Amazon MLS-C01: 時間序列與預測 — 學習指南

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

屬於 AWS Machine Learning Specialty MLS-C01 — 學習指南. 使用經過驗證的解答練習： Amazon 考試中心, 或參加限時模擬考試： ExamRoll.io.

演算法選擇與各種方法的使用時機

選擇正確的預測模型，首先要從資料的形狀與目標開始。當您處理的是單一、行為良好、具有長歷史記錄且季節性項目可解釋的時間序列時，ARIMA/SARIMA 這類傳統的單變量方法仍然是最佳選擇；您可以在 SageMaker 訓練腳本中使用 statsmodels 來實作這些方法，或是在 SageMaker Studio 中進行互動式實驗。當需要明確地建模並解釋由業務驅動的假日效應和多重季節性（每日/每週/每年）時，Prophet 風格的可分解模型就很有價值；這些模型通常在 notebook 中進行原型設計，並可在 SageMaker 中投入生產。對於大規模的機率性、多序列預測，請使用 DeepAR（SageMaker 內建演算法或 Amazon Forecast 的 DeepAR+），它能跨相關的時間序列進行學習，並產生分位數預測。重要的組態設定選項包括設定 time_freq、prediction_length 和 context_length（context_length 通常應 >= prediction_length）、選擇合適的概似函數（studentT 用於厚尾分佈，negative-binomial 用於計數/間歇性需求），以及為共變數啟用 use_feat_dynamic_real 或 use_feat_static_cat。當需要可解釋性與單一序列診斷時，請使用傳統模型；當您有許多相關序列，且需要經過校準的機率性輸出和內建的擴展功能時，則應優先選擇 DeepAR/Amazon Forecast。

資料準備：季節性、共變數與遺失值

好的預測需要仔細對齊時間戳記、頻率和共變數。務必將時間戳記標準化為一致的時區和頻率（為模型設定 time_freq）。透過將假日指標和特殊事件特徵新增為靜態或動態共變數，來捕捉已知的季節性和業務事件；將價格促銷、商店開業或行銷活動旗標等納入為動態特徵。遺失值必須謹慎處理：對於短暫的缺口，使用內插法或向前/向後填充；對於較長的缺口，使用基於模型的插補法，或在演算法支援遺失值的情況下將其遮罩（DeepAR 接受被遮罩的動態特徵）。對於有許多零值或過度離散計數的間歇性需求，可使用 negative-binomial 概似函數、嘗試匯總（例如，每週）以減少稀疏性，或在適合使用傳統方法時應用基於 Croston 的預處理。避免在共變數中洩漏未來資訊——動態特徵必須在預測範圍內是已知或可預測的。將中繼資料（item_id、category、store_id）儲存為靜態類別特徵，讓多序列模型能夠在不同項目間共享學習強度。

評估：機率性指標、回測與校準

機率性預測需要不同於點預測的評估標準。使用分位數損失（pinball loss）和連續排序機率分數（CRPS）來評估分佈品質，並報告關鍵分位數（例如 P50、P90）的覆蓋率，以驗證區間校準。避免對含有零值或間歇性需求的序列僅依賴 MAPE；應使用平均絕對尺度誤差（MASE）進行不受尺度影響的比較，或使用加權分位數損失來優先處理高收入的 SKU。實作帶有多個回測視窗的滾動原點（時間序列）交叉驗證，以捕捉時間上的不穩定性和季節性，並確保每個視窗都遵循季節性週期，讓保留資料集（holdouts）包含完整的季節性期間。透過預測區間命中率和類似 PIT 的直方圖來檢查校準；如果區間過窄，可考慮在 DeepAR 中增加 num_eval_samples 或調整概似函數的假設。常見的陷阱包括：使用在推論時無法取得的未來已知共變數、匯總資料時消除了關鍵的季節性，以及在單一靜態保留資料集上進行評估而錯過了模式轉變。應根據業務重要性而非簡單平均來匯總每個序列的指標，以反映決策的影響。

擴展、部署模式與決策標準

將預測擴展到數千或數百萬個序列，並將預測部署到生產環境中，會涉及架構上的權衡取捨。若要尋求一個託管式、擴展優先的解決方案，Amazon Forecast 能處理資料集群組（目標時間序列、相關時間序列、項目中繼資料）、自動化特徵工程、內建回測，以及用於批次或可匯出預測的彈性託管預測器；當您希望有一個服務能處理大量序列而無需客製化模型訓練時，它非常適合。若有客製化模型的需求，可使用 SageMaker 搭配 DeepAR（或客製化的 PyTorch/TF 模型），如此便能控制超參數、概似函數選擇和特徵工程；在 GPU 實例上進行訓練以提高速度，並使用 SageMaker Batch Transform 進行大量推論，或使用即時端點進行低延遲的服務。為了在擁有多個模型版本時實現成本效益，可以考慮使用多模型端點或由 S3 事件或 Step Functions 觸發的非同步批次管線。決策標準包括：是否需要客製化架構（選擇 SageMaker）、是否需要以最少維運進行跨序列學習（選擇 Forecast），以及是否需要低延遲的單一序列預測（優先考慮 SageMaker 即時端點）。常見的陷阱：context_length 配置不足、quantile 輸出設定錯誤，以及未根據業務影響對評估進行加權。

實務問題：使用案例情境

情境： Acme Retail 經營 5,000 家商店，並在 Amazon S3 中維護每日的銷售和促銷日誌。他們使用 SageMaker Studio 進行資料科學研究，並需要可擴展的生產預測來驅動庫存和促銷活動。

挑戰： 針對每個 SKU-商店組合，產生經過校準的 30 天機率性需求預測，此預測需考量假日和促銷活動、處理許多 SKU 的間歇性零銷售情況，並能擴展至夜間批次生產。

建議方法：

設定資料管線：將每日銷售和促銷資料擷取到 S3，使用 AWS Glue 進行編目並透過 Athena 公開；建立包含 timestamp、item_id、store_id、target_value 和動態特徵的資料集檔案。
在 SageMaker Studio 中建立模型原型：針對幾個具代表性的 SKU 嘗試 Prophet 風格的分解法，然後訓練 SageMaker DeepAR（設定 time_freq='D'、prediction_length=30、context_length=30–90、針對計數資料設定 likelihood='negative-binomial'、num_eval_samples=100）。
為了擴展與生產：在 SageMaker 中排程夜間批次訓練或增量再訓練（或者，如果您偏好託管式預測，可選擇使用 Amazon Forecast 及其資料集群組和預測器），並使用 SageMaker Batch Transform 或 Forecast 批次匯出進行夜間大量推論。
使用分位數損失 (quantile loss) 和覆蓋率指標 (P50/P90) 進行滾動原點回測 (rolling-origin backtests) 來評估，並監控即時校準情況；如果區間覆蓋不足，請調整概似函數或增加 num_eval_samples。

基本原理： 使用 Glue/Athena 和 S3 可標準化資料存取，DeepAR（或 Forecast）能原生模擬多個相關序列並產生庫存決策所需的分位數，negative-binomial 可處理間歇性計數資料，而批次轉換則能實現具成本效益的夜間擴展。

← 自然語言處理與語音 · 所有領域 · 訓練、分散式訓練與超參數最佳化 →

練習這些題目 → · 在 ExamRoll.io 上限時練習 →