ForecastOps, firma transportowa online, potrzebuje probabilistycznych prognoz godzinowego zapotrzebowania dla tysięcy różnych tras. Każda trasa ma skorelowane wzorce (niektóre współdzielą sygnały świąteczne/kowarianty), a zespół chce uzyskać interwały predykcji (kwantyle) oraz możliwość uwzględnienia metadanych trasy i kowariantów świątecznych. Który algorytm Amazon Forecast najlepiej pasuje do tego wymagania?

DeepAR+ jest optymalnym wyborem, ponieważ został zaprojektowany do prognozowania wielu powiązanych szeregów czasowych, co odpowiada tysiącom tras. Obsługuje prognozowanie probabilistyczne, dostarczając interwały predykcji (kwantyle), co jest kluczowe dla ForecastOps. Ponadto, DeepAR+ potrafi uwzględniać kowarianty (takie jak sygnały świąteczne) oraz metadane pozycji (metadane trasy), co pozwala na modelowanie skorelowanych wzorców. Prophet jest skuteczny dla wielu szeregów czasowych, ale DeepAR+ lepiej radzi sobie z dużą liczbą powiązanych szeregów i złożonymi kowariantami w kontekście Amazon Forecast. CNN-QR jest przeznaczony głównie do prognozowania pojedynczych szeregów czasowych i nie obsługuje metadanych na poziomie pozycji, co wyklucza go z rozważań. ARIMA jest klasycznym modelem statystycznym, ale nie skaluje się efektywnie do tysięcy powiązanych szeregów czasowych i nie jest tak elastyczny w obsłudze metadanych jak DeepAR+.