Prognosen für mehrere Zeitreihen mit einem multivariaten Modell

---

Vorschau

Dieses Produkt oder diese Funktion unterliegt den „Nutzungsbedingungen für Pre-GA-Angebote“ im Abschnitt „Allgemeine Nutzungsbedingungen“ der dienstspezifischen Nutzungsbedingungen. Pre-GA-Produkte und -Funktionen sind unverändert verfügbar und werden möglicherweise nur eingeschränkt unterstützt. Weitere Informationen finden Sie in den Beschreibungen der Startphase.

Hinweis: Wenn Sie Feedback geben oder Support für diese Funktion anfordern möchten, senden Sie eine E-Mail an [e-mail].

In dieser Anleitung erfahren Sie, wie Sie mit einem multivariaten Zeitreihenmodell den zukünftigen Wert für eine bestimmte Spalte anhand der bisherigen Werte mehrerer Eingabefeatures prognostizieren.

In dieser Anleitung werden Prognosen für mehrere Zeitreihen erstellt. Die prognostizierten Werte werden für jeden Zeitpunkt und für jeden Wert in einer oder mehreren angegebenen Spalten berechnet. Wenn Sie beispielsweise das Wetter vorhersagen möchten und eine Spalte mit Daten zu Bundesländern angeben, enthalten die prognostizierten Daten Vorhersagen für alle Zeitpunkte für Bundesland A, dann Vorhersagewerte für alle Zeitpunkte für Bundesland B usw. Wenn Sie das Wetter vorhersagen und Spalten mit Daten zu Bundesstaaten und Städten angeben möchten, enthalten die Prognosedaten Vorhersagen für alle Zeitpunkte für Bundesstaat A und Stadt A, dann Vorhersagewerte für alle Zeitpunkte für Bundesstaat A und Stadt B usw.

In dieser Anleitung werden Daten aus den öffentlichen Tabellen bigquery-public-data.iowa_liquor_sales.sales und bigquery-public-data.covid19_weathersource_com.postal_code_day_history verwendet. Die Tabelle bigquery-public-data.iowa_liquor_sales.sales enthält Daten zum Verkauf von Spirituosen aus mehreren Städten im US-Bundesstaat Iowa. Die Tabelle bigquery-public-data.covid19_weathersource_com.postal_code_day_history enthält Wetterdaten aus der Vergangenheit, z. B. Temperatur und Luftfeuchtigkeit, aus der ganzen Welt.

Bevor Sie diese Anleitung lesen, empfehlen wir Ihnen dringend, Prognosen für eine einzelne Zeitreihe mit einem multivariaten Modell erstellen zu lesen.

Lernziele

In dieser Anleitung werden Sie durch die folgenden Aufgaben geführt:

• Erstellen eines Zeitreihenmodells, um Bestellungen in einem Getränkemarkt mithilfe der Anweisung CREATE MODEL vorherzusagen
• Die prognostizierten Bestellwerte mithilfe der Funktion ML.FORECAST aus dem Modell abrufen.
• Komponenten der Zeitreihe wie Saisonabhängigkeit, Trend und Feature-Attributionen mithilfe der Funktion ML.EXPLAIN_FORECAST abrufen Sie können diese Zeitreihenkomponenten prüfen, um die prognostizierten Werte zu erklären.
• Bewerten Sie die Genauigkeit des Modells mit der Funktion ML.EVALUATE.
• Verwenden Sie das Modell mit der ML.DETECT_ANOMALIES-Funktion, um Anomalien zu erkennen.

Kosten

In dieser Anleitung werden kostenpflichtige Komponenten von Google Cloudverwendet, darunter:

• BigQuery
• BigQuery ML

Weitere Informationen zu den Kosten von BigQuery finden Sie auf der Seite BigQuery-Preise.

Weitere Informationen zu den Kosten für BigQuery ML finden Sie unter BigQuery ML-Preise.

Vorbereitung

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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. Make sure that billing is enabled for your Google Cloud project.

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. Make sure that billing is enabled for your Google Cloud project.

6. BigQuery ist in neuen Projekten automatisch aktiviert. Zum Aktivieren von BigQuery in einem vorhandenen Projekt wechseln Sie zu

   Enable the BigQuery API.

   Enable the API

   .

Dataset erstellen

Erstellen Sie ein BigQuery-Dataset, um Ihr ML-Modell zu speichern:

1. Rufen Sie in der Google Cloud Console die Seite „BigQuery“ auf.

   Zur Seite "BigQuery"

2. Klicken Sie im Bereich Explorer auf den Namen Ihres Projekts.

3. Klicken Sie auf Aktionen ansehen > Dataset erstellen.

   

4. Führen Sie auf der Seite Dataset erstellen die folgenden Schritte aus:

   • Geben Sie unter Dataset-ID bqml_tutorial ein.

   • Wählen Sie als Standorttyp die Option Mehrere Regionen und dann USA (mehrere Regionen in den USA) aus.

     Die öffentlichen Datasets sind am multiregionalen Standort US gespeichert. Der Einfachheit halber sollten Sie Ihr Dataset am selben Standort speichern.

   • Übernehmen Sie die verbleibenden Standardeinstellungen unverändert und klicken Sie auf Dataset erstellen.

     

Tabelle mit Eingabedaten erstellen

Erstellen Sie eine Datentabelle, mit der Sie das Modell trainieren und bewerten können. In dieser Tabelle werden Spalten aus den Tabellen bigquery-public-data.iowa_liquor_sales.sales und bigquery-public-data.covid19_weathersource_com.postal_code_day_history kombiniert, um zu analysieren, wie sich das Wetter auf die Art und Anzahl der von Spirituosengeschäften bestellten Artikel auswirkt. Außerdem erstellen Sie die folgenden zusätzlichen Spalten, die Sie als Eingabevariablen für das Modell verwenden können:

• date: das Datum der Bestellung
• store_number: die eindeutige Nummer des Geschäfts, das die Bestellung aufgegeben hat
• item_number: die eindeutige Nummer des bestellten Artikels
• bottles_sold: die Anzahl der bestellten Flaschen des zugehörigen Artikels
• temperature: die durchschnittliche Temperatur am Standort des Geschäfts am Bestelldatum
• humidity: die durchschnittliche Luftfeuchtigkeit am Standort des Geschäfts am Bestelldatum

So erstellen Sie die Tabelle mit den Eingabedaten:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   CREATE OR REPLACE TABLE
     `bqml_tutorial.iowa_liquor_sales_with_weather` AS
   WITH
     sales AS (
       SELECT
         DATE,
         store_number,
         item_number,
         bottles_sold,
         SAFE_CAST(SAFE_CAST(zip_code AS FLOAT64) AS INT64) AS zip_code
       FROM
         `bigquery-public-data.iowa_liquor_sales.sales` AS sales
       WHERE
         SAFE_CAST(zip_code AS FLOAT64) IS NOT NULL
     ),
     aggregated_sales AS (
       SELECT
         DATE,
         store_number,
         item_number,
         ANY_VALUE(zip_code) AS zip_code,
         SUM(bottles_sold) AS bottles_sold,
       FROM
         sales
       GROUP BY
         DATE,
         store_number,
         item_number
     ),
     weather AS (
       SELECT
         DATE,
         SAFE_CAST(postal_code AS INT64) AS zip_code,
         avg_temperature_air_2m_f AS temperature,
         avg_humidity_specific_2m_gpkg AS humidity,
       FROM
         `bigquery-public-data.covid19_weathersource_com.postal_code_day_history`
       WHERE
         SAFE_CAST(postal_code AS INT64) IS NOT NULL
     ),
     avg_weather AS (
       SELECT
         DATE,
         zip_code,
         AVG(temperature) AS temperature,
         AVG(humidity) AS humidity,
       FROM
         weather
       GROUP BY
         DATE,
         zip_code
     )
   SELECT
     aggregated_sales.date,
     aggregated_sales.store_number,
     aggregated_sales.item_number,
     aggregated_sales.bottles_sold,
     avg_weather.temperature AS temperature,
     avg_weather.humidity AS humidity
   FROM
     aggregated_sales
     LEFT JOIN avg_weather ON aggregated_sales.zip_code=avg_weather.zip_code
     AND aggregated_sales.DATE=avg_weather.DATE;

Zeitreihenmodell erstellen

Erstellen Sie ein Zeitreihenmodell, um die Anzahl der verkauften Flaschen für jede Kombination aus Geschäfts-ID und Artikel-ID für jedes Datum in der Tabelle bqml_tutorial.iowa_liquor_sales_with_weather vor dem 1. September 2022 vorherzusagen. Verwenden Sie die durchschnittliche Temperatur und Luftfeuchtigkeit am jeweiligen Datum als Features, die bei der Vorhersage berücksichtigt werden sollen. In der Tabelle bqml_tutorial.iowa_liquor_sales_with_weather gibt es etwa eine Million verschiedene Kombinationen aus Artikelnummer und Geschäftsnummer. Das bedeutet, dass eine Million verschiedener Zeitreihen prognostiziert werden müssen.

So erstellen Sie das Modell:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   CREATE
   OR REPLACE MODEL `bqml_tutorial.multi_time_series_arimax_model`
   OPTIONS(
     model_type = 'ARIMA_PLUS_XREG',
     time_series_id_col = ['store_number', 'item_number'],
     time_series_data_col = 'bottles_sold',
     time_series_timestamp_col = 'date'
   )
   AS SELECT
     *
   FROM
     `bqml_tutorial.iowa_liquor_sales_with_weather`
   WHERE
     DATE < DATE('2022-09-01');

   Die Abfrage dauert etwa 38 Minuten. Anschließend wird das Modell multi_time_series_arimax_model im Bereich Explorer angezeigt. Da in der Abfrage eine CREATE MODEL-Anweisung zum Erstellen eines Modells verwendet wird, werden keine Abfrageergebnisse angezeigt.

Mit dem Modell Daten prognostizieren

Mit der Funktion ML.FORECAST können Sie zukünftige Zeitreihenwerte prognostizieren.

In der folgenden GoogleSQL-Abfrage gibt die Klausel STRUCT(5 AS horizon, 0.8 AS confidence_level) an, dass mit der Abfrage fünf zukünftige Zeitpunkte prognostiziert und ein Prognoseintervall mit einer Konfidenzwahrscheinlichkeit von 80% generiert wird.

Die Datensignatur der Eingabedaten für die Funktion ML.FORECAST stimmt mit der Datensignatur der Trainingsdaten überein, die Sie zum Erstellen des Modells verwendet haben. Die Spalte bottles_sold ist nicht in der Eingabe enthalten, da es sich dabei um die Daten handelt, die das Modell vorhersagen soll.

So prognostizieren Sie Daten mit dem Modell:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   SELECT
     *
   FROM
     ML.FORECAST (
       model `bqml_tutorial.multi_time_series_arimax_model`,
       STRUCT (5 AS horizon, 0.8 AS confidence_level),
       (
         SELECT
           * EXCEPT (bottles_sold)
         FROM
           `bqml_tutorial.iowa_liquor_sales_with_weather`
         WHERE
           DATE>=DATE('2022-09-01')
       )
     );

   Die Antwort sollte in etwa so aussehen:

   

   Die Ausgabezeilen werden nach dem Wert store_number, dann nach dem Wert item_ID und dann in chronologischer Reihenfolge nach dem Spaltenwert forecast_timestamp angeordnet. Bei der Zeitreihenprognose ist das Vorhersageintervall, das durch die Spaltenwerte prediction_interval_lower_bound und prediction_interval_upper_bound dargestellt wird, genauso wichtig wie der Spaltenwert forecast_value. Der Wert forecast_value ist der Mittelpunkt des Vorhersageintervalls. Das Vorhersageintervall hängt von den Spaltenwerten standard_error und confidence_level ab.

   Weitere Informationen zu den Ausgabespalten finden Sie unter ML.FORECAST.

Prognoseergebnisse erklären

Mit der Funktion ML.EXPLAIN_FORECAST können Sie zusätzlich zu Prognosedaten auch Erklärbarkeitsmesswerte abrufen. Die Funktion ML.EXPLAIN_FORECAST prognostiziert zukünftige Zeitreihenwerte und gibt auch alle einzelnen Komponenten der Zeitreihe zurück.

Ähnlich wie bei der Funktion ML.FORECAST gibt die Klausel STRUCT(5 AS horizon, 0.8 AS confidence_level), die in der Funktion ML.EXPLAIN_FORECAST verwendet wird, an, dass die Abfrage 30 zukünftige Zeitpunkte prognostiziert und ein Vorhersageintervall mit einer Konfidenz von 80% generiert.

Die Funktion ML.EXPLAIN_FORECAST liefert sowohl Verlaufsdaten als auch Prognosedaten. Wenn Sie nur die Prognosedaten sehen möchten, fügen Sie der Abfrage die Option time_series_type hinzu und geben Sie forecast als Optionswert an.

So erklären Sie die Ergebnisse des Modells:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   SELECT
     *
   FROM
     ML.EXPLAIN_FORECAST (
       model `bqml_tutorial.multi_time_series_arimax_model`,
       STRUCT (5 AS horizon, 0.8 AS confidence_level),
       (
         SELECT
           * EXCEPT (bottles_sold)
         FROM
           `bqml_tutorial.iowa_liquor_sales_with_weather`
         WHERE
           DATE >= DATE('2022-09-01')
       )
     );

   Die Antwort sollte in etwa so aussehen:

   

   Die Ausgabezeilen sind nach dem Spaltenwert time_series_timestamp chronologisch sortiert.

   Weitere Informationen zu den Ausgabespalten finden Sie unter ML.EXPLAIN_FORECAST.

Genauigkeit der Prognosen bewerten

Bewerten Sie die Vorhersagegenauigkeit des Modells, indem Sie es mit Daten ausführen, mit denen es nicht trainiert wurde. Dazu können Sie die Funktion ML.EVALUATE verwenden. Mit der ML.EVALUATE-Funktion wird jede Zeitreihe unabhängig ausgewertet.

In der folgenden GoogleSQL-Abfrage enthält die zweite SELECT-Anweisung die Daten mit den zukünftigen Features, die für die Prognose der zukünftigen Werte mit den tatsächlichen Daten verwendet werden.

So bewerten Sie die Genauigkeit des Modells:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   SELECT
     *
   FROM
     ML.EVALUATE (
       model `bqml_tutorial.multi_time_series_arimax_model`,
       (
         SELECT
           *
         FROM
          `bqml_tutorial.iowa_liquor_sales_with_weather`
         WHERE
           DATE >= DATE('2022-09-01')
       )
     );

   Die Ergebnisse sollten in etwa so aussehen:

   

   Weitere Informationen zu den Ausgabespalten finden Sie unter ML.EVALUATE.

Modell zur Erkennung von Anomalien verwenden

Mit der Funktion ML.DETECT_ANOMALIES können Sie Anomalien in den Trainingsdaten erkennen.

In der folgenden Abfrage führt die STRUCT(0.95 AS anomaly_prob_threshold)-Klausel dazu, dass die Funktion ML.DETECT_ANOMALIES anormale Datenpunkte mit einem Konfidenzniveau von 95% identifiziert.

So erkennen Sie Anomalien in den Trainingsdaten:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   SELECT
     *
   FROM
     ML.DETECT_ANOMALIES (
       model `bqml_tutorial.multi_time_series_arimax_model`,
       STRUCT (0.95 AS anomaly_prob_threshold)
     );

   Die Ergebnisse sollten in etwa so aussehen:

   

   In der Spalte anomaly_probability in den Ergebnissen wird die Wahrscheinlichkeit angegeben, dass ein bestimmter Wert in der Spalte bottles_sold anormal ist.

   Weitere Informationen zu den Ausgabespalten finden Sie unter ML.DETECT_ANOMALIES.

Anomalien in neuen Daten erkennen

Erkennen Sie Anomalien in den neuen Daten, indem Sie der Funktion ML.DETECT_ANOMALIES Eingabedaten zur Verfügung stellen. Die neuen Daten müssen dieselbe Datensignatur wie die Trainingsdaten haben.

So erkennen Sie Anomalien in neuen Daten:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   SELECT
     *
   FROM
     ML.DETECT_ANOMALIES (
       model `bqml_tutorial.multi_time_series_arimax_model`,
       STRUCT (0.95 AS anomaly_prob_threshold),
       (
         SELECT
           *
         FROM
           `bqml_tutorial.iowa_liquor_sales_with_weather`
         WHERE
           DATE >= DATE('2022-09-01')
       )
     );

   Die Ergebnisse sollten in etwa so aussehen:

   

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

• Sie können das von Ihnen erstellte Projekt löschen.
• Sie können das Projekt aber auch behalten und das Dataset löschen.

Dataset löschen

Wenn Sie Ihr Projekt löschen, werden alle Datasets und Tabellen entfernt. Wenn Sie das Projekt wieder verwenden möchten, können Sie das in dieser Anleitung erstellte Dataset löschen:

1. Rufen Sie, falls erforderlich, die Seite „BigQuery“ in derGoogle Cloud -Konsole auf.

   Zur Seite "BigQuery"

2. Wählen Sie im Navigationsbereich das Dataset bqml_tutorial aus, das Sie erstellt haben.

3. Klicken Sie rechts im Fenster auf Delete dataset (Dataset löschen). Dadurch werden das Dataset, die Tabelle und alle Daten gelöscht.

4. Bestätigen Sie im Dialogfeld Dataset löschen den Löschbefehl. Geben Sie dazu den Namen des Datasets (bqml_tutorial) ein und klicken Sie auf Löschen.

Projekt löschen

So löschen Sie das Projekt:

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, z. B. eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, statt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Nächste Schritte

• Informationen zum Erstellen einer Prognose für eine einzelne Zeitreihe mit einem univariaten Modell
• Mehrere Zeitreihen mit einem univariaten Modell prognostizieren
• Informationen zum Skalieren eines univariaten Modells bei der Prognose mehrerer Zeitreihen über viele Zeilen
• Hierarchische Prognosen für mehrere Zeitreihen mit einem univariaten Modell erstellen
• Eine Übersicht über BigQuery ML finden Sie unter Einführung in KI und ML in BigQuery.