Prognostizierte Werte für ein Zeitachsenmodell beschränken

In dieser Anleitung erfahren Sie, wie Sie mithilfe von Limits die prognostizierten Ergebnisse eingrenzen, die von einem Zeitachsenmodell zurückgegeben werden. In dieser Anleitung erstellen Sie zwei Zeitachsenmodelle, die dieselben Daten nutzen. Ein Modell verwendet Limits und ein Modell verwendet keine Limits. So können Sie die von den Modellen zurückgegebenen Ergebnisse vergleichen und den Unterschied verstehen, den die Angabe von Limits bewirkt.

Sie verwenden die new_york.citibike_trips-Daten zum Trainieren der Modelle in dieser Anleitung. Dieser Datensatz enthält Informationen zu Citi Bike-Fahrten in New York City.

Bevor Sie diese Anleitung durcharbeiten, sollten Sie mit den Prognosen für einzelne Zeitachsen vertraut sein. Eine Einführung in dieses Thema finden Sie in der Anleitung Prognosen für einzelne Zeitachsen für Google Analytics-Daten durchführen.

Erforderliche Berechtigungen

• Sie benötigen die IAM-Berechtigung bigquery.datasets.create, um das Dataset zu erstellen.

• Zum Erstellen der Verbindungsressource benötigen Sie die folgenden Berechtigungen:

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

• Zum Erstellen des Modells benötigen Sie die folgenden Berechtigungen:

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

• Zum Ausführen von Inferenzen benötigen Sie die folgenden Berechtigungen:

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

Weitere Informationen zu IAM-Rollen und Berechtigungen in BigQuery finden Sie unter Einführung in IAM.

Ziele

In dieser Anleitung verwenden Sie Folgendes:

• Die CREATE MODEL-Anweisung zum Erstellen eines Zeitachsenmodells.
• Die ML.FORECAST-Funktion zur Prognose der täglichen Gesamtbesuche.

Kosten

In dieser Anleitung werden kostenpflichtige Komponenten von Google Cloud verwendet, 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.

Hinweise

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. Enable the BigQuery API.

   Enable the API

5. 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

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

7. 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.

     

Die zu prognostizierenden Zeitachsen visualisieren

Schauen Sie sich Ihre Eingabezeitachse genau an, bevor Sie das Modell erstellen.

In der folgenden Abfrage gibt die FROM bigquery-public-data.new_york.citibike_trips-Klausel an, dass Sie die Tabelle citibike_trips im Dataset new_york abfragen.

In der SELECT-Anweisung verwendet die Abfrage die EXTRACT-Funktion, um die Datumsinformationen aus der Spalte starttime zu extrahieren. Die Abfrage verwendet die COUNT(*)-Klausel, um die Gesamtzahl der Citi Bike-Touren pro Tag abzurufen.

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

Die Abfrage führen Sie so aus:

1. Klicken Sie in der Google Cloud Console auf Neue Abfrage erstellen.

2. Geben Sie im Abfrageeditor die folgende GoogleSQL-Abfrage ein.

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

3. Klicken Sie auf Ausführen. Die Abfrageergebnisse sehen in etwa so aus:

   

4. Verwenden Sie die Google Cloud Console, um die Zeitachsendaten grafisch darzustellen. Klicken Sie im Bereich Abfrageergebnisse auf den Tab Diagramm. Wählen Sie im Bereich Diagrammkonfiguration für Diagrammtyp die Option Balkendiagramm aus:

   

Zeitachsenmodell erstellen

Erstellen Sie ein Zeitachsenmodell mit den Daten der NYC Citi Bike-Fahrten.

Die folgende GoogleSQL-Abfrage erstellt ein Modell, das die täglichen Gesamtreisen prognostiziert. Die CREATE MODEL-Anweisung erstellt und trainiert ein Modell mit dem Namen 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',
    time_series_id_col = 'start_station_id')
AS
SELECT
  EXTRACT(DATE FROM starttime) AS date,
  COUNT(*) AS num_trips,
  start_station_id
FROM
  `bigquery-public-data`.new_york.citibike_trips
WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
GROUP BY date, start_station_id;

Die OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...)-Anweisung gibt an, dass Sie ein ARIMA-basiertes Zeitachsenmodell erstellen. Standardmäßig wird auto_arima=TRUE verwendet, sodass der auto.ARIMA-Algorithmus die Hyperparameter in ARIMA_PLUS-Modellen automatisch abstimmt. Der Algorithmus passt Dutzende von Kandidatenmodellen an und wählt das beste Modell mit dem niedrigsten Akaike-Informationskriterium (AIC) aus. Da der Standardwert data_frequency='AUTO_FREQUENCY' ist, leitet der Trainingsprozess außerdem automatisch die Datenhäufigkeit der Eingabezeitachse ab. Die CREATE MODEL-Anweisung verwendet standardmäßig decompose_time_series=TRUE, sodass sowohl der Verlauf als auch die Prognoseteile der Zeitachse im Modell gespeichert werden. Wenn Sie den Parameter time_series_id_col = 'start_station_id' festlegen, passt das Modell mehrere Zeitachsen mit einer einzigen Abfrage basierend auf start_station_id an und prognostiziert diese. Anhand dieser Informationen können Sie die Prognose der Zeitachsen besser verstehen, indem Sie die separaten Zeitachsenkomponenten wie beispielsweise saisonale Zeiträume abrufen.

Führen Sie die CREATE MODEL-Abfrage aus, um Ihr Modell zu erstellen und zu trainieren:

1. Klicken Sie in der Google Cloud Console auf Neue Abfrage erstellen.

2. Geben Sie im Abfrageeditor die folgende GoogleSQL-Abfrage ein.

   #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',
     time_series_id_col = 'start_station_id')
   AS
   SELECT
   EXTRACT(DATE FROM starttime) AS date,
   COUNT(*) AS num_trips,
   start_station_id
   FROM
   `bigquery-public-data`.new_york.citibike_trips
   WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
   GROUP BY date, start_station_id;

3. Klicken Sie auf Ausführen.

   Die Abfrage dauert ungefähr 80 Sekunden. Anschließend wird das Modell (nyc_citibike_arima_model) im Bereich Explorer angezeigt. Da die Abfrage eine CREATE MODEL-Anweisung zum Erstellen eines Modells verwendet, gibt es keine Abfrageergebnisse.

Hinweis: Sie fragen sich vielleicht, ob sich Feiertage in den USA auf die Zeitachsen auswirken. Sie können versuchen, der Liste OPTIONS in der Abfrage holiday_region='US' hinzuzufügen. Dies ermöglicht eine genauere Modellierung der Feiertagszeitpunkte in den USA, wenn in der Zeitachse tatsächlich US-Feiertagsmuster vorhanden sind.

Zeitachsen prognostizieren und die Ergebnisse visualisieren

Sie können erklären, wie die Zeitreihe prognostiziert wird, indem Sie alle Teilzeitkomponenten-Komponenten wie Saisonalität und Trend mithilfe der Funktion ML.FORECAST visualisieren.

Gehen Sie hierzu folgendermaßen vor:

1. Klicken Sie in der Google Cloud Console auf Neue Abfrage erstellen.

2. Geben Sie im Abfrageeditor die folgende GoogleSQL-Abfrage ein.

   #standardSQL
   SELECT
   forecast_timestamp AS forecast_timestamp,
   start_station_id AS start_station_id,
   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,
        start_station_id AS start_station_id,
        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,
        start_station_id AS start_station_id,
        FROM
        (
           SELECT
              EXTRACT(DATE FROM starttime) AS date_name,
              COUNT(*) AS num_trips,
              start_station_id AS start_station_id
           FROM
              `bigquery-public-data`.new_york.citibike_trips
           WHERE
              starttime > '2014-07-11'
              AND starttime < '2015-02-11'
           GROUP BY
              date_name, start_station_id
        )
     )
   )
   WHERE start_station_id = 79
   ORDER BY
   forecast_timestamp, start_station_id

3. Klicken Sie auf Ausführen. Die Abfrageergebnisse sehen in etwa so aus:

   

4. Verwenden Sie die Google Cloud Console, um die Zeitachsendaten grafisch darzustellen. Klicken Sie im Bereich Abfrageergebnisse auf den Tab Diagramm:

   

Das Diagramm zeigt, dass die prognostizierten Werte für die tägliche Gesamtzahl der Citi Bike-Fahrten bei start_station_id=79 negativ sind. Dies ist nicht hilfreich. Durch die Verwendung eines Modells mit Limits werden die prognostizierten Daten stattdessen verbessert.

Zeitachsenmodell mit Limits erstellen

Mit den Daten von NYC Citi Bike-Fahrten ein Zeitachsenmodell mit Limits erstellen.

Die folgende GoogleSQL-Abfrage erstellt ein Modell, das die täglichen Gesamtreisen prognostiziert. Die CREATE MODEL-Anweisung erstellt und trainiert ein Modell mit dem Namen bqml_tutorial.nyc_citibike_arima_model_with_limits. Der Hauptunterschied zwischen diesem und dem zuvor erstellten Modell ist die Ergänzung der Option forecast_limit_lower_bound=0. Mit dieser Option prognostiziert das Modell nur Werte größer als 0, basierend auf den Werten in der durch das Argument time_series_data_col angegebenen Spalte, in diesem Fall num_trips.

#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',
      time_series_id_col = 'start_station_id',
      forecast_limit_lower_bound = 0)
   AS
   SELECT
   EXTRACT(DATE FROM starttime) AS date,
   COUNT(*) AS num_trips,
   start_station_id
   FROM
   `bigquery-public-data`.new_york.citibike_trips
   WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
   GROUP BY date, start_station_id;

Führen Sie die CREATE MODEL-Abfrage aus, um Ihr Modell zu erstellen und zu trainieren:

1. Klicken Sie in der Google Cloud Console auf Neue Abfrage erstellen.

2. Geben Sie im Abfrageeditor die folgende GoogleSQL-Abfrage ein.

   #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',
     time_series_id_col = 'start_station_id',
     forecast_limit_lower_bound = 0)
   AS
   SELECT
   EXTRACT(DATE FROM starttime) AS date,
   COUNT(*) AS num_trips,
   start_station_id
   FROM
   `bigquery-public-data`.new_york.citibike_trips
   WHERE starttime > '2014-07-11' AND starttime < '2015-02-11'
   GROUP BY date, start_station_id;

3. Klicken Sie auf Ausführen.

   Die Abfrage dauert ungefähr 100 Sekunden. Anschließend wird das Modell (nyc_citibike_arima_model_with_limits) im Bereich Explorer angezeigt. Da die Abfrage eine CREATE MODEL-Anweisung zum Erstellen eines Modells verwendet, gibt es keine Abfrageergebnisse.

Hinweis: Sie fragen sich vielleicht, ob sich Feiertage in den USA auf die Zeitachsen auswirken. Sie können versuchen, der Liste OPTIONS in der Abfrage holiday_region='US' hinzuzufügen. Dies ermöglicht eine genauere Modellierung der Feiertagszeitpunkte in den USA, wenn in der Zeitachse tatsächlich US-Feiertagsmuster vorhanden sind.

Zeitachsen mithilfe des Modells mit Limits prognostizieren

1. Klicken Sie in der Google Cloud Console auf Neue Abfrage erstellen.

2. Geben Sie im Abfrageeditor die folgende GoogleSQL-Abfrage ein.

   #standardSQL
   SELECT
   forecast_timestamp AS forecast_timestamp,
   start_station_id AS start_station_id,
   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,
        start_station_id AS start_station_id,
        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,
        start_station_id AS start_station_id,
        FROM
        (
           SELECT
              EXTRACT(DATE FROM starttime) AS date_name,
              COUNT(*) AS num_trips,
              start_station_id AS start_station_id
           FROM
              `bigquery-public-data`.new_york.citibike_trips
           WHERE
              starttime > '2014-07-11'
              AND starttime < '2015-02-11'
           GROUP BY
              date_name, start_station_id
        )
     )
   )
   WHERE start_station_id = 79
   ORDER BY
   forecast_timestamp, start_station_id
   ORDER BY
   forecast_timestamp,start_station_id

3. Klicken Sie auf Ausführen.

   

4. Verwenden Sie die Google Cloud Console, um die Zeitachsendaten grafisch darzustellen. Klicken Sie im Bereich Abfrageergebnisse auf den Tab Diagramm:

   

Das ARIMA PLUS-Modell erkennt, dass die Gesamtzahl der Citi Bike-Touren bei start_station_id=79 pro Tag sinkt. Zukünftige Prognosewerte folgen diesem Trend und geben relativ kleinere Prognosezahlen in der Zukunft an. Das Diagramm zeigt, dass die prognostizierten Werte für die Gesamtzahl der Citi Bike-Touren bei start_station_id=79 positiv sind. Dies ist nützlicher. Das Modell mit Limits erkennt, dass die tägliche Gesamtzahl der Citi Bike-Fahrten bei start_station_id=79 abnimmt, aber weiterhin aussagekräftige Prognosewerte liefert.

Wie in dieser Anleitung gezeigt, können Sie mit den Optionen forecast_limit_lower_bound und forecast_limit_upper_bound aussagekräftigere Prognosewerte als in diesem Beispiel abrufen, z. B. bei der Prognose von Aktienkursen oder zukünftigen Verkaufszahlen.

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 der Google Cloud Console 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

• Prognosen für mehrere Zeitachsen mit einer einzigen Abfrage für „NYC Citi Bike“-Fahrten durchführen
• Erfahren Sie, wie Sie ARIMA_PLUS beschleunigen, um eine Million Zeitachsen innerhalb von Stunden zu prognostizieren.
• Mehr über das maschinelle Lernen im Machine Learning Crash Course erfahren
• Eine Übersicht über BigQuery ML finden Sie unter Einführung in BigQuery ML.
• Weitere Informationen zur Google Cloud Console finden Sie unter Google Cloud Console verwenden.