一家服裝公司將其完整的產品銷售歷史記錄儲存在 Amazon S3 中，目前使用客製化的指數平滑 (ETS) 模型來預測現有產品的需求。該公司需要一種方法來預測尚未銷售過的新產品變體的需求。哪種方法最能滿足此要求？

Amazon SageMaker DeepAR 是一種監督式學習演算法，專為時間序列預測而設計，特別擅長處理具有許多相關時間序列的資料集。它能夠學習時間序列之間的共同模式，並利用這些模式來預測新產品的需求，即使這些產品沒有歷史銷售數據。 訓練另一個客製化的 ETS 模型不適用，因為 ETS 模型需要歷史數據才能進行預測，而新產品沒有這些數據。Amazon SageMaker K-means 叢集模型用於分組相似的數據點，而不是預測時間序列。訓練客製化的 XGBoost 模型雖然功能強大，但通常用於表格數據的預測，並且在處理時間序列的長期依賴關係和季節性方面不如 DeepAR 專門。