일변량 모델로 계층적 시계열 예측

이 튜토리얼에서는 단일 변수 시계열 모델을 사용하여 계층적 시계열을 예측하는 방법을 설명합니다. 이 함수는 해당 열의 과거 값을 기반으로 지정된 열의 미래 값을 예측하고 하나 이상의 관심 측정기준에 대해 해당 열의 롤업 값을 계산합니다.

예측 값은 각 시점별로, 관심 측정기준을 지정하는 하나 이상의 열에 있는 각 값에 대해 계산됩니다. 예를 들어 일일 트래픽 사고를 예측하고 주 데이터가 포함된 측정기준 열을 지정하면 예측 데이터에 먼저 A주의 각 날짜 값이 포함되고, 그다음 B주의 각 날짜 값이 포함되는 식입니다. 일일 교통 사고를 예측하고 주 및 도시 데이터가 포함된 측정기준 열을 지정하는 경우 예측 데이터에는 주 A 및 도시 A의 일별 값이 먼저 포함되고 주 A 및 도시 B의 일별 값이 그다음에 포함되는 식입니다. 계층적 시계열 모델에서 계층적 조정은 각 하위 시계열을 롤업하고 상위 요소와 조정하는 데 사용됩니다. 예를 들어 A주의 모든 도시에 대한 예측 값의 합계는 A주의 예측 값과 같아야 합니다.

이 튜토리얼에서는 동일한 데이터를 사용하여 두 개의 시계열 모델을 만듭니다. 하나는 계층적 예측을 사용하는 시계열 모델이고 다른 하나는 계층적 예측을 사용하지 않는 시계열입니다. 이렇게 하면 모델에서 반환된 결과를 비교할 수 있습니다.

이 튜토리얼에서는 공개 bigquery-public-data.iowa_liquor.sales.sales 테이블의 데이터를 사용합니다. 이 표에는 아이오와주 주류 판매 공개 데이터를 사용하여 다양한 매장의 100만 개가 넘는 주류 제품에 대한 정보가 포함되어 있습니다.

이 튜토리얼을 읽기 전에 단일 변수 모델로 여러 시계열 예측을 읽어보는 것이 좋습니다.

필수 권한

• 데이터 세트를 만들려면 bigquery.datasets.create IAM 권한이 필요합니다.

• 연결 리소스를 만들려면 다음 권한이 필요합니다.

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

• 모델을 만들려면 다음 권한이 필요합니다.

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

• 추론을 실행하려면 다음 권한이 필요합니다.

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

BigQuery에서 IAM 역할 및 권한에 대한 자세한 내용은 IAM 소개를 참조하세요.

목표

이 가이드에서는 다음을 사용합니다.

• CREATE MODEL 문을 사용하여 여러 시계열 모델과 여러 계층적 시계열 모델을 만들어 병 판매 값을 예측합니다.
• ML.FORECAST 함수를 사용하여 모델에서 예측된 병 판매 값을 가져옵니다.

비용

이 튜토리얼에서는 다음을 포함하여 Google Cloud의 청구 가능한 구성요소가 사용됩니다.

• BigQuery
• BigQuery ML

BigQuery 비용에 대한 자세한 내용은 BigQuery 가격 책정 페이지를 참조하세요.

BigQuery ML 비용에 대한 자세한 내용은 BigQuery ML 가격 책정을 참조하세요.

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. BigQuery는 새 프로젝트에서 자동으로 사용 설정됩니다. 기존 프로젝트에서 BigQuery를 활성화하려면 다음으로 이동합니다.

   Enable the BigQuery API.

   Enable the API

데이터 세트 생성

ML 모델을 저장할 BigQuery 데이터 세트를 만듭니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 탐색기 창에서 프로젝트 이름을 클릭합니다.

3. 작업 보기 > 데이터 세트 만들기를 클릭합니다.

   

4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

   • 데이터 세트 ID에 bqml_tutorial를 입력합니다.

   • 위치 유형에 대해 멀티 리전을 선택한 다음 US(미국 내 여러 리전)를 선택합니다.

     공개 데이터 세트는 US 멀티 리전에 저장됩니다. 편의상 같은 위치에 데이터 세트를 저장합니다.

   • 나머지 기본 설정은 그대로 두고 데이터 세트 만들기를 클릭합니다.

     

시계열 모델 만들기

아이오와주 주류 판매 데이터를 사용하여 시계열 모델을 만듭니다.

다음 GoogleSQL 쿼리는 폴크, 린, 스콧 카운티에서 2015년에 판매된 일일 총 병 수를 예측하는 모델을 만듭니다.

다음 쿼리에서 OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 절은 ARIMA 기반 시계열 모델을 만들고 있음을 나타냅니다. CREATE MODEL 문에 있는 TIME_SERIES_ID 옵션을 사용하여 예측을 가져올 입력 데이터의 열을 하나 이상 지정합니다. CREATE MODEL 문에 있는 auto_arima_max_order 옵션은 auto.ARIMA 알고리즘에서 초매개변수 조정을 위한 검색 공간을 제어합니다. CREATE MODEL 문에 있는 decompose_time_series 옵션은 기본적으로 TRUE로 설정되므로 다음 단계에서 모델을 평가할 때 시계열 데이터에 관한 정보가 반환됩니다.

OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 절은 ARIMA 기반 시계열 모델을 만들고 있음을 나타냅니다. 기본적으로 auto_arima=TRUE이므로 auto.ARIMA 알고리즘이 ARIMA_PLUS 모델에서 초매개변수를 자동으로 조정합니다. 이 알고리즘은 후보 모델 십여 개를 접합하고 Akaike 정보 기준 (AIC)이 가장 낮은 최적 모델을 선택합니다. holiday_region 옵션을 US로 설정하면 시계열에 미국 공휴일 패턴이 있는 경우 해당 미국 공휴일 시점을 더 정확하게 모델링할 수 있습니다.

모델을 만들려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   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;

   이 쿼리는 완료하는 데 약 37초가 소요되며 이후에는 liquor_forecast 모델이 탐색기 창에 표시됩니다. 이 쿼리에서는 CREATE MODEL 문을 사용하여 모델을 만들므로 쿼리 결과가 없습니다.

모델을 사용하여 데이터 예측

ML.FORECAST 함수를 사용하여 미래 시계열 값을 예측합니다.

다음 쿼리에서 STRUCT(20 AS horizon, 0.8 AS confidence_level) 절은 쿼리가 20개의 미래 시점을 예측하고 80% 신뢰 수준의 예측 구간을 생성함을 나타냅니다.

모델을 사용하여 데이터를 예측하려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   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;

   결과는 다음과 비슷하게 표시됩니다.

   

   출력은 첫 번째 시계열의 예측 데이터인 store_number=2190, zip_code=50314, city=DES MOINES, county=POLK로 시작합니다. 데이터를 스크롤하면 후속 고유 시계열별 예측이 표시됩니다. 특정 카운티의 예측과 같이 여러 측정기준의 합계를 집계하는 예측을 생성하려면 계층적 예측을 생성해야 합니다.

계층적 시계열 모델 만들기

아이오와주 주류 판매 데이터를 사용하여 계층적 시계열 예측을 만듭니다.

다음 GoogleSQL 쿼리는 폴크, 린, 스콧 카운티에서 2015년에 판매된 일일 총 병 수에 대한 계층적 예측을 생성하는 모델을 만듭니다.

다음 쿼리에서 CREATE MODEL 문에 있는 HIERARCHICAL_TIME_SERIES_COLS 옵션은 지정된 열 집합을 기반으로 계층적 예측을 만들고 있음을 나타냅니다. 이러한 각 열이 롤업되고 집계됩니다. 예를 들어 이전 쿼리에서는 store_number 열 값이 롤업되어 각 county, city, zip_code 값에 대한 예측을 표시합니다. 개별적으로 zip_code 및 store_number 값도 모두 롤업되어 각 county 및 city 값에 대한 예측을 표시합니다. 열 순서는 계층 구조의 구조를 정의하므로 중요합니다.

모델을 만들려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   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;

   쿼리가 완료되는 데 약 45초가 걸리며 그 이후에는 bqml_tutorial.liquor_forecast_hierarchical 모델이 탐색기 창에 표시됩니다. 이 쿼리에서는 CREATE MODEL 문을 사용하여 모델을 만들므로 쿼리 결과가 없습니다.

계층적 모델을 사용하여 데이터 예측

ML.FORECAST 함수를 사용하여 모델에서 계층적 예측 데이터를 가져옵니다.

모델을 사용하여 데이터를 예측하려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   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;

   결과는 다음과 비슷하게 표시됩니다.

   

   르클레어 시(store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT)에 대한 집계된 예측이 어떻게 표시되는지 확인하세요. 나머지 행을 살펴보면 다른 하위 그룹의 예측도 확인할 수 있습니다. 예를 들어 다음 이미지는 우편번호 52753, store_number=NULL, zip_code=52753, city=LECLAIRE, county=SCOTT에 대해 집계된 예측을 보여줍니다.

   

삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트는 유지하되 개별 리소스를 삭제하세요.

• 만든 프로젝트를 삭제할 수 있습니다.
• 또는 프로젝트를 유지하고 데이터 세트를 삭제할 수 있습니다.

데이터 세트 삭제

프로젝트를 삭제하면 프로젝트의 데이터 세트와 테이블이 모두 삭제됩니다. 프로젝트를 다시 사용하려면 이 튜토리얼에서 만든 데이터 세트를 삭제할 수 있습니다.

1. 필요한 경우 Google Cloud 콘솔에서 BigQuery 페이지를 엽니다.

   BigQuery 페이지로 이동

2. 앞서 만든 bqml_tutorial 데이터 세트를 탐색에서 선택합니다.

3. 창의 오른쪽에 있는 데이터 세트 삭제를 클릭합니다. 데이터 세트, 테이블, 모든 데이터가 삭제됩니다.

4. 데이터 세트 삭제 대화상자에서 데이터 세트 이름(bqml_tutorial)을 입력하고 삭제를 클릭하여 삭제 명령어를 확인합니다.

프로젝트 삭제

프로젝트를 삭제하는 방법은 다음과 같습니다.

주의: 프로젝트를 삭제하면 다음과 같은 효과가 발생합니다.

• 프로젝트의 모든 항목이 삭제됩니다. 이 문서의 태스크에 기존 프로젝트를 사용한 경우 프로젝트를 삭제하면 프로젝트에서 수행한 다른 작업도 삭제됩니다.
• 커스텀 프로젝트 ID가 손실됩니다. 이 프로젝트를 만들 때 앞으로 사용할 커스텀 프로젝트 ID를 만들었을 수 있습니다. appspot.com URL과 같이 프로젝트 ID를 사용하는 URL을 보존하려면 전체 프로젝트를 삭제하는 대신 프로젝트 내에서 선택한 리소스만 삭제합니다.

여러 아키텍처, 튜토리얼, 빠른 시작을 살펴보려는 경우 프로젝트를 재사용하면 프로젝트 할당량 한도 초과를 방지할 수 있습니다.

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.

다음 단계

• 일변량 모델로 단일 시계열을 예측하는 방법을 알아보세요.
• 일변량 모델로 여러 시계열을 예측하는 방법을 알아봅니다.
• 여러 행에 걸쳐 여러 시계열을 예측할 때 단일 변수 모델을 확장하는 방법을 알아봅니다.
• 다변수 모델로 단일 시계열을 예측하는 방법을 알아보세요.
• BigQuery ML 개요는 BigQuery의 AI 및 ML 소개를 참고하세요.