparameter.

Type: Integer

Required: YesMinValue

The minimum tunable value of the hyperparameter.

Type: Integer

Required: YesName

The name of the hyperparameter to tune.

Type: String



Required: YesScalingType

The scale that hyperparameter tuning uses to search the hyperparameter range. Valid values:Auto

Amazon Forecast hyperparameter tuning chooses the best scale for the hyperparameter.Linear

Hyperparameter tuning searches the values in the hyperparameter range by using a linear scale.Logarithmic

Hyperparameter tuning searches the values in the hyperparameter range by using a logarithmicscale.

Logarithmic scaling works only for ranges that have values greater than 0.ReverseLogarithmic

Not supported for IntegerParameterRange.

Reverse logarithmic scaling works only for ranges that are entirely within the range 0 <= x < 1.0.

For information about choosing a hyperparameter scale, see Hyperparameter Scaling. One of thefollowing values:

Type: String

254

http://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-define-ranges.html#scaling-type


Valid Values: Auto | Linear | Logarithmic | ReverseLogarithmic

Required: No

See Also



255

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/SdkForJava/forecast-2018-06-26/IntegerParameterRange

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/IntegerParameterRange


MetricsService: Amazon Forecast Service

Provides metrics that are used to evaluate the performance of a predictor. This object is part of theWindowSummary (p. 275) object.

Contents

ErrorMetrics

Provides detailed error metrics on forecast type, root-mean square-error (RMSE), and weightedaverage percentage error (WAPE).

Type: Array of ErrorMetric (p. 239) objects

Required: NoRMSE

This member has been deprecated.

The root-mean-square error (RMSE).

Type: Double

Required: NoWeightedQuantileLosses

An array of weighted quantile losses. Quantiles divide a probability distribution into regions of equalprobability. The distribution in this case is the loss function.

Type: Array of WeightedQuantileLoss (p. 274) objects

Required: No

See Also



256

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/SdkForJava/forecast-2018-06-26/Metrics

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Metrics


ParameterRangesService: Amazon Forecast Service

Specifies the categorical, continuous, and integer hyperparameters, and their ranges of tunable values.The range of tunable values determines which values that a hyperparameter tuning job can choose for thespecified hyperparameter. This object is part of the HyperParameterTuningJobConfig (p. 252) object.

Contents

CategoricalParameterRanges

Specifies the tunable range for each categorical hyperparameter.

Type: Array of CategoricalParameterRange (p. 228) objects


Required: NoContinuousParameterRanges

Specifies the tunable range for each continuous hyperparameter.

Type: Array of ContinuousParameterRange (p. 229) objects


Required: NoIntegerParameterRanges

Specifies the tunable range for each integer hyperparameter.

Type: Array of IntegerParameterRange (p. 254) objects


Required: No

See Also



257

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/SdkForJava/forecast-2018-06-26/ParameterRanges

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/ParameterRanges


PredictorExecutionService: Amazon Forecast Service

The algorithm used to perform a backtest and the status of those tests.

Contents

AlgorithmArn

The ARN of the algorithm used to test the predictor.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoTestWindows

An array of test windows used to evaluate the algorithm. The NumberOfBacktestWindows from theEvaluationParameters (p. 240) object determines the number of windows in the array.

Type: Array of TestWindowSummary (p. 273) objects

Required: No

See Also



258

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/SdkForJava/forecast-2018-06-26/PredictorExecution

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorExecution


PredictorExecutionDetailsService: Amazon Forecast Service

Contains details on the backtests performed to evaluate the accuracy of the predictor. The tests arereturned in descending order of accuracy, with the most accurate backtest appearing first. You specify thenumber of backtests to perform when you call the CreatePredictor (p. 154) operation.

Contents

PredictorExecutions

An array of the backtests performed to evaluate the accuracy of the predictor against a particularalgorithm. The NumberOfBacktestWindows from the EvaluationParameters (p. 240) objectdetermines the number of windows in the array.

Type: Array of PredictorExecution (p. 258) objects


Required: No

See Also



259

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/SdkForJava/forecast-2018-06-26/PredictorExecutionDetails

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorExecutionDetails


PredictorSummaryService: Amazon Forecast Service

Provides a summary of the predictor properties that are used in the ListPredictors (p. 212) operation. Toget the complete set of properties, call the DescribePredictor (p. 190) operation, and provide the listedPredictorArn.

Contents

CreationTime

When the model training task was created.

Type: Timestamp


The Amazon Resource Name (ARN) of the dataset group that contains the data used to train thepredictor.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$


Initially, the same as CreationTime (status is CREATE_PENDING). Updated when training starts(status changed to CREATE_IN_PROGRESS), and when training is complete (status changed toACTIVE) or fails (status changed to CREATE_FAILED).

Type: Timestamp

Required: NoMessage


Type: String

Required: NoPredictorArn

The ARN of the predictor.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: NoPredictorName

The name of the predictor.

Type: String

260




Required: NoStatus

The status of the predictor. States include:• ACTIVE


Note

The Status of the predictor must be ACTIVE before you can use the predictor to create aforecast.

Type: String


Required: No

See Also



261

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/SdkForJava/forecast-2018-06-26/PredictorSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/PredictorSummary


S3ConfigService: Amazon Forecast Service

The path to the file(s) in an Amazon Simple Storage Service (Amazon S3) bucket, and an AWSIdentity and Access Management (IAM) role that Amazon Forecast can assume to access thefile(s). Optionally, includes an AWS Key Management Service (KMS) key. This object is part of theDataSource (p. 237) object that is submitted in the CreateDatasetImportJob (p. 144) request, and part ofthe DataDestination (p. 231) object that is submitted in the CreateForecastExportJob (p. 151) request.

Contents

KMSKeyArn

The Amazon Resource Name (ARN) of an AWS Key Management Service (KMS) key.

Type: String


Pattern: arn:aws:kms:.*:key/.*

Required: NoPath

The path to an Amazon Simple Storage Service (Amazon S3) bucket or file(s) in an Amazon S3bucket.

Type: String

Pattern: ^s3://[a-z0-9].+$

Required: YesRoleArn

The ARN of the AWS Identity and Access Management (IAM) role that Amazon Forecast can assumeto access the Amazon S3 bucket or files. If you provide a value for the KMSKeyArn key, the role mustallow access to the key.

Passing a role across AWS accounts is not allowed. If you pass a role that isn't in your account, youget an InvalidInputException error.

Type: String


Pattern: ^[a-zA-Z0-9\-\_\.\/\:]+$

Required: Yes

See Also



262

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/SdkForJava/forecast-2018-06-26/S3Config

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/S3Config


263


SchemaService: Amazon Forecast Service

Defines the fields of a dataset. You specify this object in the CreateDataset (p. 137) request.

Contents

Attributes

An array of attributes specifying the name and type of each field in a dataset.

Type: Array of SchemaAttribute (p. 265) objects


Required: No

See Also



264

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/SdkForJava/forecast-2018-06-26/Schema

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Schema


SchemaAttributeService: Amazon Forecast Service

An attribute of a schema, which defines a dataset field. A schema attribute is required for every field in adataset. The Schema (p. 264) object contains an array of SchemaAttribute objects.

Contents

AttributeName

The name of the dataset field.

Type: String



Required: NoAttributeType

The data type of the field.

Type: String

Valid Values: string | integer | float | timestamp

Required: No

See Also



265

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/SdkForJava/forecast-2018-06-26/SchemaAttribute

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/SchemaAttribute


StatisticsService: Amazon Forecast Service

Provides statistics for each data field imported into to an Amazon Forecast dataset with theCreateDatasetImportJob (p. 144) operation.

Contents

Avg

For a numeric field, the average value in the field.

Type: Double

Required: NoCount

The number of values in the field.

Type: Integer

Required: NoCountDistinct

The number of distinct values in the field.

Type: Integer

Required: NoCountNan

The number of NAN (not a number) values in the field.

Type: Integer

Required: NoCountNull

The number of null values in the field.

Type: Integer

Required: NoMax

For a numeric field, the maximum value in the field.

Type: String



Required: NoMin

For a numeric field, the minimum value in the field.

Type: String

266




Required: NoStddev

For a numeric field, the standard deviation.

Type: Double

Required: No

See Also



267

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/SdkForJava/forecast-2018-06-26/Statistics

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Statistics


SupplementaryFeatureService: Amazon Forecast Service

Describes a supplementary feature of a dataset group. This object is part of the InputDataConfig (p. 253)object.

The only supported feature is Holidays. If you use the calendar, all data in the datasets should belong to thesame country as the calendar. For the holiday calendar data, see the Jollyday website.

Contents

Name

The name of the feature. This must be "holiday".

Type: String



Required: YesValue

One of the following 2 letter country codes:• "AL" - ALBANIA• "AR" - ARGENTINA• "AT" - AUSTRIA• "AU" - AUSTRALIA• "BA" - BOSNIA HERZEGOVINA• "BE" - BELGIUM• "BG" - BULGARIA• "BO" - BOLIVIA• "BR" - BRAZIL• "BY" - BELARUS• "CA" - CANADA• "CL" - CHILE• "CO" - COLOMBIA• "CR" - COSTA RICA• "HR" - CROATIA• "CZ" - CZECH REPUBLIC• "DK" - DENMARK• "EC" - ECUADOR• "EE" - ESTONIA• "ET" - ETHIOPIA• "FI" - FINLAND• "FR" - FRANCE• "DE" - GERMANY• "GR" - GREECE• "HU" - HUNGARY• "IS" - ICELAND

268

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


• "IN" - INDIA• "IE" - IRELAND• "IT" - ITALY• "JP" - JAPAN• "KZ" - KAZAKHSTAN• "KR" - KOREA• "LV" - LATVIA• "LI" - LIECHTENSTEIN• "LT" - LITHUANIA• "LU" - LUXEMBOURG• "MK" - MACEDONIA• "MT" - MALTA• "MX" - MEXICO• "MD" - MOLDOVA• "ME" - MONTENEGRO• "NL" - NETHERLANDS• "NZ" - NEW ZEALAND• "NI" - NICARAGUA• "NG" - NIGERIA• "NO" - NORWAY• "PA" - PANAMA• "PY" - PARAGUAY• "PE" - PERU• "PL" - POLAND• "PT" - PORTUGAL• "RO" - ROMANIA• "RU" - RUSSIA• "RS" - SERBIA• "SK" - SLOVAKIA• "SI" - SLOVENIA• "ZA" - SOUTH AFRICA• "ES" - SPAIN• "SE" - SWEDEN• "CH" - SWITZERLAND• "UA" - UKRAINE• "AE" - UNITED ARAB EMIRATES• "US" - UNITED STATES• "UK" - UNITED KINGDOM• "UY" - URUGUAY• "VE" - VENEZUELA

Type: String


Pattern: ^[a-zA-Z0-9\_\-]+$

Required: Yes

269


See Also



270

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/SdkForJava/forecast-2018-06-26/SupplementaryFeature

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/SupplementaryFeature


TagService: Amazon Forecast Service

The optional metadata that you apply to a resource to help you categorize and organize them. Each tagconsists of a key and an optional value, both of which you define.

The following basic restrictions apply to tags:

• Maximum number of tags per resource - 50.• For each resource, each tag key must be unique, and each tag key can have only one value.• Maximum key length - 128 Unicode characters in UTF-8.• Maximum value length - 256 Unicode characters in UTF-8.• If your tagging schema is used across multiple services and resources, remember that other services


• Tag keys and values are case sensitive.• Do not use aws:, AWS:, or any upper or lowercase combination of such as a prefix for keys as it is

reserved for AWS use. You cannot edit or delete tag keys with this prefix. Values can have this prefix. Ifa tag value has aws as its prefix but the key does not, then Forecast considers it to be a user tag and willcount against the limit of 50 tags. Tags with only the key prefix of aws do not count against your tags perresource limit.

Contents

Key

One part of a key-value pair that makes up a tag. A key is a general label that acts like a category formore specific tag values.

Type: String


Pattern: ^([\p{L}\p{Z}\p{N}_.:/=+\-@]*)$

Required: YesValue

The optional part of a key-value pair that makes up a tag. A value acts as a descriptor within a tagcategory (key).

Type: String


Pattern: ^([\p{L}\p{Z}\p{N}_.:/=+\-@]*)$

Required: Yes

See Also


• AWS SDK for C++• AWS SDK for Go

271

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/Tag

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/Tag


• AWS SDK for Java• AWS SDK for Ruby V3

272

https://docs.aws.amazon.com/goto/SdkForJava/forecast-2018-06-26/Tag

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/Tag


TestWindowSummaryService: Amazon Forecast Service

The status, start time, and end time of a backtest, as well as a failure reason if applicable.

Contents

Message

If the test failed, the reason why it failed.

Type: String

Required: NoStatus

The status of the test. Possible status values are:• ACTIVE

• CREATE_IN_PROGRESS

• CREATE_FAILED

Type: String


Required: NoTestWindowEnd

The time at which the test ended.

Type: Timestamp

Required: NoTestWindowStart

The time at which the test began.

Type: Timestamp

Required: No

See Also



273

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/SdkForJava/forecast-2018-06-26/TestWindowSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/TestWindowSummary


WeightedQuantileLossService: Amazon Forecast Service

The weighted loss value for a quantile. This object is part of the Metrics (p. 256) object.

Contents

LossValue

The difference between the predicted value and the actual value over the quantile, weighted(normalized) by dividing by the sum over all quantiles.

Type: Double

Required: NoQuantile

The quantile. Quantiles divide a probability distribution into regions of equal probability. For example, ifthe distribution was divided into 5 regions of equal probability, the quantiles would be 0.2, 0.4, 0.6, and0.8.

Type: Double

Required: No

See Also



274

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/SdkForJava/forecast-2018-06-26/WeightedQuantileLoss

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/WeightedQuantileLoss


WindowSummaryService: Amazon Forecast Service

The metrics for a time range within the evaluation portion of a dataset. This object is part of theEvaluationResult (p. 241) object.

The TestWindowStart and TestWindowEnd parameters are determined by theBackTestWindowOffset parameter of the EvaluationParameters (p. 240) object.

Contents

EvaluationType

The type of evaluation.• SUMMARY - The average metrics across all windows.• COMPUTED - The metrics for the specified window.

Type: String

Valid Values: SUMMARY | COMPUTED

Required: NoItemCount

The number of data points within the window.

Type: Integer

Required: NoMetrics

Provides metrics used to evaluate the performance of a predictor.

Type: Metrics (p. 256) object

Required: NoTestWindowEnd

The timestamp that defines the end of the window.

Type: Timestamp

Required: NoTestWindowStart

The timestamp that defines the start of the window.

Type: Timestamp

Required: No

See Also


• AWS SDK for C++• AWS SDK for Go

275

https://docs.aws.amazon.com/goto/SdkForCpp/forecast-2018-06-26/WindowSummary

https://docs.aws.amazon.com/goto/SdkForGoV1/forecast-2018-06-26/WindowSummary


• AWS SDK for Java• AWS SDK for Ruby V3

Amazon Forecast Query ServiceThe following data types are supported by Amazon Forecast Query Service:

• DataPoint (p. 277)• Forecast (p. 278)

276

https://docs.aws.amazon.com/goto/SdkForJava/forecast-2018-06-26/WindowSummary

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecast-2018-06-26/WindowSummary


DataPointService: Amazon Forecast Query Service

The forecast value for a specific date. Part of the Forecast (p. 278) object.

Contents

Timestamp

The timestamp of the specific forecast.

Type: String

Required: NoValue

The forecast value.

Type: Double

Required: No

See Also



277

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/SdkForJava/forecastquery-2018-06-26/DataPoint

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecastquery-2018-06-26/DataPoint

Amazon Forecast Manuel du développeurCommon Errors

ForecastService: Amazon Forecast Query Service

Provides information about a forecast. Returned as part of the QueryForecast (p. 223) response.

Contents

Predictions

The forecast.

The string of the string-to-array map is one of the following values:• p10• p50• p90

The default setting is ["0.1", "0.5", "0.9"]. Use the optional ForecastTypes parameter of theCreateForecast operation to change the values. The values will vary depending on how this is set, witha minimum of 1 and a maximum of 5.

Type: String to array of DataPoint (p. 277) objects map


Required: No



Common ErrorsThis section lists the errors common to the API actions of all AWS services. For errors specific to an APIaction for this service, see the topic for that API action.

AccessDeniedException

You do not have sufficient access to perform this action.

HTTP Status Code: 400IncompleteSignature

The request signature does not conform to AWS standards.

HTTP Status Code: 400InternalFailure

The request processing has failed because of an unknown error, exception or failure.


278


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/SdkForJava/forecastquery-2018-06-26/Forecast

https://docs.aws.amazon.com/goto/SdkForRubyV3/forecastquery-2018-06-26/Forecast

Amazon Forecast Manuel du développeurCommon Errors

InvalidAction

The action or operation requested is invalid. Verify that the action is typed correctly.

HTTP Status Code: 400InvalidClientTokenId

The X.509 certificate or AWS access key ID provided does not exist in our records.

HTTP Status Code: 403InvalidParameterCombination

Parameters that must not be used together were used together.

HTTP Status Code: 400InvalidParameterValue

An invalid or out-of-range value was supplied for the input parameter.

HTTP Status Code: 400InvalidQueryParameter

The AWS query string is malformed or does not adhere to AWS standards.

HTTP Status Code: 400MalformedQueryString

The query string contains a syntax error.

HTTP Status Code: 404MissingAction

The request is missing an action or a required parameter.

HTTP Status Code: 400MissingAuthenticationToken

The request must contain either a valid (registered) AWS access key ID or X.509 certificate.

HTTP Status Code: 403MissingParameter

A required parameter for the specified action is not supplied.

HTTP Status Code: 400NotAuthorized

You do not have permission to perform this action.

HTTP Status Code: 400OptInRequired

The AWS access key ID needs a subscription for the service.

HTTP Status Code: 403RequestExpired

The request reached the service more than 15 minutes after the date stamp on the request or morethan 15 minutes after the request expiration date (such as for pre-signed URLs), or the date stamp onthe request is more than 15 minutes in the future.

279

Amazon Forecast Manuel du développeurCommon Parameters

HTTP Status Code: 400ServiceUnavailable

The request has failed due to a temporary failure of the server.

HTTP Status Code: 503ThrottlingException

The request was denied due to request throttling.

HTTP Status Code: 400ValidationError

The input fails to satisfy the constraints specified by an AWS service.


Common ParametersThe following list contains the parameters that all actions use for signing Signature Version 4 requests witha query string. Any action-specific parameters are listed in the topic for that action. For more informationabout Signature Version 4, see Signature Version 4 Signing Process in the Amazon Web Services GeneralReference.

Action

The action to be performed.

Type: string

Required: YesVersion

The API version that the request is written for, expressed in the format YYYY-MM-DD.

Type: string

Required: YesX-Amz-Algorithm

The hash algorithm that you used to create the request signature.

Condition: Specify this parameter when you include authentication information in a query string insteadof in the HTTP authorization header.

Type: string

Valid Values: AWS4-HMAC-SHA256

Required: ConditionalX-Amz-Credential

The credential scope value, which is a string that includes your access key, the date, the region youare targeting, the service you are requesting, and a termination string ("aws4_request"). The value isexpressed in the following format: access_key/YYYYMMDD/region/service/aws4_request.

For more information, see Task 2: Create a String to Sign for Signature Version 4 in the Amazon WebServices General Reference.

280

http://docs.aws.amazon.com/general/latest/gr/signature-version-4.html

http://docs.aws.amazon.com/general/latest/gr/sigv4-create-string-to-sign.html

Amazon Forecast Manuel du développeurCommon Parameters


Type: string

Required: ConditionalX-Amz-Date

The date that is used to create the signature. The format must be ISO 8601 basic format(YYYYMMDD'T'HHMMSS'Z'). For example, the following date time is a valid X-Amz-Date value:20120325T120000Z.

Condition: X-Amz-Date is optional for all requests; it can be used to override the date used for signingrequests. If the Date header is specified in the ISO 8601 basic format, X-Amz-Date is not required.When X-Amz-Date is used, it always overrides the value of the Date header. For more information, seeHandling Dates in Signature Version 4 in the Amazon Web Services General Reference.

Type: string

Required: ConditionalX-Amz-Security-Token

The temporary security token that was obtained through a call to AWS Security Token Service (AWSSTS). For a list of services that support temporary security credentials from AWS Security TokenService, go to AWS Services That Work with IAM in the IAM User Guide.

Condition: If you're using temporary security credentials from the AWS Security Token Service, youmust include the security token.

Type: string

Required: ConditionalX-Amz-Signature

Specifies the hex-encoded signature that was calculated from the string to sign and the derived signingkey.


Type: string

Required: ConditionalX-Amz-SignedHeaders

Specifies all the HTTP headers that were included as part of the canonical request. For moreinformation about specifying signed headers, see Task 1: Create a Canonical Request For SignatureVersion 4 in the Amazon Web Services General Reference.


Type: string

Required: Conditional

281

http://docs.aws.amazon.com/general/latest/gr/sigv4-date-handling.html

http://docs.aws.amazon.com/IAM/latest/UserGuide/reference_aws-services-that-work-with-iam.html

http://docs.aws.amazon.com/general/latest/gr/sigv4-create-canonical-request.html

http://docs.aws.amazon.com/general/latest/gr/sigv4-create-canonical-request.html


Historique du document pour AmazonForecast

Le tableau suivant décrit les modifications importantes apportées au Guide du développeur AmazonForecast. Pour recevoir des notifications en cas de mise à jour de cette documentation, abonnez-vous auflux RSS.

• Dernière mise à jour de la documentation : 1er septembre 2020

update-history-change update-history-description update-history-date

Nouvelle fonction (p. 282) Amazon Forecast prenddésormais en chargel’algorithme CNN-QR. Pour plusd’informations, consultez CNN-QR.

August 10, 2020

Nouvelle fonction (p. 282) Amazon Forecast prenddésormais en charge lebalisage pour les ressourcessuivantes : groupes d’ensemblesde données, ensembles dedonnées, tâches d’importationd’ensembles de données,prédicteurs, prévisions et tâchesd’exportation de prévisions. Pourplus d’informations, consultezÉtiquetage Amazon ForecastRessources.

July 9, 2020

Nouvelle fonction (p. 282) Amazon Forecast prenddésormais en charge leremplissage des valeursmanquantes pour les ensemblesde données de sérieschronologiques associées. Pourde plus amples informations,veuillez consulter Gestion desvaleurs manquantes.

May 14, 2020

Nouvelles régions (p. 282) Ajout de la prise en chargede Amazon Forecast pourles régions Asie-Pacifique(Séoul), Asie-Pacifique (Mumbai)et Europe (Francfort). Pourobtenir la liste complète desrégions AWS prises en chargepar Amazon Forecast, veuillezconsulter Tableau des régionsAWS ou Régions et pointsde terminaison AWS dans la

March 17, 2020

282

https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html

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

https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/


https://docs.aws.amazon.com/general/latest/gr/forecast.html



Référence générale d'AmazonWeb Services.

Nouvelle région (p. 282) Ajout de la prise en charged'Amazon Forecast pour larégion Asie-Pacifique (Séoul).Pour obtenir la liste complètedes régions AWS prises encharge par Amazon Forecast,veuillez consulter Tableau desrégions AWS ou Régions etpoints de terminaison AWS dansla Référence générale d'AmazonWeb Services.

January 27, 2020

Nouvelle fonction (p. 282) Forecast prend désormais encharge la possibilité de spécifierdes quantiles de prévision. Pourplus d'informations, consultezCreateForecast dans le Guide del'API Forecast.

November 22, 2019

Disponibilité générale de AmazonForecast (p. 282)

Amazon Forecast est maintenantdisponible pour une utilisationgénérale.

August 21, 2019

Version préliminaire de AmazonForecast (p. 282)

Il s'agit de la première versionpréliminaire de la documentationpour Amazon Forecast.

November 28, 2018

283







Glossaire AWSPour la terminologie AWS la plus récente, consultez le Glossaire AWS dans le document AWS GeneralReference.

284

https://docs.aws.amazon.com/general/latest/gr/glos-chap.html


Si nous fournissons une traduction de la version anglaise du guide, la version anglaise du guide aurapréséance en cas de contradiction. La traduction sera une traduction automatique.

cclxxxv

amazon forecast - manuel du développeur · amazon forecast manuel du développeur ensembles de...

Documents