ForecastOps, un'azienda di trasporti online, necessita di previsioni probabilistiche orarie della domanda per migliaia di percorsi distinti. Ogni percorso presenta schemi correlati (alcuni condividono segnali di festività/covariate) e il team desidera intervalli di previsione (quantili) e la possibilità di includere metadati del percorso e covariate di festività. Quale algoritmo di Amazon Forecast è il più adatto a questo requisito?

DeepAR+ è la scelta più adatta perché è specificamente progettato per la previsione di centinaia di migliaia di serie temporali correlate, come i percorsi distinti di ForecastOps. Supporta la previsione probabilistica, fornendo intervalli di previsione (quantili) essenziali per comprendere l'incertezza della domanda. Inoltre, DeepAR+ può incorporare facilmente covariate (come i segnali di festività) e metadati degli elementi (dettagli specifici del percorso), migliorando l'accuratezza del modello. Prophet è efficace per singole serie temporali o un numero limitato di serie, ma non scala bene per migliaia di serie temporali correlate e la sua capacità di gestire covariate complesse e metadati è più limitata rispetto a DeepAR+. CNN-QR supporta la previsione probabilistica e le covariate ma è più adatto per serie temporali singole o un numero limitato e non gestisce i metadati degli elementi nel modo richiesto. ARIMA è un modello statistico tradizionale che non è scalabile per migliaia di serie temporali correlate e non supporta l'incorporazione di metadati degli elementi in modo nativo.