Компания по производству одежды хранит полную историю продаж своей продукции в Amazon S3 и в настоящее время использует пользовательские модели экспоненциального сглаживания (ETS) для прогнозирования спроса на существующие продукты. Компании нужен метод для прогнозирования спроса на новую вариацию продукта, которая ранее не продавалась. Какой подход лучше всего соответствует этому требованию?

Amazon SageMaker DeepAR — это алгоритм прогнозирования временных рядов, основанный на глубоких нейронных сетях, который особенно хорошо подходит для прогнозирования спроса на новые продукты (холодный старт). Он может изучать общие закономерности из большого набора связанных временных рядов (исторические данные по другим продуктам) и применять их к новым продуктам, даже если для них нет исторических данных. Пользовательские модели ETS требуют исторических данных для каждого конкретного продукта, что делает их непригодными для новых вариаций. Модель кластеризации K-means используется для группировки данных, а не для прогнозирования временных рядов. XGBoost — это алгоритм машинного обучения для табличных данных, который не предназначен для прогнозирования временных рядов, особенно в сценариях холодного старта.