ForecastOps, une entreprise de transport en ligne, a besoin de prévisions probabilistes de la demande horaire pour des milliers d'itinéraires distincts. Chaque itinéraire présente des schémas corrélés (certains partagent des signaux de vacances/covariables), et l'équipe souhaite des intervalles de prédiction (quantiles) et la possibilité d'inclure des métadonnées d'itinéraire et des covariables de vacances. Quel algorithme Amazon Forecast correspond le mieux à cette exigence ?

DeepAR+ est le choix optimal car il est spécifiquement conçu pour les scénarios avec de nombreuses séries temporelles connexes, comme des milliers d'itinéraires. Il excelle dans la prévision probabiliste, fournissant des quantiles essentiels pour les intervalles de prédiction. De plus, DeepAR+ peut intégrer efficacement des covariables (signaux de vacances) et des métadonnées d'éléments (métadonnées d'itinéraire), ce qui est crucial pour capturer les schémas corrélés. Prophet est moins adapté car, bien qu'il gère plusieurs séries temporelles et des covariables, il n'est pas optimisé pour des milliers de séries connexes avec la même efficacité que DeepAR+, qui utilise des réseaux neuronaux profonds pour apprendre des modèles à travers les séries. CNN-QR est incorrect car il est principalement utilisé pour des séries temporelles uniques et ne prend pas en charge les métadonnées ou les covariables au niveau des éléments. ARIMA est également incorrect car il est généralement appliqué à des séries temporelles uniques ou à un petit nombre de séries, et n'est pas conçu pour gérer des milliers de séries connexes avec des métadonnées d'éléments de manière native ou efficace.