ביצוע חיזוי של סדרת זמנים

הפונקציה ai.forecast ב-AlloyDB ל-PostgreSQL מאפשרת להריץ תחזיות של סדרות עתיות ישירות על הנתונים במסד הנתונים באמצעות SQL. אתם יכולים לרשום ולקרוא למודלים של חיזוי כמו TimesFM או כל מודל שרשום עם סוג המודל ts_forecasting כדי לחזות מגמות עתידיות על סמך נתונים היסטוריים. מידע נוסף על הארכיטקטורה של TimesFM זמין בבלוג המחקר של TimesFM.

לפני שמתחילים

כדי לבצע חיזוי של סדרות זמנים, צריך להפעיל את תכונת החיזוי ב-AlloyDB ולרשום מודל.

רישום של מודל חיזוי

אתם יכולים להשתמש במודלים שונים של חיזוי ב-AlloyDB.

בקטע הזה מוסבר איך לרשום את המודל TimesFM. הוראות לרישום מודלים אחרים מפורטות במאמר רישום נקודת קצה של מודל באמצעות ניהול נקודות קצה של מודלים.

שימוש במודל TimesFM

המודלים של TimesFM זמינים בגרסאות הבאות:

  • ‫TimesFM 1.0: הגרסה הראשונית של מודל TimesFM.

  • ‫TimesFM 2.0: הגרסה הזו מכילה נקודת ביקורת של 500 מיליון פרמטרים עם קוד ההסקה שלה. הוא מספק ביצועים טובים יותר בהשוואה למודל 1.0.

  • ‫TimesFM 2.5: הגרסה הזו מכילה נקודת ביקורת של 200 מיליון פרמטרים עם קוד ההסקה שלה. הוא מספק ביצועים טובים יותר בהשוואה למודל 2.0.

כל המודלים זמינים ב-Model Garden לפריסה מהירה.

כדי להשתמש במודלים של TimesFM, קודם צריך לפרוס את המודל של TimesFM בנקודת קצה (endpoint) של Gemini Enterprise Agent Platform, ואז לרשום אותו ב-AlloyDB.

פריסת המודל TimesFM בנקודת קצה של Agent Platform

אתם יכולים לפרוס את המודל בלחיצה אחת ממסוף Google Cloud , או באופן ידני באמצעות notebook של Colaboratory.

פריסה בלחיצה אחת

כדי לפרוס את המודל TimesFM בלחיצה אחת:

  1. נכנסים לדף Model Garden במסוף Google Cloud :

    כניסה ל-Model Garden
  2. בשדה חיפוש, מזינים TimesFM.
  3. בתוצאות החיפוש, לוחצים על TimesFM.
  4. בדף TimesFM, מבצעים את הפעולות הבאות:

    1. לוחצים על Deploy model.
    2. בוחרים באפשרות Agent Platform.
  5. בחלונית Deploy on Agent Platform, מגדירים ופורסים את המודל:

    1. כדי להשתמש בגרסה העדכנית של מודל TimesFM, בתפריט הנפתח Resource ID בוחרים באפשרות google/timesfm-2.0.
    2. כדי שיהיה קל יותר לזהות את הפריסה בהמשך, מזינים את הפרטים הבאים:
      1. בשדה שם המודל, מזהה ייחודי MODEL_NAME.
      2. בשדה Endpoint name, מזינים שם ייחודי ל-ENDPOINT_NAME.
    3. כדי להרחיב את אפשרויות ההגדרה, בקטע Deployment settings לוחצים על Advanced.
      1. כדי להבטיח זמן אחזור קצר ככל האפשר, בתפריט הנפתח Region בוחרים את אותו אזור שבו נמצא המכונה של AlloyDB.
      2. כדי לקבל את הביצועים הכי טובים, בתפריט הנפתח Machine spec בוחרים את מפרט המכונה המתאים. חשוב לזכור ש-GPU או TPU יכולים להציע זמן אחזור קצר יותר.
    4. בתפריט הנפתח Endpoint access שבקטע Availability policies, בוחרים באפשרות Public (Shared endpoint).

      כך נוצרת נקודת קצה בדומיין aiplatform שפועלת עם AlloyDB.

    5. כדי לפרוס את המודל בנקודת קצה מנוהלת, לוחצים על Deploy. הפריסה עשויה להימשך כ-10 עד 15 דקות.
  6. אחרי פריסת המודל של TimesFM, קישור שדומה ל-google_timesfm-VERSION-one-click-deploy מופיע ב-Endpoints.
  7. כדי לקבל את כתובת ה-URL של בקשת המודל, לוחצים על הקישור לפריסה בקטע Endpoints.
  8. בדף הפרטים של נקודת הקצה, לוחצים על בקשה לדוגמה.
  9. בחלונית Sample request, מאתרים את כתובת ה-URL של בקשת המודל ורושמים אותה. אתם משתמשים במידע הזה ברישום של מודל TimesFM ב-AlloyDB – לדוגמה, https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict.

    מוודאים שכתובת ה-URL של הבקשה כוללת את aiplatform.googleapis.com.

פריסה ידנית

כדי לפרוס ידנית את המודל TimesFM באמצעות קובץ Notebook של Colaboratory:

  1. נכנסים לדף Model Garden במסוף Google Cloud :

    כניסה ל-Model Garden
  2. בשדה חיפוש, מזינים TimesFM.
  3. בתוצאות החיפוש, לוחצים על TimesFM כדי לפתוח את כרטיס המודל.
  4. בדף TimesFM, לוחצים על CO Open Notebook.
  5. בחלון Open Notebook, לוחצים על הקישור Collab Enterprise של TimesFM 2.0.
  6. בדף Collab Enterprise, מבצעים את הפעולות הבאות:

    1. כדי ליצור חיבור לסביבת זמן הריצה, לוחצים על Connect.
    2. אופציונלי: מבצעים את השלבים הבאים לפי הצורך:

      • בקטע Prerequisites של Setup Google Cloud project, מגדירים את BUCKET_URI ו-REGION – לדוגמה, מגדירים את BUCKET_URI ל-gs://your-unique-bucket-name ואת REGION ל-us-central1.

      • בתפריט הנפתח accelerator_type של Deploy TimesFM to a Vertex AI Endpoint, בוחרים סוג אחר של מאיץ, אם צריך.
      • ב-Step 3: Set the maximum forecast horizon, ממלאים את השדות horizon ו-max_context. לדוגמה, מגדירים את horizon ל-128 ואת max_context ל-512.
    3. מבטלים את הסימון בתיבה use_dedicated_endpoint.
    4. מריצים את כל התאים ב-Notebook.

    הפלט של ה-notebook מספק את פרטי נקודת הקצה בפורמט הבא: projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID.

  7. כדי ליצור את model_request_url לקריאה ליצירת מודל SQL, מחליפים את מזהי הפרויקט ונקודת הקצה בפרטי נקודת הקצה מהשלב הקודם, באופן הבא:

    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');

    צריך את ה-model_request_url הזה בקריאה ל-google_ml.create_model כשרושמים את המודל TimesFM ב-AlloyDB, כמו שמתואר בקטע הבא.

  8. כדי לוודא שהפונקציה ai.forecast פועלת כמו שצריך, מריצים את השאילתה הבאה לדוגמה:

    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
    );

רישום המודל TimesFM ב-AlloyDB

כדי לרשום את המודל TimesFM ב-AlloyDB:

  1. מוודאים שהתוסף google_ml_integration מותקן במסד הנתונים של AlloyDB שמכיל את הנתונים שרוצים להריץ עליהם חיזויים.

  2. מוודאים שמותקנת גרסה 1.4.5 ואילך של התוסף google_ml_integration.

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
    

    הפלט לדוגמה:

    extversion
    ------------
    1.4.5
    (1 row)
    
  3. מפעילים את google_ml.create_model באמצעות כתובת ה-URL של בקשת המודל שציינתם ברישום מודל חיזוי.

    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
      );
    

    מחליפים את מה שכתוב בשדות הבאים:

    • ‫MODEL_ID: מזהה ייחודי של המודל הרשום שבו רוצים להשתמש לחיזוי, לדוגמה vertex_timesfm.

    • ‫MODEL_QUALIFIED_NAME: שם שהמשתמש הגדיר למודל, לדוגמה timesfm_v2.

    • ‫REGION: האזור שבו נמצאת המכונה, לדוגמה us-central1.

    • ‫PROJECT_ID: שם הפרויקט שבו המודל פרוס, לדוגמה forecast_project.

    • ‫ENDPOINT_ID: שם פריסת המודל, לדוגמה my-timesfm-endpoint.

      הערך של model_request_url מסופק על ידי Agent Platform אחרי שפורסים את המודל. מעתיקים את כתובת ה-URL המלאה מהחלונית Sample request (בקשה לדוגמה) במסוף Agent Platform. הוא כבר מכיל את פרטי הפרויקט ונקודת הקצה הנכונים.

יצירת תחזיות

אחרי שרושמים את מודל TimesFM ומפעילים את הדגל הנדרש, אפשר ליצור תחזיות על ידי העברת טבלת מקור או שאילתה עם נתוני סדרת הזמנים.

הפונקציה ai.forecast מתועדת בנפרד. רשימה מלאה של הפרמטרים, כולל תיאורים ודוגמאות, מופיעה בחומר העזר בנושא ניהול נקודות קצה של מודלים.

יצירת תחזיות מטבלת מקור

בדוגמה הבאה מוסבר איך להפעיל את הפונקציה ai.forecast באמצעות טבלת מקור כדי ליצור חיזויים:

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
);

איך יוצרים תחזיות משאילתה

בדוגמה הבאה מוסבר איך ליצור תחזיות באמצעות קריאה לפונקציה ai.forecast, תוך שימוש בשאילתת משנה כמקור הנתונים:

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
);

שימוש במודלים אחרים של חיזוי

אפשר להשתמש בפונקציה ai.forecast עם כל מודל אחר לחיזוי סדרות זמנים שרשום ב-AlloyDB. העיקר הוא לוודא שהמודל רשום עם סוג המודל ts_forecasting.

הוראות מפורטות לרישום סוגים שונים של מודלי AI זמינות במאמר רישום וקריאה למודלים מרוחקים של AI באמצעות ניהול נקודות קצה של מודלים. אחרי שרושמים את המודל, אפשר להשתמש בו עם הפונקציה ai.forecast על ידי ציון ה-model_id שלו.

המאמרים הבאים