概述
使用 Amazon Forecast 时，您只需按使用量付费；既没有最低费用，也无需预先承诺。使用 Amazon Forecast 时，需要考虑四种不同类型的成本：
-
导入的数据：导入到 Amazon Forecast 中用于训练和预测的每 GB 数据的成本。
-
训练预测器：根据输入数据构建自定义预测器或监控预测器性能所需的每小时基础设施使用成本。训练时间包括清理数据、并行训练多种算法、找到最佳算法组合、计算精度指标、生成可解释性见解、监控预测器性能所需的时间以及创建预测所需的基础架构使用时间。请注意，成本基于使用的实例小时数，而不是训练预测器所用的实际时钟时间。 由于 Amazon Forecast 并行部署多个实例来训练预测器，因此使用的小时数将超过观察到的实际时钟时间。
-
生成的预测数据点：在所有时间序列（项目和维度）组合中生成的唯一预测值数量的成本。预测数据点是唯一时间序列的数量（例如，SKU x 商店）、分位数和预测期内的时间点的组合。预测的数据点包括通过生成预测创建的数据点以及通过假设分析生成的数据点。
-
预测解释：解释属性或相关数据对每个项目和时间点的预测的影响的成本。可解释性可帮助您更好地了解数据集中的属性如何影响您的预测值。成本基于预测数据点的数量以及解释的属性（例如，价格、节假日、天气指数）的数量。
适用于 Amazon Forecast 的 AWS 定价计算器
使用 AWS 定价计算器来估算您使用 Amazon Forecast 时的架构解决方案成本。
免费套餐
对于使用 Forecast 的前两个月，客户每月可接收高达 10 万个预测数据点；每月数据存储高达 10GB；每月训练高达 10 小时。
定价表
|
Cost Type
|
Pricing
|
Details
|
|---|---|---|
|
导入的数据
|
0.088 美元/GB
|
适用于导入到 Amazon Forecast 的每 GB 数据。
|
|
训练预测器
|
每小时 0.24 美元
|
适用于清理数据、并行训练多种算法、找到最佳算法组合、计算精度指标、生成可解释性影响评分、监控预测器性能和创建预测所需的时间。 Amazon Forecast 并行部署多个实例来训练预测器，因此使用的小时数将超过观察到的实际时钟时间。
|
|
生成的预测数据点
|
*参见下面的分层定价表 1
|
适用于在每个分位数生成预测所用的每 1000 个预测数据点，包括假设分析。预测数据点舍入到最接近的千位数。
|
|
预测解释
|
**参见下面的分层定价表 2
|
适用于每 1000 个解释 — 预测数据点乘以属性数量（例如价格或节假日）。解释舍入到最接近的千位数。每个可解释性作业都存在 50 个时间序列和 500 个时间点的限制。
|
*表 1
生成的预测数据点分层定价表
|
Generated forecast data points per month
|
Price per 1000 forecast data points
|
|---|---|
|
前 10 万个预测数据点
|
2.00 美元
|
|
接下来的 90 万个预测数据点
|
0.80 美元
|
|
接下来的 4900 万个预测数据点
|
0.20 美元
|
|
5000 万个预测数据点之后
|
0.02 美元
|
注意：使用经过传统 CreatePredictor API 训练的预测器生成预测的客户将继续为覆盖分位数的每 1000 个时间序列（项目和维度的组合）支付 0.60 美元的费用。预测舍入到最接近的千位数。
**表 2
预测解释分层定价表
|
Forecast Explanations per month
|
Price per 1000 explanations
|
|---|---|
|
前 5 万个解释
|
2.00 美元
|
|
接下来的 95 万个解释
|
0.80 美元
|
|
接下来的 990 万个解释
|
0.25 美元
|
|
1000 万个解释之后
|
0.15 美元
|
定价示例 1 — 产品需求预测
假设您拥有一家服装公司，在全球 50 家商店销售 1000 件商品，并以 1 分位数预测接下来 7 天的产品需求。一件商品和商店位置的每种组合都等同于一个时间序列，因此您需要预测 5 万（1000 件商品 x 50 家门店）的时间序列。由于您以 1 分位数进行预测，因此您的预测总量为 5 万个预测（5 万个时间序列 x 1 分位数）。在采用每周预测频率的 7 天提前预测中，您将预测未来 1 个数据点，预测数据点总数为 5 万（5 万个预测 x 1 个数据点）。
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
导入了 5GB 的数据
|
0.088 美元/GB
|
5GB x 0.088 美元/GB = 0.44 美元
|
|
3 个训练小时
|
每小时 0.24 美元
|
3 小时 x 每小时 0.24 美元 = 0.72 美元
|
|
5 万个预测数据点
|
前 10 万个预测数据点，每 1000 个预测数据点 2 美元
|
5 万次预测 x 每 1000 次预测 2 美元 = 100 美元
|
|
-
|
- |
总费用 = 101.16 美元
|
定价示例 1 预测
现在让我们假设以下变化：您现在使用每日预测频率的 7 天提前预测。这意味着预测未来的 7 个数据点，预测数据点总数为 35 万（5 万个预测 x 7 个数据点）。
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
导入了 5GB 的数据
|
0.088 美元/GB
|
5GB x 0.088 美元/GB = 0.44 美元
|
|
3 个训练小时
|
每小时 0.24 美元
|
3 小时 x 每小时 0.24 美元 = 0.72 美元
|
|
35 万个预测数据点
|
前 10 万个预测数据点，每 1000 个预测数据点 2 美元
接下来的 90 万个预测数据点，每 1000 个预测数据点 0.80 美元 |
10 万 x 每 1000 个预测点 2 美元 = 200 美元
总计 = 200 美元+ 200 美元= 400 美元 |
|
-
|
- |
总费用 = 401.16 美元
|
上面的定价示例基于一个月内的单项预测作业
定价示例 2 - 容量规划
假设您拥有一家能源公司。您有 5000 名居民客户同时使用燃气和电力。居民客户和能量类型的每种组合都等同于一个时间序列，因此您将有 10000 个（2 种能源类型 x 5000 居民客户）时间序列。假设您需要提前 24 小时进行规划，每小时预测量为 1 分位数，因此您预测的总数据点为 24 万个预测数据点（10000 个时间序列 X 1 分位数 x 24 小时）。您正在添加价格属性，并已选择添加节假日和 Amazon Forecast 天气指数内置数据集以进行预测器训练。假设您有兴趣了解哪些属性推动了前 100 名燃气客户的预测。预测可解释性的成本将如下所示。
|
Number of explainability jobs
|
100 customer time series / 50 time series maximum per explainability job = 2
|
|---|---|
|
每个可解释性作业解释的预测数据点数量
|
50 位居民客户 x 1 种能量类型 x 1 分位数 x 24 小时 = 1200
|
|
解释的属性数量
|
价格 + 节假日 + 天气指数 = 3
|
|
一个月内的解释总数
|
1200 x 3 x 2 = 8000（舍入到最接近的千位数）
|
|
总成本
|
2 美元/1000 个解释 x 8000 个解释 = 16 美元
|
上面的定价示例基于一个月内的单项预测作业