一家服装公司将其完整的商品销售历史记录保存在 Amazon S3 中，目前使用自定义指数平滑 (ETS) 模型来预测现有商品的销售需求。该公司需要一种方法来预测以前从未销售过的新商品变体的需求。哪种方法最能满足此要求？

DeepAR 是一种深度学习预测算法，特别适用于包含多个相关时间序列的数据集，并且能够预测新商品（冷启动问题）的需求。它通过学习商品之间的模式和关系来生成预测，即使对于没有历史销售数据的新商品也能进行有效预测。 训练另一个自定义 ETS 模型不适合，因为 ETS 模型依赖于历史数据，无法有效预测没有销售历史的新商品。 训练 Amazon SageMaker K-means 聚类模型不适合，因为它是一种无监督学习算法，主要用于发现数据中的相似组，而不是进行时间序列预测。 训练自定义 XGBoost 模型不适合，因为它是一种监督学习算法，通常用于分类或回归任务，并且在处理时间序列的冷启动问题时不如 DeepAR 有效。