Amazon web services 为什么Amazon Forecast无法培训预测者？

在训练我的预测器时，我遇到了这个错误，我被困在了如何修复它的问题上

我有两个数据系列，一个是9234行的“目标时间序列数据”，一个是单个“item_id”，另一个是行数相同的“相关时间序列数据”，因为我只有一个id

我将de数据设置为180天的窗口，错误上出现的第二个数字和第一个数字之间的差值是多少，9414-9234=180

We were unable to train your predictor.
Please ensure there are no missing values for any items in the related time series, All items need data until 2020-03-15 00:00:00.0. For example, following items have missing data: item: brl only has 9234/9414 required datapoints starting 1994-06-07 00:00:00.0, please refer to documentation for additional details.

一旦我的数据没有丢失的数据并且每天都有，为什么会返回此错误？ 我的数据从1994-06-07开始，到2019-09-17结束。为什么我应该有9414个数据点而不是9234个？

---

我应该在“目标时间序列数据”中提取180天吗？

必须知道相关时间序列数据的未来值

一个好的相关时间序列的例子：你知道过去和未来几天，营销部门已经或将发送电子邮件时事通讯，宣传你预测的产品。您可以将此数据用作相关的时间序列

一个坏的相关时间序列的例子：你注意到谷歌搜索与你的产品销售相关的品牌。因此，您希望将其用作相关的时间序列。因为您不知道将来会发生多少次搜索，所以不能将其用作相关的时间序列

在您的情况下，您有9414天的目标时间序列数据，并且您希望预测未来180天的需求。这意味着您的相关时间序列数据应为9594天

---

编辑：我还没有用亚马逊的预测产品测试过这一点。我的回答是基于与Facebook Prophet的合作（这是亚马逊forcast使用的模型之一）。请告知我的解决方案是否有效。

必须知道相关时间序列数据的未来值

一个好的相关时间序列的例子：你知道过去和未来几天，营销部门已经或将发送电子邮件时事通讯，宣传你预测的产品。您可以将此数据用作相关的时间序列

一个坏的相关时间序列的例子：你注意到谷歌搜索与你的产品销售相关的品牌。因此，您希望将其用作相关的时间序列。因为您不知道将来会发生多少次搜索，所以不能将其用作相关的时间序列

在您的情况下，您有9414天的目标时间序列数据，并且您希望预测未来180天的需求。这意味着您的相关时间序列数据应为9594天

---

编辑：我还没有用亚马逊的预测产品测试过这一点。我的回答是基于与Facebook Prophet的合作（这是亚马逊forcast使用的模型之一）。请告诉我我的解决方案是否有效。

你说得对！在阅读了你的答案后，我翻阅了文档，发现了你所说的一切！非常感谢。所以我不明白这到底是怎么做任何“未来”预测的？由于我们需要有当前日期之前的相关数据和滞后于n个预测日的目标数据，因此我们尝试预测我们可以预测的最大值达到相关数据时间戳。@LeggoMaEggo Correct。n个周期的预测只能用时间序列数据进行。您可以通过提供与预测相关的时间序列数据来更好地进行预测，但您需要知道这些数据在将来的价值。如果您不知道相关时间序列的未来值：不要使用它（99%的时间都这样做），或者对它们进行预测。即使您不知道未来，您也可能需要它。我的例子来自零售业，但我相信还有其他的例子。从历史上看，你知道每天的平均销售价格是多少（折扣的衡量标准）。所以你把它作为一个相关的系列。即使你不知道未来会发生什么，你也可以输入完整价格的值来获得销售的“基线”预测：如果我不提供任何折扣，我会卖出多少。实际上，这有助于您在过去的数据中“消除”折扣的影响，并使您的未来预测“更准确”。您是对的！在阅读了你的答案后，我翻阅了文档，发现了你所说的一切！非常感谢。所以我不明白这到底是怎么做任何“未来”预测的？由于我们需要有当前日期之前的相关数据和滞后于n个预测日的目标数据，因此我们尝试预测我们可以预测的最大值达到相关数据时间戳。@LeggoMaEggo Correct。n个周期的预测只能用时间序列数据进行。您可以通过提供与预测相关的时间序列数据来更好地进行预测，但您需要知道这些数据在将来的价值。如果您不知道相关时间序列的未来值：不要使用它（99%的时间都这样做），或者对它们进行预测。即使您不知道未来，您也可能需要它。我的例子来自零售业，但我相信还有其他的例子。从历史上看，你知道每天的平均销售价格是多少（折扣的衡量标准）。所以你把它作为一个相关的系列。即使你不知道未来会发生什么，你也可以输入完整价格的值来获得销售的“基线”预测：如果我不提供任何折扣，我会卖出多少。实际上，这有助于您在过去的数据中“消除”折扣的影响，并使您的未来预测“更准确”。