Prévoir des séries temporelles hiérarchiques avec un modèle univarié

Ce tutoriel explique comment utiliser un modèle de série temporelle univariée pour prévoir des séries temporelles hiérarchiques. Il prévoit la valeur future d'une colonne donnée, en fonction des valeurs historiques de cette colonne, et calcule également les valeurs cumulées de cette colonne pour une ou plusieurs dimensions d'intérêt.

Les valeurs prévues sont calculées pour chaque point temporel, pour chaque valeur d'une ou de plusieurs colonnes spécifiant les dimensions d'intérêt. Par exemple, si vous souhaitez prévoir les incidents de circulation quotidiens et que vous spécifiez une colonne de dimension contenant des données par État, les données prévues contiendront des valeurs pour chaque jour pour l'État A, puis des valeurs pour chaque jour pour l'État B, et ainsi de suite. Si vous souhaitez prévoir les incidents de circulation quotidiens et spécifier des colonnes de dimension contenant des données sur les États et les villes, les données prévues contiendront des valeurs pour chaque jour pour l'État A et la ville A, puis des valeurs pour chaque jour pour l'État A et la ville B, et ainsi de suite. Dans les modèles de séries temporelles hiérarchiques, la réconciliation hiérarchique permet de regrouper et de rapprocher chaque série temporelle enfant avec son parent. Par exemple, la somme des valeurs prévues pour toutes les villes de l'État A doit être égale à la valeur prévue pour l'État A.

Dans ce tutoriel, vous allez créer deux modèles de séries temporelles sur les mêmes données, l'un utilisant la prévision hiérarchique et l'autre non. Cela vous permet de comparer les résultats renvoyés par les modèles.

Ce tutoriel utilise les données de la table publique bigquery-public-data.iowa_liquor.sales.sales. Ce tableau contient des informations sur plus d'un million de produits alcoolisés dans différents magasins en utilisant les données publiques sur les ventes d'alcool de l'Iowa.

Avant de lire ce tutoriel, nous vous recommandons vivement de consulter la page Prévoir plusieurs séries temporelles avec un modèle univarié.

Autorisations requises

• Pour créer l'ensemble de données, vous devez disposer de l'autorisation IAM bigquery.datasets.create.

• Pour créer la ressource de connexion, vous devez disposer des autorisations suivantes :

  • bigquery.connections.create
  • bigquery.connections.get

• Pour créer le modèle, vous avez besoin des autorisations suivantes :

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.connections.delegate

• Pour exécuter une inférence, vous devez disposer des autorisations suivantes :

  • bigquery.models.getData
  • bigquery.jobs.create

Pour plus d'informations sur les rôles et les autorisations IAM dans BigQuery, consultez la page Présentation d'IAM.

Objectifs

Dans ce tutoriel, vous allez utiliser :

• Créer un modèle de série temporelle multiple et un modèle de série temporelle hiérarchique multiple pour prévoir les valeurs de vente de bouteilles à l'aide de l'instruction CREATE MODEL.
• Récupération des valeurs de vente de bouteilles prévues à partir des modèles à l'aide de la fonction ML.FORECAST.

Coûts

Ce tutoriel utilise des composants facturables de Google Cloud, y compris :

• BigQuery
• BigQuery ML

Pour plus d'informations sur les coûts de BigQuery, consultez la page Tarifs de BigQuery.

Pour en savoir plus sur les coûts associés à BigQuery ML, consultez la page Tarifs de BigQuery ML.

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 est automatiquement activé dans les nouveaux projets. Pour activer BigQuery dans un projet préexistant, accédez à .

   Enable the BigQuery API.

   Enable the API

Créer un ensemble de données

Vous allez créer un ensemble de données BigQuery pour stocker votre modèle de ML :

1. Dans la console Google Cloud, accédez à la page "BigQuery".

   Accéder à la page "BigQuery"

2. Dans le volet Explorateur, cliquez sur le nom de votre projet.

3. Cliquez sur Afficher les actions > Créer un ensemble de données.

   

4. Sur la page Créer un ensemble de données, procédez comme suit :

   • Dans le champ ID de l'ensemble de données, saisissez bqml_tutorial.

   • Pour Type d'emplacement, sélectionnez Multirégional, puis sélectionnez US (plusieurs régions aux États-Unis).

     Les ensembles de données publics sont stockés dans l'emplacement multirégional US. Par souci de simplicité, stockez votre ensemble de données dans le même emplacement.

   • Conservez les autres paramètres par défaut, puis cliquez sur Créer un ensemble de données.

     

Créer un modèle de série temporelle

Créez un modèle de série temporelle à l'aide des données sur les ventes de boissons alcoolisées dans l'Iowa.

La requête GoogleSQL suivante crée un modèle qui prévoit le nombre total de bouteilles vendues chaque jour en 2015 dans les comtés Polk, Linn et Scott.

Dans la requête suivante, la clause OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indique que vous créez un modèle de série temporelle basé sur ARIMA. Utilisez l'option TIME_SERIES_ID de l'instruction CREATE MODEL pour spécifier une ou plusieurs colonnes des données d'entrée pour lesquelles vous souhaitez obtenir des prévisions. L'option auto_arima_max_order de l'instruction CREATE MODEL contrôle l'espace de recherche pour le réglage des hyperparamètres dans l'algorithme auto.ARIMA. L'option decompose_time_series de l'instruction CREATE MODEL est définie par défaut sur TRUE, de sorte que des informations sur les données de série temporelle soient renvoyées lorsque vous évaluez le modèle à l'étape suivante.

La clause OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indique que vous créez un modèle de série temporelle basé sur ARIMA. Par défaut, auto_arima=TRUE. L'algorithme auto.ARIMA ajuste donc automatiquement les hyperparamètres des modèles ARIMA_PLUS. L'algorithme s'adapte à des dizaines de modèles candidats et choisit le meilleur d'entre eux, qui présente l'AIC (Akaike information criterion) le plus faible. Définir l'option holiday_region sur US permet une modélisation plus précise de ces périodes de vacances aux États-Unis, si la série temporelle comporte effectivement des tendances saisonnières.

Pour créer le modèle, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter:

   CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast`
     OPTIONS (
       MODEL_TYPE = 'ARIMA_PLUS',
       TIME_SERIES_TIMESTAMP_COL = 'date',
       TIME_SERIES_DATA_COL = 'total_bottles_sold',
       TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
       HOLIDAY_REGION = 'US')
   AS
   SELECT
     store_number,
     zip_code,
     city,
     county,
     date,
     SUM(bottles_sold) AS total_bottles_sold
   FROM
     `bigquery-public-data.iowa_liquor_sales.sales`
   WHERE
     date BETWEEN DATE('2015-01-01') AND DATE('2015-12-31')
     AND county IN ('POLK', 'LINN', 'SCOTT')
   GROUP BY store_number, date, city, zip_code, county;

   L'exécution de la requête prend environ 37 secondes, puis le modèle liquor_forecast s'affiche dans le volet Explorer. Étant donné que la requête utilise une instruction CREATE MODEL pour créer un modèle, il n'y a aucun résultat de requête.

Utiliser le modèle pour prévoir des données

Prévoyez les valeurs futures de la série temporelle à l'aide de la fonction ML.FORECAST.

Dans la requête suivante, la clause STRUCT(20 AS horizon, 0.8 AS confidence_level) indique que la requête prévoit 20 points temporels futurs et génère un intervalle de prédiction avec un niveau de confiance de 80 %.

Pour prévoir des données avec le modèle, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter:

   SELECT *
   FROM
     ML.FORECAST(
       MODEL `bqml_tutorial.liquor_forecast`,
       STRUCT(20 AS horizon, 0.8 AS confidence_level))
   ORDER BY store_number, county, city, zip_code, forecast_timestamp;

   Le résultat doit ressembler à ce qui suit :

   

   La sortie commence par les données de prévision pour la première série temporelle : store_number=2190, zip_code=50314, city=DES MOINES et county=POLK. Lorsque vous faites défiler les données, les prévisions de chaque série temporelle unique suivante s'affichent. Pour générer des prévisions qui agrégent les totaux de différentes dimensions, telles que les prévisions pour un comté spécifique, vous devez générer une prévision hiérarchique.

Créer un modèle de série temporelle hiérarchique

Créez une prévision de série temporelle hiérarchique à l'aide des données sur les ventes d'alcool de l'Iowa.

La requête GoogleSQL suivante crée un modèle qui génère des prévisions hiérarchiques sur le nombre total de bouteilles vendues chaque jour en 2015 dans les comtés Polk, Linn et Scott.

Dans la requête suivante, l'option HIERARCHICAL_TIME_SERIES_COLS de l'instruction CREATE MODEL indique que vous créez une prévision hiérarchique basée sur un ensemble de colonnes que vous spécifiez. Chacune de ces colonnes est condensée et agrégée. Par exemple, dans la requête précédente, cela signifie que la valeur de la colonne store_number est agrégée pour afficher les prévisions pour chaque valeur county, city et zip_code. Les valeurs zip_code et store_number sont également agrégées pour afficher les prévisions pour chaque valeur county et city. L'ordre des colonnes est important, car il définit la structure de la hiérarchie.

Pour créer le modèle, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter:

   CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast_hierarchical`
     OPTIONS (
       MODEL_TYPE = 'ARIMA_PLUS',
       TIME_SERIES_TIMESTAMP_COL = 'date',
       TIME_SERIES_DATA_COL = 'total_bottles_sold',
       TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
       HIERARCHICAL_TIME_SERIES_COLS = ['zip_code', 'store_number'],
       HOLIDAY_REGION = 'US')
   AS
   SELECT
     store_number,
     zip_code,
     city,
     county,
     date,
     SUM(bottles_sold) AS total_bottles_sold
   FROM
     `bigquery-public-data.iowa_liquor_sales.sales`
   WHERE
     date BETWEEN DATE('2015-01-01') AND DATE('2015-12-31')
     AND county IN ('POLK', 'LINN', 'SCOTT')
   GROUP BY store_number, date, city, zip_code, county;

   L'exécution de la requête prend environ 45 secondes, puis le modèle bqml_tutorial.liquor_forecast_hierarchical s'affiche dans le volet Explorateur. Étant donné que la requête utilise une instruction CREATE MODEL pour créer un modèle, il n'y a aucun résultat de requête.

Utiliser le modèle hiérarchique pour prévoir des données

Récupérez les données de prévision hiérarchiques à partir du modèle à l'aide de la fonction ML.FORECAST.

Pour prévoir des données avec le modèle, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter:

   SELECT
     *
   FROM
     ML.FORECAST(
       MODEL `bqml_tutorial.liquor_forecast_hierarchical`,
       STRUCT(30 AS horizon, 0.8 AS confidence_level))
   WHERE city = 'LECLAIRE'
   ORDER BY county, city, zip_code, store_number, forecast_timestamp;

   Le résultat doit ressembler à ce qui suit :

   

   Notez comment la prévision agrégée s'affiche pour la ville de LeClaire, store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT. En examinant le reste des lignes, notez les prévisions pour les autres sous-groupes. Par exemple, l'image suivante montre les prévisions agrégées pour les codes postaux 52753, store_number=NULL, zip_code=52753, city=LECLAIRE et county=SCOTT:

   

Effectuer un nettoyage

Pour éviter que les ressources utilisées dans ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.

• Supprimez le projet que vous avez créé.
• Ou conservez le projet et supprimez l'ensemble de données.

Supprimer l'ensemble de données

Si vous supprimez votre projet, tous les ensembles de données et toutes les tables qui lui sont associés sont également supprimés. Si vous préférez réutiliser le projet, vous pouvez supprimer l'ensemble de données que vous avez créé dans ce tutoriel :

1. Si nécessaire, ouvrez la page BigQuery dans Cloud Console.

   Accéder à BigQuery

2. Dans le panneau de navigation, cliquez sur l'ensemble de données bqml_tutorial que vous avez créé.

3. Cliquez sur Delete dataset (Supprimer l'ensemble de données) dans la partie droite de la fenêtre. Cette action supprime l'ensemble de données, la table et toutes les données.

4. Dans la boîte de dialogue Supprimer l'ensemble de données, confirmez la commande de suppression en saisissant le nom de votre ensemble de données (bqml_tutorial), puis cliquez sur Supprimer.

Supprimer votre projet

Pour supprimer le projet :

Attention : La suppression d'un projet entraîne les effets décrits ci-dessous :

• Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
• Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

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.

Étape suivante

• Découvrez comment prévoir une seule série temporelle avec un modèle univarié.
• Découvrez comment prévoir plusieurs séries temporelles avec un modèle univarié.
• Découvrez comment mettre à l'échelle un modèle univarié lors de la prévision de plusieurs séries temporelles sur de nombreuses lignes.
• Découvrez comment prévoir une seule série temporelle avec un modèle multivarié.
• Pour obtenir une présentation de BigQuery ML, consultez la page Présentation de l'IA et du ML dans BigQuery.