Memperkirakan beberapa deret waktu dengan model multi-variabel

---

Pratinjau

Produk atau fitur ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum di Persyaratan Khusus Layanan. Produk dan fitur pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

Catatan: Untuk memberikan masukan atau meminta dukungan terkait fitur ini, kirim email ke [e-mail].

Tutorial ini mengajarkan cara menggunakan model deret waktu multi-variasi untuk memperkirakan nilai mendatang untuk kolom tertentu, berdasarkan nilai historis dari beberapa fitur input.

Tutorial ini memperkirakan beberapa deret waktu. Nilai perkiraan dihitung untuk setiap titik waktu, untuk setiap nilai dalam satu atau beberapa kolom yang ditentukan. Misalnya, jika Anda ingin memperkirakan cuaca dan menentukan kolom yang berisi data status, data yang diprediksi akan berisi perkiraan untuk semua titik waktu untuk Status A, lalu nilai yang diprediksi untuk semua titik waktu untuk Status B, dan seterusnya. Jika Anda ingin memperkirakan cuaca dan kolom tertentu yang berisi data negara bagian dan kota, data yang diprediksi akan berisi perkiraan untuk semua titik waktu untuk Negara Bagian A dan Kota A, lalu nilai yang diprediksi untuk semua titik waktu untuk Negara Bagian A dan Kota B, dan seterusnya.

Tutorial ini menggunakan data dari tabel publik bigquery-public-data.iowa_liquor_sales.sales dan bigquery-public-data.covid19_weathersource_com.postal_code_day_history. Tabel bigquery-public-data.iowa_liquor_sales.sales berisi data penjualan minuman keras yang dikumpulkan dari beberapa kota di negara bagian Iowa. Tabel bigquery-public-data.covid19_weathersource_com.postal_code_day_history berisi data cuaca historis, seperti suhu dan kelembapan, dari seluruh dunia.

Sebelum membaca tutorial ini, sebaiknya baca Membuat perkiraan deret waktu tunggal dengan model multi-variabel.

Tujuan

Tutorial ini memandu Anda menyelesaikan tugas-tugas berikut:

• Membuat model deret waktu untuk memperkirakan pesanan toko minuman keras menggunakan pernyataan CREATE MODEL.
• Mengambil nilai pesanan yang diramalkan dari model menggunakan fungsi ML.FORECAST.
• Mengambil komponen deret waktu, seperti tren musiman, tren, dan atribusi fitur, dengan menggunakan fungsi ML.EXPLAIN_FORECAST. Anda dapat memeriksa komponen deret waktu ini untuk menjelaskan nilai yang diprediksi.
• Evaluasi akurasi model menggunakan fungsi ML.EVALUATE.
• Deteksi anomali menggunakan model dengan fungsi ML.DETECT_ANOMALIES.

Biaya

Tutorial ini menggunakan komponen Google Cloud yang dapat ditagih, yaitu Google Cloud, termasuk:

• BigQuery
• BigQuery ML

Untuk informasi selengkapnya tentang biaya BigQuery, lihat halaman harga BigQuery.

Untuk informasi selengkapnya tentang biaya BigQuery ML, lihat harga BigQuery ML.

Sebelum memulai

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 secara otomatis diaktifkan dalam project baru. Untuk mengaktifkan BigQuery dalam project yang sudah ada, buka

   Enable the BigQuery API.

   Enable the API

Membuat set data

Buat set data BigQuery untuk menyimpan model ML Anda:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka halaman BigQuery

2. Di panel Explorer, klik nama project Anda.

3. Klik View actions > Create dataset.

   

4. Di halaman Create dataset, lakukan hal berikut:

   • Untuk Dataset ID, masukkan bqml_tutorial.

   • Untuk Location type, pilih Multi-region, lalu pilih US (multiple regions in United States).

     Set data publik disimpan di US multi-region. Untuk mempermudah, simpan set data Anda di lokasi yang sama.

   • Jangan ubah setelan default yang tersisa, lalu klik Create dataset.

     

Membuat tabel data input

Buat tabel data yang dapat Anda gunakan untuk melatih dan mengevaluasi model. Tabel ini menggabungkan kolom dari tabel bigquery-public-data.iowa_liquor_sales.sales dan bigquery-public-data.covid19_weathersource_com.postal_code_day_history untuk menganalisis pengaruh cuaca terhadap jenis dan jumlah item yang dipesan oleh toko minuman keras. Anda juga membuat kolom tambahan berikut yang dapat digunakan sebagai variabel input untuk model:

• date: tanggal pesanan
• store_number: nomor unik toko yang melakukan pemesanan
• item_number: nomor unik item yang dipesan
• bottles_sold: jumlah botol yang dipesan dari item terkait
• temperature: suhu rata-rata di lokasi toko pada tanggal pemesanan
• humidity: kelembapan rata-rata di lokasi toko pada tanggal pemesanan

Ikuti langkah-langkah berikut untuk membuat tabel data input:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

   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;

Membuat model deret waktu

Buat model deret waktu untuk memperkirakan botol yang terjual untuk setiap kombinasi ID toko dan ID item, untuk setiap tanggal dalam tabel bqml_tutorial.iowa_liquor_sales_with_weather sebelum 1 September 2022. Gunakan suhu dan kelembapan rata-rata lokasi toko pada setiap tanggal sebagai fitur yang akan dievaluasi selama peramalan. Ada sekitar 1 juta kombinasi unik nomor item dan nomor toko di tabel bqml_tutorial.iowa_liquor_sales_with_weather, yang berarti ada 1 juta deret waktu yang berbeda untuk diprediksi.

Ikuti langkah-langkah berikut untuk membuat model:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

   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');

   Kueri ini memerlukan waktu sekitar 38 menit untuk diselesaikan, setelah itu model multi_time_series_arimax_model akan muncul di panel Explorer. Karena kueri menggunakan pernyataan CREATE MODEL untuk membuat model, Anda tidak akan melihat hasil kueri.

Menggunakan model untuk memperkirakan data

Perkiraan nilai deret waktu mendatang menggunakan fungsi ML.FORECAST.

Dalam kueri GoogleSQL berikut, klausa STRUCT(5 AS horizon, 0.8 AS confidence_level) menunjukkan bahwa kueri memperkirakan 5 titik waktu di masa mendatang, dan menghasilkan interval prediksi dengan tingkat keyakinan 80%.

Tanda tangan data dari data input untuk fungsi ML.FORECAST sama dengan tanda tangan data untuk data pelatihan yang Anda gunakan untuk membuat model. Kolom bottles_sold tidak disertakan dalam input, karena itulah data yang coba diprediksi oleh model.

Ikuti langkah-langkah berikut untuk memperkirakan data dengan model:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

   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')
       )
     );

   Hasilnya akan terlihat seperti berikut:

   

   Baris output diurutkan berdasarkan nilai store_number, lalu berdasarkan nilai item_ID, lalu dalam urutan kronologis berdasarkan nilai kolom forecast_timestamp. Dalam perkiraan deret waktu, interval prediksi, seperti yang diwakili oleh nilai kolom prediction_interval_lower_bound dan prediction_interval_upper_bound, sama pentingnya dengan nilai kolom forecast_value. Nilai forecast_value adalah titik tengah interval prediksi. Interval prediksi bergantung pada nilai kolom standard_error dan confidence_level.

   Untuk mengetahui informasi selengkapnya tentang kolom output, lihat ML.FORECAST.

Menjelaskan hasil perkiraan

Anda bisa mendapatkan metrik keterjelasan selain data perkiraan menggunakan fungsi ML.EXPLAIN_FORECAST. Fungsi ML.EXPLAIN_FORECAST memperkirakan nilai deret waktu mendatang dan juga menampilkan semua komponen terpisah dari deret waktu.

Serupa dengan fungsi ML.FORECAST, klausa STRUCT(5 AS horizon, 0.8 AS confidence_level) yang digunakan dalam fungsi ML.EXPLAIN_FORECAST menunjukkan bahwa kueri memperkirakan 30 titik waktu di masa mendatang dan menghasilkan interval prediksi dengan keyakinan 80%.

Fungsi ML.EXPLAIN_FORECAST menyediakan data historis dan data perkiraan. Untuk hanya melihat data perkiraan, tambahkan opsi time_series_type ke kueri dan tentukan forecast sebagai nilai opsi.

Ikuti langkah-langkah berikut untuk menjelaskan hasil model:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

   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')
       )
     );

   Hasilnya akan terlihat seperti berikut:

   

   Baris output diurutkan secara kronologis berdasarkan nilai kolom time_series_timestamp.

   Untuk mengetahui informasi selengkapnya tentang kolom output, lihat ML.EXPLAIN_FORECAST.

Mengevaluasi akurasi perkiraan

Evaluasi akurasi perkiraan model dengan menjalankannya pada data yang belum dilatih oleh model. Anda dapat melakukannya dengan menggunakan fungsi ML.EVALUATE. Fungsi ML.EVALUATE mengevaluasi setiap deret waktu secara terpisah.

Dalam kueri GoogleSQL berikut, pernyataan SELECT kedua menyediakan data dengan fitur mendatang, yang digunakan untuk memperkirakan nilai mendatang agar dibandingkan dengan data aktual.

Ikuti langkah-langkah berikut untuk mengevaluasi akurasi model:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

   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')
       )
     );

   Hasilnya akan terlihat seperti berikut:

   

   Untuk mengetahui informasi selengkapnya tentang kolom output, lihat ML.EVALUATE.

Menggunakan model untuk mendeteksi anomali

Mendeteksi anomali dalam data pelatihan menggunakan fungsi ML.DETECT_ANOMALIES.

Dalam kueri berikut, klausa STRUCT(0.95 AS anomaly_prob_threshold) menyebabkan fungsi ML.DETECT_ANOMALIES mengidentifikasi titik data yang tidak wajar dengan tingkat keyakinan 95%.

Ikuti langkah-langkah berikut untuk mendeteksi anomali dalam data pelatihan:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

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

   Hasilnya akan terlihat seperti berikut:

   

   Kolom anomaly_probability dalam hasil mengidentifikasi kemungkinan bahwa nilai kolom bottles_sold tertentu bersifat anomali.

   Untuk mengetahui informasi selengkapnya tentang kolom output, lihat ML.DETECT_ANOMALIES.

Mendeteksi anomali dalam data baru

Deteksi anomali dalam data baru dengan memberikan data input ke fungsi ML.DETECT_ANOMALIES. Data baru harus memiliki tanda tangan data yang sama dengan data pelatihan.

Ikuti langkah-langkah berikut untuk mendeteksi anomali dalam data baru:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut dan klik Jalankan:

   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')
       )
     );

   Hasilnya akan terlihat seperti berikut:

   

Pembersihan

Agar akun Google Cloud Anda tidak dikenai biaya untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus resource satu per satu.

• Anda dapat menghapus project yang dibuat.
• Atau, Anda dapat menyimpan project dan menghapus set data.

Menghapus set data

Jika project Anda dihapus, semua set data dan semua tabel dalam project akan dihapus. Jika ingin menggunakan kembali project tersebut, Anda dapat menghapus set data yang dibuat dalam tutorial ini:

1. Jika perlu, buka halaman BigQuery di konsolGoogle Cloud .

   Buka halaman BigQuery

2. Di navigasi, klik set data bqml_tutorial yang telah Anda buat.

3. Klik Delete dataset di sisi kanan jendela. Tindakan ini akan menghapus set data, tabel, dan semua data.

4. Pada dialog Hapus set data, konfirmasi perintah hapus dengan mengetikkan nama set data Anda (bqml_tutorial), lalu klik Hapus.

Menghapus project Anda

Untuk menghapus project:

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

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.

Langkah selanjutnya

• Pelajari cara membuat perkiraan deret waktu tunggal dengan model univariat
• Pelajari cara memperkirakan beberapa deret waktu dengan model univariat
• Pelajari cara menskalakan model univariat saat memperkirakan beberapa deret waktu di banyak baris.
• Pelajari cara membuat perkiraan hierarkis beberapa deret waktu dengan model univariat
• Untuk ringkasan BigQuery ML, lihat Pengantar AI dan ML di BigQuery.