Membatasi nilai yang diperkirakan untuk model deret waktu

Tutorial ini mengajarkan cara menggunakan batas untuk mempersempit perkiraan hasil yang ditampilkan oleh model deret waktu. Dalam tutorial ini, Anda akan membuat dua model deret waktu pada data yang sama, satu model yang menggunakan batas dan satu model yang tidak menggunakan batas. Hal ini memungkinkan Anda membandingkan hasil yang ditampilkan oleh model dan memahami perbedaan yang dihasilkan oleh penetapan batas.

Anda menggunakan data new_york.citibike_trips untuk melatih model dalam tutorial ini. {i>Dataset<i} ini berisi informasi tentang perjalanan Citi Bike di New York City.

Sebelum mengikuti tutorial ini, Anda harus sudah memahami perkiraan deret waktu tunggal. Selesaikan tutorial Perkiraan deret waktu tunggal dari data Google Analytics untuk pengantar topik ini.

Izin yang Diperlukan

• Untuk membuat set data, Anda memerlukan izin IAM bigquery.datasets.create.

• Untuk membuat resource koneksi, Anda memerlukan izin berikut:

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

• Untuk membuat model, Anda memerlukan izin berikut:

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

• Untuk menjalankan inferensi, Anda memerlukan izin berikut:

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

Untuk mengetahui informasi lebih lanjut tentang peran dan izin IAM di BigQuery, baca Pengantar IAM.

Tujuan

Dalam tutorial ini, Anda akan menggunakan:

• Pernyataan CREATE MODEL: untuk membuat model deret waktu.
• Fungsi ML.FORECAST: untuk memperkirakan total kunjungan harian.

Biaya

Tutorial ini menggunakan komponen Google Cloud yang dapat ditagih, 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. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

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

4. Aktifkan API BigQuery.

   Mengaktifkan API

5. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

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

7. Aktifkan API BigQuery.

   Mengaktifkan 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.

     

Visualisasikan deret waktu yang ingin Anda perkirakan

Sebelum membuat model, sebaiknya lihat tampilan deret waktu input Anda.

Dalam kueri berikut, klausa FROM bigquery-public-data.new_york.citibike_trips menunjukkan bahwa Anda melakukan kueri pada tabel citibike_trips dalam set data new_york.

Dalam pernyataan SELECT, kueri menggunakan fungsi EXTRACT untuk mengekstrak informasi tanggal dari kolom starttime. Kueri ini menggunakan klausa COUNT(*) untuk mendapatkan jumlah total harian perjalanan Citi Bike.

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

Untuk menjalankan kueri, ikuti langkah-langkah berikut:

1. Di konsol Google Cloud, klik tombol Compose new query.

2. Masukkan kueri GoogleSQL berikut di editor kueri.

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

3. Klik Run. Hasil kueri mirip dengan berikut ini.

   

4. Gunakan Konsol Google Cloud untuk membuat diagram data deret waktu. Di panel Query results, klik tab Chart. Di panel Chart configuration, pilih Bar untuk Chart type:

   

Membuat model deret waktu

Membuat model deret waktu, menggunakan data perjalanan NYC Citi Bike.

Kueri GoogleSQL berikut membuat model yang memperkirakan total perjalanan sepeda harian. Pernyataan CREATE MODEL membuat dan melatih model bernama 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
WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
GROUP BY date

Klausa OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) menunjukkan bahwa Anda membuat model deret waktu berbasis ARIMA. Secara default, auto_arima=TRUE, sehingga algoritma auto.ARIMA akan otomatis menyesuaikan hyperparameter dalam model ARIMA_PLUS. Algoritma ini sesuai dengan beberapa model kandidat dan memilih model terbaik dengan kriteria informasi Akaike (AIC) terendah. Selain itu, karena defaultnya adalah data_frequency='AUTO_FREQUENCY', proses pelatihan akan otomatis menyimpulkan frekuensi data dari input deret waktu. Terakhir, pernyataan CREATE MODEL menggunakan decompose_time_series=TRUE secara default, sehingga bagian histori dan perkiraan dari deret waktu akan disimpan dalam model. Anda dapat menggunakan informasi ini untuk lebih memahami cara memperkirakan deret waktu dengan mengambil komponen deret waktu yang terpisah seperti periode musiman.

Jalankan kueri CREATE MODEL untuk membuat dan melatih model Anda:

1. Di konsol Google Cloud, klik tombol Compose new query.

2. Masukkan kueri GoogleSQL berikut di editor kueri.

   #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
   WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
   GROUP BY date
   

3. Klik Run.

   Kueri membutuhkan waktu sekitar 17 detik untuk selesai, setelah itu model Anda (nyc_citibike_arima_model) akan muncul di panel Explorer. Karena kueri tersebut menggunakan pernyataan CREATE MODEL untuk membuat model, tidak ada hasil kueri.

Catatan: Anda mungkin bertanya-tanya apakah hari libur di Amerika Serikat memengaruhi deret waktu. Anda dapat mencoba menambahkan holiday_region='US' ke daftar OPTIONS dalam kueri. Hal ini memungkinkan pemodelan yang lebih akurat pada titik waktu liburan di Amerika Serikat tersebut jika memang ada pola hari libur di Amerika Serikat dalam deret waktu.

Memperkirakan deret waktu dan memvisualisasikan hasilnya

Untuk menjelaskan cara perkiraan deret waktu, visualisasikan semua komponen deret waktu, seperti keadaan musiman dan tren, menggunakan fungsi ML.FORECAST.

Untuk melakukannya, ikuti langkah-langkah ini:

1. Di konsol Google Cloud, klik tombol Compose new query.

2. Masukkan kueri GoogleSQL berikut di editor kueri.

   #standardSQL
     SELECT
     forecast_timestamp AS forecast_timestamp,
     history_value AS history_value,
     forecast_value AS forecast_value
     FROM ( (
        SELECT
           DATE(forecast_timestamp) AS forecast_timestamp,
           NULL AS history_value,
           forecast_value AS forecast_value
        FROM
           ML.FORECAST(MODEL bqml_tutorial.`nyc_citibike_arima_model`,
           STRUCT(365 AS horizon,
              0.9 AS confidence_level)) )
     UNION ALL (
        SELECT
           DATE(date_name) AS forecast_timestamp,
           num_trips AS history_value,
           NULL AS forecast_value
        FROM (
           SELECT
           EXTRACT(DATE
           FROM
              starttime) AS date_name,
           COUNT(*) AS num_trips
           FROM
           `bigquery-public-data`.new_york.citibike_trips
           WHERE
           starttime > '2014-07-11'
           AND starttime < '2015-02-11'
           GROUP BY
           date_name ) ))
     ORDER BY
     forecast_timestamp
   

3. Klik Run. Hasil kueri mirip dengan berikut ini:

   

4. Gunakan Konsol Google Cloud untuk membuat diagram data deret waktu. Di panel Query results, klik tab Chart:

   

Diagram menunjukkan bahwa perkiraan nilai untuk total jumlah harian perjalanan Citi Bike adalah angka negatif, yang tidak berguna. Menggunakan model dengan batas akan meningkatkan data yang diperkirakan.

Membuat model deret waktu dengan batas

Membuat model deret waktu dengan batas, menggunakan data perjalanan NYC Citi Bike.

Kueri GoogleSQL berikut membuat model yang memperkirakan total perjalanan sepeda harian. Pernyataan CREATE MODEL membuat dan melatih model bernama bqml_tutorial.nyc_citibike_arima_model_with_limits. Satu-satunya perbedaan antara model ini dan model yang Anda buat sebelumnya adalah penambahan opsi forecast_limit_lower_bound=0. Opsi ini menyebabkan model hanya memperkirakan nilai yang lebih besar dari 0.

#standardSQL
CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_with_limits`
OPTIONS
  (model_type = 'ARIMA_PLUS',
   time_series_timestamp_col = 'date',
   time_series_data_col = 'num_trips',
   forecast_limit_lower_bound = 0
  ) AS
SELECT
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data`.new_york.citibike_trips
WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
GROUP BY date

Jalankan kueri CREATE MODEL untuk membuat dan melatih model Anda:

1. Di konsol Google Cloud, klik tombol Compose new query.

2. Masukkan kueri GoogleSQL berikut di editor kueri.

   #standardSQL
   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_with_limits`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
      time_series_timestamp_col = 'date',
      time_series_data_col = 'num_trips',
      forecast_limit_lower_bound = 0
     ) AS
   SELECT
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data`.new_york.citibike_trips
    WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
   GROUP BY date
   

3. Klik Run.

   Kueri membutuhkan waktu sekitar 17 detik untuk selesai, setelah itu model Anda (nyc_citibike_arima_model_with_limits) akan muncul di panel Explorer. Karena kueri tersebut menggunakan pernyataan CREATE MODEL untuk membuat model, tidak ada hasil kueri.

Catatan: Anda mungkin bertanya-tanya apakah hari libur di Amerika Serikat memengaruhi deret waktu. Anda dapat mencoba menambahkan holiday_region='US' ke daftar OPTIONS dalam kueri. Hal ini memungkinkan pemodelan yang lebih akurat pada titik waktu liburan di Amerika Serikat tersebut jika memang ada pola hari libur di Amerika Serikat dalam deret waktu.

Memperkirakan deret waktu menggunakan model dengan batas

1. Di konsol Google Cloud, klik tombol Compose new query.

2. Masukkan kueri GoogleSQL berikut di editor kueri.

   #standardSQL
     SELECT
     forecast_timestamp AS forecast_timestamp,
     history_value AS history_value,
     forecast_value AS forecast_value
     FROM ( (
        SELECT
           DATE(forecast_timestamp) AS forecast_timestamp,
           NULL AS history_value,
           forecast_value AS forecast_value
        FROM
           ML.FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model_with_limits`,
           STRUCT(365 AS horizon,
              0.9 AS confidence_level)) )
     UNION ALL (
        SELECT
           DATE(date_name) AS forecast_timestamp,
           num_trips AS history_value,
           NULL AS forecast_value
        FROM (
           SELECT
           EXTRACT(DATE
           FROM
              starttime) AS date_name,
           COUNT(*) AS num_trips
           FROM
           `bigquery-public-data`.new_york.citibike_trips
           WHERE
           starttime > '2014-07-11'
           AND starttime < '2015-02-11'
           GROUP BY
           date_name ) ))
     ORDER BY
     forecast_timestamp
   

3. Klik Run.

   

4. Gunakan Konsol Google Cloud untuk membuat diagram data deret waktu. Di panel Query results, klik tab Chart:

   

Model ARIMA PLUS mendeteksi bahwa jumlah total harian perjalanan Citi Bike menurun. Nilai perkiraan mendatang akan mengikuti tren ini dan memberikan angka perkiraan yang relatif lebih kecil di masa mendatang. Diagram menunjukkan bahwa nilai perkiraan untuk jumlah total harian perjalanan Citi Bike adalah angka positif, yang lebih berguna. Model dengan batas mendeteksi bahwa jumlah total harian perjalanan Citi Bike menurun, tetapi masih memberikan nilai perkiraan yang berarti.

Seperti yang ditampilkan dalam tutorial ini, opsi forecast_limit_lower_bound dan forecast_limit_upper_bound dapat membantu Anda mendapatkan nilai perkiraan yang lebih bermakna dalam skenario serupa dengan yang ditampilkan di sini, seperti saat memperkirakan harga saham atau angka penjualan mendatang.

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 konsol Google 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 berbagai arsitektur, tutorial, atau panduan memulai, menggunakan kembali project dapat membantu agar Anda tidak melampaui batas kuota project.

1. Di konsol Google Cloud, buka halaman Manage resource.

   Buka Manage resource

2. Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
3. Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

Langkah berikutnya

• Pelajari cara melakukan beberapa perkiraan deret waktu dengan satu kueri dari data perjalanan NYC Citi Bike.
• Pelajari cara mempercepat ARIMA_PLUS untuk mengaktifkan perkiraan deret waktu 1 juta dalam jam.
• Untuk mempelajari machine learning lebih lanjut, lihat Kursus singkat machine learning.
• Untuk ringkasan BigQuery ML, lihat Pengantar BigQuery ML.
• Untuk mempelajari konsol Google Cloud lebih lanjut, lihat Menggunakan konsol Google Cloud.