概觀
使用 Amazon Forecast 只需按實際用量付費；既沒有最低費用，也沒有預付款項。使用 Amazon Forecast 時，需要考量四種不同類型的成本：
-
匯入的資料：匯入至 Amazon Forecast 以供訓練和預測用途的每 GB 資料成本。
-
訓練預測器：根據輸入資料建置自訂預測器或監控預測器效能所需的每小時基礎架構使用成本。訓練時間包括清理資料、並行訓練多個演算法、尋找最佳演算法組合、計算準確度指標、產生可解釋性見解、監控預測器效能，以及預測建立基礎架構使用情況所花費的時間。請注意，成本取決於所使用的執行個體時數，而非訓練預測器所需的實際時鐘時間。 因為 Amazon Forecast 會並行部署多個執行個體來訓練預測器，因此使用的小時數將超過實際觀察的時鐘時間。
-
產生的預測資料點：在所有時間序列 (項目和維度) 組合中產生的唯一預測值數目成本。預測資料點是唯一時間序列數目 (例如 SKU x 存放區)、量值數和預測時間範圍內時間點的組合。預測資料點包括透過產生預測所建立的資料點，以及透過假設分析產生的資料點。
-
預測說明：說明屬性或相關資料對每個項目與時間點預測影響的成本。可解釋性協助您深入瞭解資料集中的屬性如何影響預測值。成本是以預測資料點數目以及要說明的屬性數目 (例如價格、假期、天氣指數) 為根據。
適用於 Amazon Forecast 的 AWS 定價計算器
使用 AWS 定價計算器，估算您使用 Amazon Forecast 架構解決方案的成本。
免費方案
在使用 Amazon Forecast 的前兩個月，客戶每月最多可收到 100,000 個預測資料點；每月最多可使用 10 GB 的資料儲存空間；同時每月最多有 10 小時的訓練。
定價表
|
Cost Type
|
Pricing
|
Details
|
|---|---|---|
|
匯入的資料
|
每 GB 費用為 0.088 USD
|
適用於匯入至 Amazon Forecast 的每 GB 資料。
|
|
訓練預測器
|
每小時 0.24 USD
|
適用於清理資料、並行訓練多個演算法、尋找最佳演算法組合、計算準確度指標、產生可解釋性影響分數、監控預測器效能，以及建立預測等工作所花費的每個小時。 Amazon Forecast 會並行部署多個執行個體來訓練預測器，因此使用的小時數將超過實際觀察的時鐘時間。
|
|
產生的預測資料點
|
*參閱以下的分級定價表 1
|
針對每個分位數的每 1,000 個預測資料點產生預測，包括假設分析。預測資料點會進位至最接近的千位數。
|
|
預測說明
|
**參閱以下的分級定價表 2
|
針對每 1,000 個說明 – 將預測資料點乘以屬性數目 (例如價格或假日)。說明會進位至最接近的千位數。每個可解釋性工作的限制為 50 個時間序列與 500 個時間點。
|
*表 1
生成的預測資料點分級定價表
|
Generated forecast data points per month
|
Price per 1000 forecast data points
|
|---|---|
|
前 100,000 個預測資料點
|
2.00 USD
|
|
後續的 90 萬個預測資料點
|
0.80 USD
|
|
後續的 4900 萬個預測資料點
|
0.20 USD
|
|
超過 5000 萬個預測資料點
|
0.02 USD
|
注意：若客戶使用經過舊版 CreatePredictor API 訓練的預測器來產生預測，則將繼續收取每 1,000 個時間序列 (即項目和維度的組合) 0.60 USD 的費用，以達到分位數。預測將進位至最接近的千位數。
**表 2
預測說明分級定價表
|
Forecast Explanations per month
|
Price per 1000 explanations
|
|---|---|
|
前 50,000 個說明
|
2.00 USD
|
|
後續的 95 萬個說明
|
0.80 USD
|
|
後續的 990 萬個說明
|
0.25 USD
|
|
超過 1000 萬個說明
|
0.15 USD
|
定價範例 1 - 產品需求預測
假設您擁有一家服裝公司，在全球 50 家商店銷售 1,000 件商品，且預測接下來 7 天的產品需求以 1 分位數計算。商品和商店位置的每個組合均等於一個時間序列，因此您將有 50000 個 (1000 件商品 x 50 家商店) 時間序列可供進行預測。由於您以 1 分位數進行預測，因此總預測數為 50000 (50000 個時間序列 x 1 分位數)。進行每週預測頻率的 7 天前預測時，您預測未來有 1 個資料點，總預測資料點為 50,000 (50,000 個預測 x 1 個資料點)。
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
匯入 5 GB 的資料
|
每 GB 費用為 0.088 USD
|
5 GB x 每 GB 0.088 USD = 0.44 USD
|
|
3 個培訓時數
|
每小時 0.24 USD
|
3 小時 x 每小時 0.24 USD = 0.72 USD
|
|
50000 個預測資料點
|
前 10 萬個預測資料點的每 1000 個預測資料點為 2 USD
|
50,000 個預測 x 每 1000 個預測 2 USD = 100 USD
|
|
-
|
- |
總費用 = 101.16 USD
|
定價範例 1 預測
現在讓我們假設以下變化：您目前正在進行每日預測頻率的 7 天前預測。這意味著未來會對 7 個資料點進行預測，總預測資料點為 35 萬 (50,000 個預測 x 7 個資料點)。
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
匯入 5 GB 的資料
|
每 GB 費用為 0.088 USD
|
5 GB x 每 GB 0.088 USD = 0.44 USD
|
|
3 個培訓時數
|
每小時 0.24 USD
|
3 小時 x 每小時 0.24 USD = 0.72 USD
|
|
35 萬個預測資料點
|
前 10 萬個預測資料點的每 1000 個預測資料點為 2 USD
後續 90 萬個預測資料點的每 1000 個預測資料點 0.80 USD |
100000 x 每 1000 個預測點 2 USD = 200 USD
總計 = 200 USD + 200 USD = 400 USD |
|
-
|
- |
總費用 = 401.16 USD
|
上述定價範例是以一個月內的單一預測工作為根據
定價範例 2 - 容量規劃
假設您擁有一家能源公司。您有 5000 名同時使用燃氣和電力的居民客戶。每個居民客戶與能源類型的組合均等於一個時間序列，因此您將擁有 10000 個 (2 種能源類型 x 5000 位居民客戶) 時間序列。假設您需要提前 24 小時規劃，每小時預測為 1 分位數，您的預測總資料點為 24 萬個預測資料點 (10 萬個時間序列 X 1 分位數 x 24 小時)。您正在新增 Price 屬性，並選擇新增「假日」和「Amazon Forecast 天氣指數」內建資料集，以進行預測器訓練。假設您有興趣了解哪些屬性推動前 100 位燃氣客戶的預測。預測可解釋性的成本如下。
|
Number of explainability jobs
|
100 customer time series / 50 time series maximum per explainability job = 2
|
|---|---|
|
每個可解釋性工作所說明的預測資料點數目
|
50 位居民客戶 x 1 種能源類型 x 1 分位數 x 24 小時 = 1200
|
|
目前說明的屬性數目
|
價格 + 假日 + 天氣指數 = 3
|
|
一個月內的說明總數
|
1200 x 3 x 2 = 8000 (進位至最接近的千位數)
|
|
總費用
|
2 USD/1000 個說明 x 8000 個說明 = 16 USD
|
上述定價範例是以一個月內的單一預測工作為根據