Zeitreihenprognosen durchführen

Mit der Funktion ai.forecast in AlloyDB for PostgreSQL können Sie Zeitreihenprognosen direkt für Ihre Datenbankdaten mit SQL ausführen. Sie können Prognosemodelle wie TimesFM oder jedes Modell, das mit dem Modelltyp ts_forecasting registriert ist, registrieren und aufrufen, um zukünftige Trends anhand von Verlaufsdaten vorherzusagen. Weitere Informationen zur TimesFM-Architektur finden Sie im TimesFM-Forschungsblog.

Hinweis

Bevor Sie Zeitreihenprognosen erstellen können, müssen Sie die Prognosefunktion in AlloyDB aktivieren und ein Modell registrieren.

Prognosemodell registrieren

Sie können verschiedene Prognosemodelle mit AlloyDB verwenden.

In diesem Abschnitt finden Sie eine Anleitung zum Registrieren des TimesFM-Modells. Eine Anleitung zum Registrieren anderer Modelle finden Sie unter Modellendpunkt bei der Endpunktverwaltung registrieren.

TimesFM-Modell verwenden

TimesFM-Modelle sind in den folgenden Versionen verfügbar:

  • TimesFM 1.0: die ursprüngliche Version des TimesFM-Modells.

  • TimesFM 2.0: Diese Version enthält einen Prüfpunkt mit 500 Millionen Parametern und den zugehörigen Inferenzcode. Es bietet eine bessere Modellleistung als das 1.0-Modell.

  • TimesFM 2.5: Diese Version enthält einen Prüfpunkt mit 200 Mio. Parametern und den zugehörigen Inferenzcode. Es bietet eine bessere Modellleistung als das 2.0-Modell.

Alle Modelle sind in Model Garden für eine schnelle Bereitstellung verfügbar.

Wenn Sie TimesFM-Modelle verwenden möchten, müssen Sie das TimesFM-Modell zuerst auf einem Gemini Enterprise Agent Platform-Endpunkt bereitstellen und dann in AlloyDB registrieren.

TimesFM-Modell auf einem Agent Platform-Endpunkt bereitstellen

Sie können das Modell mit einem Klick über die Google Cloud Console oder manuell über ein Colaboratory-Notebook bereitstellen.

Bereitstellung mit nur einem Klick

So stellen Sie das TimesFM-Modell mit einem Klick bereit:

  1. Rufen Sie in der Google Cloud Console die Seite Model Garden auf:

    Zu Model Garden
  2. Geben Sie im Feld Suchen den Wert TimesFM ein.
  3. Klicken Sie in den Suchergebnissen auf TimesFM.
  4. Führen Sie auf der Seite TimesFM die folgenden Schritte aus:

    1. Klicken Sie auf Modell bereitstellen.
    2. Wählen Sie Agent Platform aus.
  5. Konfigurieren und stellen Sie Ihr Modell im Bereich Auf der Agent Platform bereitstellen bereit:

    1. Wenn Sie die neueste Version des TimesFM-Modells verwenden möchten, wählen Sie im Drop-down-Menü Ressourcen-ID die Option google/timesfm-2.0 aus.
    2. Geben Sie Folgendes ein, um die Bereitstellung später leichter identifizieren zu können:
      1. Geben Sie unter Modellname einen eindeutigen MODEL_NAME ein.
      2. Geben Sie im Feld Endpunktname einen eindeutigen ENDPOINT_NAME ein.
    3. Klicken Sie unter Bereitstellungseinstellungen auf Erweitert, um die Konfigurationsoptionen zu maximieren.
      1. Wählen Sie im Drop-down-Menü Region die Region aus, in der sich Ihre AlloyDB-Instanz befindet, um die Latenz so gering wie möglich zu halten.
      2. Wählen Sie im Drop-down-Menü Maschinenspezifikation eine geeignete Maschinenspezifikation aus, um die beste Leistung zu erzielen. Beachten Sie, dass eine GPU oder TPU möglicherweise eine geringere Latenz bietet.
    4. Wählen Sie im Drop-down-Menü Endpunktzugriff unter Verfügbarkeitsrichtlinien die Option Öffentlich (freigegebener Endpunkt) aus.

      Dadurch wird ein Endpunkt in der Domain aiplatform erstellt, der mit AlloyDB funktioniert.

    5. Klicken Sie auf Bereitstellen, um das Modell auf einem verwalteten Endpunkt bereitzustellen. Die Bereitstellung kann etwa 10–15 Minuten dauern.
  6. Nachdem das TimesFM-Modell bereitgestellt wurde, wird unter Endpunkte ein Link ähnlich wie google_timesfm-VERSION-one-click-deploy angezeigt.
  7. Klicken Sie unter Endpunkte auf den Bereitstellungslink, um die URL für die Modellanfrage abzurufen.
  8. Klicken Sie auf der Seite mit den Endpunktdetails auf Beispielanfrage.
  9. Suchen Sie im Bereich Beispielanfrage nach der URL der Modellanfrage und notieren Sie sie. Diese Informationen verwenden Sie unter TimesFM-Modell in AlloyDB registrieren, z. B. https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict.

    Die Anfrage-URL muss aiplatform.googleapis.com enthalten.

Manuelle Bereitstellung

So stellen Sie das TimesFM-Modell manuell mit einem Colaboratory-Notebook bereit:

  1. Rufen Sie in der Google Cloud Console die Seite Model Garden auf:

    Zu Model Garden
  2. Geben Sie im Feld Suchen den Wert TimesFM ein.
  3. Klicken Sie in den Suchergebnissen auf TimesFM, um die Modellkarte zu öffnen.
  4. Klicken Sie auf der Seite TimesFM auf CO Open Notebook.
  5. Klicken Sie im Fenster Notebook öffnen auf den Link Colab Enterprise für TimesFM 2.0.
  6. Führen Sie auf der Seite Collab Enterprise die folgenden Schritte aus:

    1. Klicken Sie auf Verbinden, um eine Verbindung zur Laufzeitumgebung herzustellen.
    2. Optional: Führen Sie bei Bedarf die folgenden Schritte aus:

      • Legen Sie im Abschnitt Voraussetzungen von Google Cloud-Projekt einrichten die Werte für BUCKET_URI und REGION fest, z. B. BUCKET_URI auf gs://your-unique-bucket-name und REGION auf us-central1.

      • Wählen Sie im Drop-down-Menü accelerator_type von TimesFM auf einem Vertex AI-Endpunkt bereitstellen bei Bedarf einen anderen Beschleunigertyp aus.
      • Füllen Sie in Schritt 3: Maximalen Prognosezeitraum festlegen die Felder horizon und max_context aus. Setzen Sie beispielsweise horizon auf 128 und max_context auf 512.
    3. Heben Sie die Auswahl des Kästchens use_dedicated_endpoint auf.
    4. Führen Sie alle Zellen im Notebook aus.

    Die Ausgabe des Notebooks enthält die Endpunktdetails im folgenden Format: projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID.

  7. Ersetzen Sie die Projekt- und Endpunktkennungen durch die Endpunktdetails aus dem vorherigen Schritt, um den model_request_url für den Aufruf zur Erstellung des SQL-Modells zu erstellen:

    CALL google_ml.create_model(
     model_id => 'timesfm_v2',
     model_qualified_name => 'timesfm_v2',
     model_type => 'ts_forecasting',
     model_provider => 'google',
     model_request_url => 'https://REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict');

    Sie benötigen diesen model_request_url im google_ml.create_model-Aufruf, wenn Sie das TimesFM-Modell in AlloyDB registrieren, wie im folgenden Abschnitt beschrieben.

  8. Führen Sie die folgende Beispielabfrage aus, um zu prüfen, ob die Funktion ai.forecast wie erwartet funktioniert:

    SELECT * FROM ai.forecast(
       source_query=> '
         SELECT my_timestamp, my_data_value FROM (
           VALUES
             (CAST(''2025-01-01'' AS TIMESTAMP), 10.0),
             (CAST(''2025-01-02'' AS TIMESTAMP), 12.0),
             (CAST(''2025-01-03'' AS TIMESTAMP), 11.0),
             (CAST(''2025-01-04'' AS TIMESTAMP), 13.0),
             (CAST(''2025-01-05'' AS TIMESTAMP), 15.0),
             (CAST(''2025-01-06'' AS TIMESTAMP), 14.0),
             (CAST(''2025-01-07'' AS TIMESTAMP), 16.0),
             (CAST(''2025-01-08'' AS TIMESTAMP), 18.0),
             (CAST(''2025-01-09'' AS TIMESTAMP), 17.0),
             (CAST(''2025-01-10'' AS TIMESTAMP), 20.0)
           ) AS t (my_timestamp, my_data_value)
         ' ,
       model_id => 'timesfm_v2',
       data_col => 'my_data_value',
       timestamp_col => 'my_timestamp',
    
       -- The rest of the parameters are the same
       horizon => 7,
       conf_level => 0.80
    );

TimesFM-Modell in AlloyDB registrieren

So registrieren Sie das TimesFM-Modell in AlloyDB:

  1. Prüfen Sie, ob die Erweiterung google_ml_integration in der AlloyDB-Datenbank installiert ist, die die Daten enthält, für die Sie Vorhersagen erhalten möchten.

  2. Prüfen Sie, ob Sie die Version 1.4.5 oder höher der Erweiterung google_ml_integration installiert haben.

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
    

    Hier ein Beispiel für eine Ausgabe:

    extversion
    ------------
    1.4.5
    (1 row)
    
  3. Rufen Sie google_ml.create_model mit der Modell-Anfrage-URL auf, die Sie sich unter Prognosemodell registrieren notiert haben.

    CALL
    google_ml.create_model(
      model_id => 'MODEL_ID',
      model_qualified_name => 'MODEL_QUALIFIED_NAME',
      model_type => 'ts_forecasting',
      model_provider => 'google',
      model_request_url => 'https://REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict' -- Example endpoint from Model Garden
      );
    

    Ersetzen Sie Folgendes:

    • MODEL_ID: Eine eindeutige Kennung für das registrierte Modell, das Sie für die Prognose verwenden möchten, z. B. vertex_timesfm.

    • MODEL_QUALIFIED_NAME: Ein benutzerdefinierter Name für das Modell, z. B. timesfm_v2.

    • REGION: Die Region, in der sich die Instanz befindet, z. B. us-central1.

    • PROJECT_ID: der Name des Projekts, in dem das Modell bereitgestellt wird, z. B. forecast_project.

    • ENDPOINT_ID: der Name der Modellbereitstellung, z. B. my-timesfm-endpoint.

      Die model_request_url wird von der Agent Platform bereitgestellt, nachdem Sie Ihr Modell bereitgestellt haben. Kopieren Sie die gesamte URL aus dem Bereich Beispielanfrage in der Agent Platform-Konsole. Sie enthält bereits die richtigen Projekt- und Endpunktinformationen.

Prognosen erstellen

Nachdem Sie das TimesFM-Modell registriert und das erforderliche Flag aktiviert haben, können Sie Prognosen generieren, indem Sie entweder eine Quelltabelle oder eine Abfrage mit Ihren Zeitreihendaten übergeben.

Die Funktion ai.forecast wird separat dokumentiert. Eine vollständige Liste der Parameter, einschließlich ihrer Beschreibungen und Beispiele, finden Sie in der Referenz zur Endpunktverwaltung von Modellen.

Prognosen aus einer Quelltabelle generieren

Im folgenden Beispiel wird gezeigt, wie die Funktion ai.forecast mit einer Quelltabelle aufgerufen wird, um Vorhersagen zu generieren:

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_table => 'time_series_data',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

Prognosen aus einer Abfrage generieren

Im folgenden Beispiel wird gezeigt, wie Sie Prognosen generieren, indem Sie die Funktion ai.forecast mit einer Unterabfrage als Datenquelle aufrufen:

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_query => 'SELECT * FROM time_series_data ORDER BY timestamp LIMIT 10',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

Andere Prognosemodelle verwenden

Sie können die Funktion ai.forecast mit jedem anderen Zeitreihenprognosemodell verwenden, das Sie in AlloyDB registrieren. Wichtig ist, dass Ihr Modell mit dem Modelltyp ts_forecasting registriert ist.

Eine ausführliche Anleitung zum Registrieren verschiedener Modelltypen finden Sie unter Remote-KI-Modelle mit der Modellendpunktverwaltung registrieren und aufrufen. Sobald Ihr Modell registriert ist, können Sie es mit der Funktion ai.forecast verwenden, indem Sie die entsprechende model_id angeben.

Nächste Schritte