Amazon MLS-C01: 时间序列与预测 — 学习指南

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

属于 AWS Machine Learning Specialty MLS-C01 — 学习指南. 使用经过验证的答案练习： Amazon 考试中心, 或参加限时模拟考试： ExamRoll.io.

算法选择及各种方法的适用场景

选择正确的预测模型始于对数据形态和目标的分析。当您拥有一个历史悠久、表现良好且具有可解释季节性项的单一序列时，ARIMA/SARIMA 等经典的单变量方法仍然是正确的选择；您可以使用 statsmodels 在 SageMaker 训练脚本中实现这些方法，或在 SageMaker Studio 中进行交互式实验。当需要对业务驱动的假日效应和多重季节性（每日/每周/每年）进行显式建模和解释时，Prophet 风格的可分解模型非常有价值；这些模型通常在 notebook 中进行原型设计，并可在 SageMaker 中投入生产。对于大规模的概率性、多序列预测，请使用 DeepAR（SageMaker 内置算法或 Amazon Forecast 的 DeepAR+），它能跨相关的时间序列进行学习并生成分位数预测。重要的配置选项包括设置 time_freq、prediction_length 和 context_length（通常 context_length 应 >= prediction_length），选择合适的似然函数（studentT 用于重尾分布，negative-binomial 用于计数/间歇性需求），以及为协变量启用 use_feat_dynamic_real 或 use_feat_static_cat。当需要可解释性和单序列诊断时，应使用经典模型；当您有许多相关序列，并需要经过校准的概率性输出和内置的扩展能力时，应首选 DeepAR/Amazon Forecast。

数据准备：季节性、协变量和缺失值

好的预测需要仔细对齐时间戳、频率和协变量。务必将时间戳规范化为一致的时区和频率（为模型设置 time_freq）。通过添加假日指标和特殊事件特征作为静态或动态协变量，来捕捉已知的季节性和业务事件；将价格促销、新店开业或营销活动标志作为动态特征包含在内。必须审慎处理缺失值：对于较短的缺口，使用插值或前向/后向填充；对于较长的缺口，使用基于模型的方法进行插补，或者当算法支持缺失值时对其进行掩码处理（DeepAR 接受带掩码的动态特征）。对于包含大量零值或过度离散计数的间歇性需求，使用 negative-binomial 似然，尝试通过聚合（例如，按周）来减少稀疏性，或者在适用经典方法时应用基于 Croston 方法的预处理。避免在协变量中泄露未来信息——动态特征在预测范围内必须是已知的或可预测的。将元数据（item_id、category、store_id）存储为静态分类特征，以便多序列模型能够在不同项目间共享信息强度。

评估：概率性指标、回测和校准

概率性预测需要不同于点预测的评估标准。使用分位数损失（pinball loss）和连续排序概率分数（CRPS）来评估分布质量，并报告关键分位数（例如 P50、P90）的覆盖率以验证区间校准。避免对包含零值或间歇性需求的序列仅依赖 MAPE；应使用平均绝对缩放误差（MASE）进行与尺度无关的比较，或使用加权分位数损失来优先考虑高收入的 SKU。实施带有多个回测窗口的滚动原点（时间序列）交叉验证，以捕捉时间上的不稳定性和季节性，确保每个窗口都遵循季节性周期，从而使验证集包含完整的季节性时段。通过预测区间命中率和类似 PIT 的直方图检查校准情况；如果区间过窄，可以考虑在 DeepAR 中增加 num_eval_samples 或调整似然假设。常见的陷阱包括：使用在推理时不可用的、未来已知的协变量，聚合操作消除了关键的季节性，以及在单个静态验证集上进行评估从而错过了模式变化。根据业务重要性而非简单平均值来聚合各序列的指标，以反映其对决策的影响。

扩展、部署模式与决策标准

将预测扩展到成千上万甚至数百万个序列，并将其部署到生产环境中，需要在架构上进行权衡。对于托管的、扩展优先的解决方案，Amazon Forecast 能够处理数据集组（目标时间序列、相关时间序列、物品元数据）、自动化特征工程、内置回测以及用于批量或可导出预测的弹性托管预测器；当您希望服务能处理大量序列而无需进行定制化模型训练时，它非常适用。对于自定义建模需求，可使用带有 DeepAR（或自定义 PyTorch/TF 模型）的 SageMaker，您可以控制超参数、似然选择和特征工程；在 GPU 实例上进行训练以提高速度，并使用 SageMaker 批量转换进行批量推理，或使用实时端点进行低延迟服务。为了在拥有多个模型版本时实现成本效益，可以考虑使用多模型端点或由 S3 事件或 Step Functions 触发的异步批量管道。决策标准包括：您是否需要自定义架构（选择 SageMaker），是否需要在最少运维工作的情况下进行跨序列学习（选择 Forecast），以及是否需要低延迟的单序列预测（首选 SageMaker 实时端点）。常见陷阱：context_length 配置不足、分位数输出配置错误，以及未按业务影响对评估进行加权。

实践问题：用例场景

场景： Acme Retail 运营着 5,000 家商店，并在 Amazon S3 中维护每日销售和促销日志。他们使用 SageMaker Studio 进行数据科学工作，并需要可扩展的生产预测来驱动库存和促销决策。

挑战： 为每个 SKU-商店对生成经过校准的、为期 30 天的概率性需求预测，这些预测需要考虑节假日和促销活动，处理许多 SKU 的间歇性零销售问题，并能扩展到夜间的批量生产。

推荐方法：

配置数据管道：将每日销售和促销数据摄取到 S3，使用 AWS Glue 进行编目并通过 Athena 暴露；创建包含 timestamp、item_id、store_id、target_value 和动态特征的数据集文件。
在 SageMaker Studio 中构建模型原型：对几个有代表性的 SKU 尝试 Prophet 风格的分解，然后训练 SageMaker DeepAR（设置 time_freq='D', prediction_length=30, context_length=30–90，针对计数值使用 likelihood='negative-binomial'，num_eval_samples=100）。
针对扩展和生产：在 SageMaker 中安排夜间批量训练或增量再训练（如果偏好托管式预测，也可选择使用带有数据集组和预测器的 Amazon Forecast），并使用 SageMaker 批量转换或 Forecast 批量导出进行夜间批量推理。
使用滚动原点回测，通过分位数损失和覆盖率指标（P50/P90）进行评估，并监控实时校准；如果预测区间覆盖不足，则调整似然函数或增加 num_eval_samples。

基本原理： 使用 Glue/Athena 和 S3 可以标准化数据访问；DeepAR（或 Forecast）原生支持对多个相关序列建模，并能生成库存决策所需的分位数；负二项分布可以处理间歇性计数值；批量转换则实现了经济高效的夜间扩展。

← 自然语言处理与语音 · 所有领域 · 训练、分布式训练与超参数优化 →

练习这些题目 → · 在 ExamRoll.io 上限时练习 →