ForecastOps, una empresa de transporte en línea, necesita pronósticos probabilísticos de la demanda por hora para miles de rutas distintas. Cada ruta tiene patrones correlacionados (algunas comparten señales de días festivos/covariables), y el equipo quiere intervalos de predicción (cuantiles) y la capacidad de incluir metadatos de ruta y covariables de días festivos. ¿Qué algoritmo de Amazon Forecast es el que mejor se adapta a este requisito?

DeepAR+ es la opción más adecuada porque está específicamente diseñado para manejar miles de series temporales relacionadas, como las miles de rutas de ForecastOps. Permite pronósticos probabilísticos, lo que es crucial para obtener intervalos de predicción (cuantiles). Además, DeepAR+ puede incorporar covariables (como los días festivos) y metadatos a nivel de elemento (metadatos de ruta), lo cual es un requisito clave. Prophet no es un algoritmo de Amazon Forecast y, aunque es bueno para series temporales, no escala tan eficientemente para miles de series correlacionadas ni maneja metadatos de elementos de la misma manera que DeepAR+. CNN-QR es incorrecto porque, aunque es un algoritmo de Forecast, no está diseñado para series temporales únicas, sino para series múltiples, pero no admite metadatos de elementos directamente como DeepAR+. ARIMA es un modelo estadístico clásico que no escala bien para miles de series temporales relacionadas y no incorpora metadatos de elementos de forma nativa.