Previsione di più serie temporali con una singola query per i viaggi di NYC Citi Bike

---

In questo tutorial imparerai a creare un set di modelli di serie temporali per eseguire più previsioni di serie temporali con una singola query. Imparerai inoltre ad applicare diverse strategie di addestramento rapido per velocizzare significativamente la query e a valutare la precisione delle previsioni. Utilizzerai i dati di new_york.citibike_trips. Questi dati contengono informazioni sui viaggi in Citi bike a New York.

Prima di leggere questo tutorial, ti consigliamo vivamente di leggere Previsione di singole serie temporali dai dati di Google Analytics.

Obiettivi

In questo tutorial utilizzerai quanto segue:

• Dichiarazione CREATE MODEL: per creare un modello di serie temporali o un insieme di modelli di serie temporali.
• La funzione ML.ARIMA_EVALUATE: per valutare il modello.
• La funzione ML.ARIMA_COEFFICIENTS: per esaminare i coefficienti del modello.
• La funzione ML.EXPLAIN_FORECAST consente di recuperare i vari componenti delle serie temporali, ad esempio stagionalità e tendenza, da utilizzare per spiegare i risultati della previsione.
• Looker Studio: per visualizzare i risultati della previsione.
• (Facoltativo) La funzione ML.FORECAST per prevedere le visite totali giornaliere.

Costi

Questo tutorial utilizza i componenti fatturabili di Google Cloud, tra cui:

• BigQuery
• BigQuery ML

Per ulteriori informazioni sui costi di BigQuery, consulta la pagina Prezzi di BigQuery.

Per ulteriori informazioni sui costi di BigQuery ML, consulta Prezzi di BigQuery ML.

Prima di iniziare

1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

5. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

6. BigQuery viene abilitato automaticamente nei nuovi progetti. Per attivare BigQuery in un progetto preesistente, vai a

   Attiva l'API BigQuery.

   Abilita l'API

Passaggio 1: crea il set di dati

Crea un set di dati BigQuery per archiviare il tuo modello ML:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai alla pagina di BigQuery

2. Nel riquadro Explorer, fai clic sul nome del tuo progetto.

3. Fai clic su Visualizza azioni > Crea set di dati.

   

4. Nella pagina Crea set di dati, segui questi passaggi:

   • In ID set di dati, inserisci bqml_tutorial.

   • Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).

     I set di dati pubblici vengono archiviati in US più regioni. Per semplicità, archivia il tuo set di dati nella stessa località.

   • Lascia invariate le restanti impostazioni predefinite e fai clic su Crea set di dati.

     

(Facoltativo) Passaggio due: visualizza le serie temporali da prevedere

Prima di creare il modello, è utile vedere l'aspetto della serie temporale di input. Puoi farlo utilizzando Looker Studio.

Nella query seguente, la clausola FROM bigquery-public-data.new_york.citibike_trips indica che stai eseguendo una query sulla tabella citibike_trips nel set di dati new_york.

Nell'istruzione SELECT, la query utilizza la funzione EXTRACT per estrarre le informazioni sulla data dalla colonna starttime. La query utilizza la clausola COUNT(*) per ottenere il numero totale giornaliero di viaggi in bici Citi.

#standardSQL
SELECT
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data.new_york.citibike_trips`
GROUP BY date

Per eseguire la query, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data.new_york.citibike_trips`
   GROUP BY date
   

3. Fai clic su Esegui.

   Dopo l'esecuzione della query, l'output è simile allo screenshot seguente. Nello screenshot puoi vedere che questa serie temporale ha 1184 punti dati giornalieri, che coprono più di 4 anni. Fai clic sul pulsante Esplora i dati e poi su Esplora con Looker Studio. Looker Studio si apre in una nuova scheda. Completa i seguenti passaggi nella nuova scheda.

   

4. Nel riquadro Grafico, scegli Grafico delle serie temporali:

   

   Nota: un grafico si aprirà nel riquadro a sinistra. Se il grafico contiene "Troppe righe", fai clic su "Aggiungi un grafico" in alto a sinistra dello schermo. Nel riquadro a discesa, fai clic sull'icona Grafico delle serie temporali.

5. Nel riquadro Dati, sotto il riquadro Grafico, vai alla sezione Metrica. Aggiungi il campo num_trips e rimuovi la metrica predefinita Conteggio record:

   

   Dopo aver completato il passaggio precedente, viene visualizzato il seguente diagramma. Il grafico mostra che la serie temporale di input ha pattern sia settimanali che annuali. Anche le serie temporali sono in aumento.

   

Passaggio 3. Crea il modello delle serie temporali per eseguire la previsione di singole serie temporali

Successivamente, crea un modello di serie temporali utilizzando i dati relativi alle corse della Citi bike a New York.

La seguente query GoogleSQL crea un modello utilizzato per prevedere le corse totali giornaliere in bicicletta. La clausola CREATE MODEL crea e addestra un modello denominato bqml_tutorial.nyc_citibike_arima_model.

#standardSQL
CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model`
OPTIONS
  (model_type = 'ARIMA_PLUS',
   time_series_timestamp_col = 'date',
   time_series_data_col = 'num_trips'
  ) AS
SELECT
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data.new_york.citibike_trips`
GROUP BY date

La clausola OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica che stai creando un modello di serie temporali basato su ARIMA. Per impostazione predefinita, auto_arima=TRUE, quindi l'algoritmo auto.ARIMA ottimizza automaticamente gli iperparametri nei modelli ARIMA_PLUS. L'algoritmo adatta decine di modelli candidati e sceglie quello migliore con il criterio delle informazioni Akaike (AIC) più basso. Inoltre, poiché il valore predefinito è data_frequency='AUTO_FREQUENCY', il processo di addestramento deduce automaticamente la frequenza dei dati della serie temporale di input. Infine, l'istruzione CREATE MODEL utilizza decompose_time_series=TRUE per impostazione predefinita e gli utenti possono comprendere meglio come viene prevista la serie temporale recuperando i componenti separati delle serie temporali, come i periodi stagionali e l'effetto delle festività.

Esegui la query CREATE MODEL per creare e addestrare il modello:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
      time_series_timestamp_col = 'date',
      time_series_data_col = 'num_trips'
     ) AS
   SELECT
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data.new_york.citibike_trips`
   GROUP BY date
   

3. Fai clic su Esegui.

   Il completamento della query richiede circa 17 secondi, dopodiché il modello (nyc_citibike_arima_model) viene visualizzato nel pannello di navigazione. Poiché la query utilizza un'istruzione CREATE MODEL per creare un modello, non vengono visualizzati i risultati della query.

Nota: potresti chiederti se le festività degli Stati Uniti hanno un impatto sulle serie temporali. Puoi provare ad aggiungere holiday_region='US' all'elenco OPTIONS nella query. Ciò consente una definizione del modello più accurata per questi periodi delle festività, se sono presenti schemi relativi alle festività in queste serie temporali.

Passaggio 4. Prevedi le serie temporali e visualizza i risultati

Per spiegare come vengono previste le serie temporali, visualizza tutti i componenti delle serie temporali secondarie, ad esempio stagionalità e tendenza, utilizzando la funzione ML.EXPLAIN_FORECAST.

Per farlo, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
     *
   FROM
     ML.EXPLAIN_FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model`,
                         STRUCT(365 AS horizon, 0.9 AS confidence_level))
   

3. Fai clic su Esegui.

4. Al termine della query, fai clic sul pulsante Esplora i dati e poi su Esplora con Looker Studio. Nel browser si apre una nuova scheda. Poi, nel riquadro Grafico, trova l'icona Grafico delle serie temporali e fai clic su di essa, come mostrato nello screenshot seguente.

   

   Nota: un grafico si aprirà nel riquadro a sinistra. Se il grafico contiene "Troppe righe", fai clic su "Aggiungi un grafico" in alto a sinistra dello schermo. Nel riquadro a discesa, fai clic sull'icona Grafico delle serie temporali.

5. Nel riquadro Dati, segui questi passaggi:

   1. Nella sezione Dimensione intervallo di date, seleziona time_series_timestamp (Date).
   2. Nella sezione Dimensione, seleziona time_series_timestamp (Date).
   3. Nella sezione Metrica, rimuovi la metrica predefinita Record Count e aggiungi quanto segue:
      • time_series_data
      • prediction_interval_lower_bound
      • prediction_interval_upper_bound
      • trend
      • seasonal_period_yearly
      • seasonal_period_weekly
      • spikes_and_dips
      • step_changes

   

6. Nel riquadro Stile, scorri verso il basso fino all'opzione Dati mancanti e utilizza Interruzioni di riga invece di Linea a zero.

   

   Dopo aver completato questi passaggi, nel riquadro di sinistra viene visualizzato il seguente diagramma.

   

Passaggio cinque: prevedi più serie temporali contemporaneamente

Successivamente, potresti voler prevedere il numero totale giornaliero di viaggi con partenza da diverse stazioni Citi bike. Per farlo, devi prevedere molte serie temporali. Puoi scrivere più query CREATE MODEL, ma può essere un processo noioso e che richiede molto tempo, soprattutto quando hai un numero elevato di serie temporali.

Per migliorare questo processo, BigQuery ML consente di creare un insieme di modelli di serie temporali per prevedere più serie temporali utilizzando una singola query. Inoltre, tutti i modelli delle serie temporali vengono montati contemporaneamente.

Nella seguente query GoogleSQL, la clausola CREATE MODEL crea e addestra un set di modelli denominato bqml_tutorial.nyc_citibike_arima_model_group.

 #standardSQL
CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_group`
OPTIONS
  (model_type = 'ARIMA_PLUS',
   time_series_timestamp_col = 'date',
   time_series_data_col = 'num_trips',
   time_series_id_col = 'start_station_name',
   auto_arima_max_order = 5
  ) AS
SELECT
   start_station_name,
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data.new_york.citibike_trips`
WHERE start_station_name LIKE '%Central Park%'
GROUP BY start_station_name, date

La clausola OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica che stai creando un set di modelli di ARIMA_PLUS di serie temporali basati su ARIMA. Oltre a time_series_timestamp_col e time_series_data_col, devi specificare time_series_id_col, che viene utilizzato per annotare diverse serie temporali di input. L'opzione auto_arima_max_order controlla lo spazio di ricerca per l'ottimizzazione degli iperparametri nell'algoritmo auto.ARIMA. Infine, l'istruzione CREATE MODEL utilizza decompose_time_series=TRUE per impostazione predefinita e gli utenti possono comprendere ulteriormente in che modo la serie temporale viene analizzata nella pipeline di addestramento recuperando i risultati della decomposizione.

La clausola SELECT ... FROM ... GROUP BY ... indica che devi creare più serie temporali, ognuna delle quali è associata a un diverso start_station_name. Per semplicità, utilizza la clausola WHERE ... LIKE ... per limitare le stazioni di partenza a quelle il cui nome contiene Central Park.

Per eseguire la query CREATE MODEL al fine di creare e addestrare il modello, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_group`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
      time_series_timestamp_col = 'date',
      time_series_data_col = 'num_trips',
      time_series_id_col = 'start_station_name',
      auto_arima_max_order = 5
     ) AS
   SELECT
      start_station_name,
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data.new_york.citibike_trips`
   WHERE start_station_name LIKE '%Central Park%'
   GROUP BY start_station_name, date
   

3. Fai clic su Esegui.

   Il completamento della query richiede circa 24 secondi, dopodiché il modello (nyc_citibike_arima_model_group) viene visualizzato nel pannello di navigazione. Poiché la query utilizza un'istruzione CREATE MODEL, non vengono visualizzati i risultati della query.

Nota: questa query crea 12 modelli di serie temporali, uno per ciascuno dei 12 modelli di serie temporali di input. Il costo in termini di tempo, di circa 24 secondi, è solo 1,4 volte superiore a quello della creazione di un singolo modello di serie temporale a causa del parallelismo. Tuttavia, se rimuovi la clausola WHERE ... LIKE ..., ci saranno più di 600 serie temporali da prevedere e non verranno previste completamente in parallelo a causa della capacità degli slot. Di conseguenza, il completamento della query può richiedere circa 15 minuti. Per ridurre il runtime delle query con la compromissione di un potenziale leggero calo della qualità del modello, puoi ridurre il valore di AUTO_ARIMA_MAX_ORDER a 3 o 4 dal valore predefinito 5. In questo modo si riduce lo spazio di ricerca dell'ottimizzazione degli iperparametri nell'algoritmo auto.ARIMA. Per maggiori informazioni, visita la pagina Large-scale time series forecasting best practices.

Passaggio 6: esamina le metriche di valutazione dell'insieme di modelli di serie temporali

Dopo aver creato i modelli, puoi utilizzare la funzione ML.ARIMA_EVALUATE per visualizzare le metriche di valutazione di tutti i modelli creati.

Nella seguente query GoogleSQL, la clausola FROM utilizza la funzione ML.ARIMA_EVALUATE rispetto al tuo modello, bqml_tutorial.nyc_citibike_arima_model_group. Le metriche di valutazione dipendono solo dall'input di addestramento, pertanto il tuo modello è l'unico input.

Per eseguire la query ML.ARIMA_EVALUATE, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
    *
   FROM
    ML.ARIMA_EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`)
   

3. Fai clic su Esegui.

4. Il completamento della query richiede meno di un secondo. Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. I risultati dovrebbero essere simili ai seguenti:

   

   I risultati includono le seguenti colonne:

   • start_station_name
   • non_seasonal_p
   • non_seasonal_d
   • non_seasonal_q
   • has_drift
   • log_likelihood
   • AIC
   • variance
   • seasonal_periods
   • has_holiday_effect
   • has_spikes_and_dips
   • has_step_changes
   • error_message

   start_station_name, la prima colonna, annota le serie temporali a cui si abbina ogni modello di serie temporale. È uguale a quello specificato da time_series_id_col.

   Le quattro colonne seguenti (non_seasonal_p, non_seasonal_d, non_seasonal_q e has_drift) definiscono un modello ARIMA nella pipeline di addestramento. Le tre metriche successive (log_likelihood, AIC e variance) sono pertinenti per il processo di adattamento del modello ARIMA. Il processo di adattamento determina il miglior modello ARIMA utilizzando l'algoritmo auto.ARIMA, uno per ogni serie temporale.

   Le colonne has_holiday_effect, has_spikes_and_dips e has_step_changes vengono compilate solo quando decompose_time_series=TRUE.

   La colonna seasonal_periods è il pattern stagionale all'interno della serie temporale di input. Ogni serie temporale può avere diversi schemi stagionali. Ad esempio, dalla figura puoi vedere che una serie temporale ha un modello annuale, mentre le altre no.

Nota: mentre auto.ARIMA valuta decine di modelli ARIMA candidati per ogni serie temporale, ML.ARIMA_EVALUATE per impostazione predefinita restituisce solo le informazioni del modello migliore, in modo da rendere compatta la tabella di output. Per visualizzare tutti i modelli candidati, puoi impostare show_all_candidate_models=true.

Passaggio 7: esamina i coefficienti dei tuoi modelli

La funzione ML.ARIMA_COEFFICIENTS viene utilizzata per recuperare i coefficienti del modello ARIMA_PLUS, bqml_tutorial.nyc_citibike_arima_model_group. ML.ARIMA_COEFFICIENTS prende il modello come unico input.

Per eseguire la query ML.ARIMA_COEFFICIENTS, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
    *
   FROM
    ML.ARIMA_COEFFICIENTS(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`)
   

3. Fai clic su Esegui.

   Il completamento della query richiede meno di un secondo. I risultati dovrebbero essere simili al seguente screenshot:

   

   I risultati includono le seguenti colonne:

   • start_station_name
   • ar_coefficients
   • ma_coefficients
   • intercept_or_drift

   start_station_name, la prima colonna, annota le serie temporali a cui si abbina ogni modello di serie temporale.

   ar_coefficients mostra i coefficienti della parte autoregressiva (AR) del modello ARIMA. Analogamente, ma_coefficients mostra i coefficienti del modello della parte della media mobile (MA). Sono entrambi array, le cui lunghezze sono rispettivamente uguali a non_seasonal_p e non_seasonal_q. intercept_or_drift è il termine costante nel modello ARIMA.

Passaggio 8: utilizza il modello per prevedere più serie temporali contemporaneamente con le spiegazioni

La funzione ML.EXPLAIN_FORECAST prevede i valori delle serie temporali future con un intervallo di previsione utilizzando il tuo modello, bqml_tutorial.nyc_citibike_arima_model_group, e allo stesso tempo restituisce tutti i componenti separati della serie temporale.

La clausola STRUCT(3 AS horizon, 0.9 AS confidence_level) indica che la query prevede tre punti temporali futuri e genera un intervallo di previsione con un grado di confidenza del 90%. La funzione ML.EXPLAIN_FORECAST prende il modello, oltre a un paio di argomenti facoltativi.

Per eseguire la query ML.EXPLAIN_FORECAST, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
    *
   FROM
    ML.EXPLAIN_FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`,
                        STRUCT(3 AS horizon, 0.9 AS confidence_level))
   

3. Fai clic su Esegui.

   Il completamento della query richiede meno di un secondo. I risultati dovrebbero essere simili ai seguenti:

   

   I risultati includono le seguenti colonne:

   • start_station_name
   • time_series_timestamp
   • time_series_type
   • time_series_data
   • time_series_adjusted_data
   • standard_error
   • confidence_level
   • prediction_interval_lower_bound
   • prediction_interval_lower_bound
   • trend
   • seasonal_period_yearly
   • seasonal_period_quarterly
   • seasonal_period_monthly
   • seasonal_period_weekly
   • seasonal_period_daily
   • holiday_effect
   • spikes_and_dips
   • step_changes
   • residual

   Le righe di output sono ordinate per start_station_name e per ogni start_station_name, le righe di output sono nell'ordine cronologico di time_series_timestamp. I vari componenti sono elencati come colonne dell'output. Per ulteriori informazioni, consulta la definizione di ML.EXPLAIN_FORECAST.

(Facoltativo) Passaggio 9: utilizza il modello per prevedere più serie temporali contemporaneamente

La funzione ML.FORECAST può essere utilizzata anche per prevedere i valori di serie temporali future con un intervallo di previsione utilizzando il tuo modello, bqml_tutorial.nyc_citibike_arima_model_group.

Come nel caso di ML.EXPLAIN_FORECAST, la clausola STRUCT(3 AS horizon, 0.9 AS confidence_level) indica che, per ogni serie temporale, la query prevede tre punti di tempo futuri e genera un intervallo di previsione con una confidenza del 90%.

La funzione ML.FORECAST prende il modello, nonché un paio di argomenti facoltativi.

Per eseguire la query ML.FORECAST, segui questi passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
    *
   FROM
    ML.FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`,
                STRUCT(3 AS horizon, 0.9 AS confidence_level))
   

3. Fai clic su Esegui.

   Il completamento della query richiede meno di un secondo. I risultati dovrebbero essere simili ai seguenti:

   

   I risultati includono le seguenti colonne:

   • start_station_name
   • forecast_timestamp
   • forecast_value
   • standard_error
   • confidence_level
   • prediction_interval_lower_bound
   • prediction_interval_upper_bound
   • confidence_interval_lower_bound (a breve deprecato)
   • confidence_interval_upper_bound (a breve deprecato)

   La prima colonna, start_station_name, annota le serie temporali a cui si abbina ogni modello di serie temporale. Ogni start_station_name ha un horizon di righe per i risultati di previsione.

   Per ogni start_station_name, le righe di output sono ordinate nell'ordine cronologico di forecast_timestamp. Nella previsione delle serie temporali, l'intervallo di previsione, acquisito dai limiti inferiore e superiore, è importante quanto forecast_value. forecast_value è il punto medio dell'intervallo di previsione. L'intervallo di previsione dipende da standard_error e confidence_level.

Esegui la pulizia

Per evitare che al tuo Account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

• Puoi eliminare il progetto che hai creato.
• In alternativa, puoi mantenere il progetto ed eliminare il set di dati.

Elimina il set di dati

L'eliminazione del progetto rimuove tutti i set di dati e tutte le tabelle nel progetto. Se preferisci riutilizzare il progetto, puoi eliminare il set di dati creato in questo tutorial:

1. Se necessario, apri la pagina BigQuery nella console Google Cloud.

   Vai alla pagina di BigQuery

2. Nel menu di navigazione, fai clic sul set di dati bqml_tutorial che hai creato.

3. Fai clic su Elimina set di dati per eliminare il set di dati, la tabella e tutti i dati.

4. Nella finestra di dialogo Elimina set di dati, digita il nome del set di dati (bqml_tutorial) per confermare il comando di eliminazione, quindi fai clic su Elimina.

Elimina il progetto

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività in questo documento, quando lo elimini elimini anche qualsiasi altro lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella console Google Cloud, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

Passaggi successivi

• Scopri come accelerare ARIMA_PLUS per consentire la previsione di 1 milione di serie temporali in poche ore.
• Per ulteriori informazioni sul machine learning, consulta Machine Learning Crash Course.
• Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
• Per saperne di più sulla console Google Cloud, consulta Utilizzo della console Google Cloud.