本頁面由 Cloud Translation API 翻譯而成。

使用多變數模型預測多個時間序列

本教學課程說明如何使用多元時間序列模型，根據多個輸入特徵的歷史值，預測特定資料欄的未來值。

本教學課程會預測多個時間序列。系統會針對一或多個指定資料欄中的每個值，計算每個時間點的預測值。舉例來說，如果您想預測天氣，並指定包含州別資料的資料欄，預測資料會包含州別 A 所有時間點的預測值，接著是州別 B 所有時間點的預測值，依此類推。如果您想預測天氣，並指定包含州和城市資料的資料欄，預測資料就會包含州 A 和城市 A 所有時間點的預測值，然後是州 A 和城市 B 所有時間點的預測值，依此類推。

本教學課程會使用公開的 bigquery-public-data.iowa_liquor_sales.sales 和 bigquery-public-data.covid19_weathersource_com.postal_code_day_history 資料表中的資料。bigquery-public-data.iowa_liquor_sales.sales 資料表包含愛荷華州多個城市的酒類銷售資料。這份bigquery-public-data.covid19_weathersource_com.postal_code_day_history表格包含全球各地的歷史天氣資料，例如溫度和濕度。

建議您先閱讀「使用多變數模型預測單一時間序列」，再開始閱讀本教學課程。

建立資料集

建立 BigQuery 資料集來儲存機器學習模型。

控制台

前往 Google Cloud 控制台的「BigQuery」頁面。

前往 BigQuery 頁面
在「Explorer」窗格中，按一下專案名稱。
依序點按「View actions」(查看動作) >「Create dataset」(建立資料集)。
在「建立資料集」頁面中，執行下列操作：
- 在「Dataset ID」(資料集 ID) 中輸入 bqml_tutorial。
- 針對「Location type」(位置類型) 選取「Multi-region」(多區域)，然後選取「US (multiple regions in United States)」(us (多個美國區域))。
- 其餘設定請保留預設狀態，然後按一下「建立資料集」。

bq

如要建立新的資料集，請使用 bq mk 指令搭配 --location 旗標。如需可能的完整參數清單，請參閱 bq mk --dataset 指令參考資料。

建立名為「bqml_tutorial」的資料集，並將資料位置設為「US」，說明則設為「BigQuery ML tutorial dataset」：
```
bq --location=US mk -d \
 --description "BigQuery ML tutorial dataset." \
 bqml_tutorial
```
這個指令採用 -d 捷徑，而不是使用 --dataset 旗標。如果您省略 -d 和 --dataset，該指令預設會建立資料集。
確認資料集已建立完成：
```
bq ls
```

API

請呼叫 datasets.insert 方法，搭配已定義的資料集資源。

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

BigQuery DataFrames

在嘗試這個範例之前，請按照使用 BigQuery DataFrames 的 BigQuery 快速入門導覽課程中的 BigQuery DataFrames 設定說明操作。詳情請參閱 BigQuery DataFrames 參考說明文件。

如要驗證 BigQuery，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定 ADC」。

import google.cloud.bigquery

bqclient = google.cloud.bigquery.Client()
bqclient.create_dataset("bqml_tutorial", exists_ok=True)

建立輸入資料表

建立資料表，用來訓練及評估模型。這個資料表結合了 bigquery-public-data.iowa_liquor_sales.sales 和 bigquery-public-data.covid19_weathersource_com.postal_code_day_history 資料表的資料欄，用於分析天氣如何影響酒類商店訂購的商品類型和數量。您也可以建立下列額外資料欄，做為模型的輸入變數：

date：訂單日期
store_number：下單商店的專屬編號
item_number：訂購項目的專屬編號
bottles_sold：訂購的相關項目瓶數
temperature：訂單日期當天，商店所在位置的平均溫度
humidity：訂單日期當天，商店位置的平均濕度

請按照下列步驟建立輸入資料表：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

CREATE OR REPLACE TABLE
  `bqml_tutorial.iowa_liquor_sales_with_weather` AS
WITH
  sales AS (
    SELECT
      DATE,
      store_number,
      item_number,
      bottles_sold,
      SAFE_CAST(SAFE_CAST(zip_code AS FLOAT64) AS INT64) AS zip_code
    FROM
      `bigquery-public-data.iowa_liquor_sales.sales` AS sales
    WHERE
      SAFE_CAST(zip_code AS FLOAT64) IS NOT NULL
  ),
  aggregated_sales AS (
    SELECT
      DATE,
      store_number,
      item_number,
      ANY_VALUE(zip_code) AS zip_code,
      SUM(bottles_sold) AS bottles_sold,
    FROM
      sales
    GROUP BY
      DATE,
      store_number,
      item_number
  ),
  weather AS (
    SELECT
      DATE,
      SAFE_CAST(postal_code AS INT64) AS zip_code,
      avg_temperature_air_2m_f AS temperature,
      avg_humidity_specific_2m_gpkg AS humidity,
    FROM
      `bigquery-public-data.covid19_weathersource_com.postal_code_day_history`
    WHERE
      country = 'US' AND
      SAFE_CAST(postal_code AS INT64) IS NOT NULL
  )
SELECT
  aggregated_sales.date,
  aggregated_sales.store_number,
  aggregated_sales.item_number,
  aggregated_sales.bottles_sold,
  weather.temperature AS temperature,
  weather.humidity AS humidity
FROM
  aggregated_sales
  LEFT JOIN weather ON aggregated_sales.zip_code=weather.zip_code
  AND aggregated_sales.DATE=weather.DATE;

建立時間序列模型

建立時間序列模型，預測 2022 年 9 月 1 日前，bqml_tutorial.iowa_liquor_sales_with_weather 表格中每個日期的商店 ID 和項目 ID 組合所售出的瓶裝水數量。在預測期間，使用商店位置在各日期的平均溫度和濕度做為評估特徵。bqml_tutorial.iowa_liquor_sales_with_weather 表格中約有 100 萬種不同的商品編號和商店編號組合，也就是說，有 100 萬個不同的時間序列需要預測。

請按照下列步驟建立模型：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

CREATE
OR REPLACE MODEL `bqml_tutorial.multi_time_series_arimax_model`
OPTIONS(
  model_type = 'ARIMA_PLUS_XREG',
  time_series_id_col = ['store_number', 'item_number'],
  time_series_data_col = 'bottles_sold',
  time_series_timestamp_col = 'date'
)
AS SELECT
  *
FROM
  `bqml_tutorial.iowa_liquor_sales_with_weather`
WHERE
  DATE < DATE('2022-09-01');

查詢約需 38 分鐘才能完成，完成後您就能存取 multi_time_series_arimax_model 模型。由於查詢是使用 CREATE MODEL 陳述式建立模型，因此您不會看到查詢結果。

使用模型預測資料

使用 ML.FORECAST 函式預測未來時間序列值。

在下列 GoogleSQL 查詢中，STRUCT(5 AS horizon, 0.8 AS confidence_level) 子句表示查詢會預測未來 5 個時間點，並以 80% 的信賴水準產生預測間隔。

ML.FORECAST 函式輸入資料的資料簽章，與您用來建立模型的訓練資料的資料簽章相同。輸入內容不包含 bottles_sold 欄，因為這是模型嘗試預測的資料。

如要使用模型預測資料，請按照下列步驟操作：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
在查詢編輯器中貼上以下查詢，然後點選「執行」：
```
SELECT
  *
FROM
  ML.FORECAST (
    model `bqml_tutorial.multi_time_series_arimax_model`,
    STRUCT (5 AS horizon, 0.8 AS confidence_level),
    (
      SELECT
        * EXCEPT (bottles_sold)
      FROM
        `bqml_tutorial.iowa_liquor_sales_with_weather`
      WHERE
        DATE>=DATE('2022-09-01')
    )
  );
```
結果應如下所示：

輸出資料列會依 store_number 值排序，然後依 item_ID 值排序，最後依 forecast_timestamp 欄值依時間順序排序。在時間序列預測中，預測間隔 (以 prediction_interval_lower_bound 和 prediction_interval_upper_bound 欄值表示) 與 forecast_value 欄值同樣重要。forecast_value 值是預測間隔的中間點。預測區間取決於 standard_error 和 confidence_level 欄的值。

如要進一步瞭解輸出資料欄，請參閱ML.FORECAST。

說明預測結果

您可以使用 ML.EXPLAIN_FORECAST 函式，除了取得預測資料，還能取得可解釋性指標。ML.EXPLAIN_FORECAST 函式會預測未來時間序列值，並傳回時間序列的所有個別元件。

與 ML.FORECAST 函式類似，ML.EXPLAIN_FORECAST 函式中使用的 STRUCT(5 AS horizon, 0.8 AS confidence_level) 子句表示查詢會預測未來 30 個時間點，並產生信賴度為 80% 的預測間隔。

ML.EXPLAIN_FORECAST 函式會提供歷史資料和預測資料。如要只查看預測資料，請在查詢中新增 time_series_type 選項，並將選項值指定為 forecast。

請按照下列步驟說明模型的結果：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

SELECT
  *
FROM
  ML.EXPLAIN_FORECAST (
    model `bqml_tutorial.multi_time_series_arimax_model`,
    STRUCT (5 AS horizon, 0.8 AS confidence_level),
    (
      SELECT
        * EXCEPT (bottles_sold)
      FROM
        `bqml_tutorial.iowa_liquor_sales_with_weather`
      WHERE
        DATE >= DATE('2022-09-01')
    )
  );

結果應如下所示：

預測資料和預測說明的前九個輸出資料欄。預測資料和預測說明的第 10 到第 17 個輸出資料欄。預測資料和預測說明的最後六個輸出資料欄。

輸出資料列會依 time_series_timestamp 資料欄值的時間順序排序。

如要進一步瞭解輸出資料欄，請參閱ML.EXPLAIN_FORECAST。

評估預測準確率

在模型未訓練的資料上執行模型，評估模型的預測準確度。您可以使用 ML.EVALUATE 函式執行這項操作。ML.EVALUATE 函式會獨立評估每個時間序列。

在下列 GoogleSQL 查詢中，第二個 SELECT 陳述式提供含有未來特徵的資料，用於預測未來值，以便與實際資料比較。

請按照下列步驟評估模型準確率：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

SELECT
  *
FROM
  ML.EVALUATE (
    model `bqml_tutorial.multi_time_series_arimax_model`,
    (
      SELECT
        *
      FROM
       `bqml_tutorial.iowa_liquor_sales_with_weather`
      WHERE
        DATE >= DATE('2022-09-01')
    )
  );

結果應如下所示：

模型的評估指標。

如要進一步瞭解輸出資料欄，請參閱ML.EVALUATE。

使用模型偵測異常狀況

使用 ML.DETECT_ANOMALIES 函式偵測訓練資料中的異常狀況。

在下列查詢中，STRUCT(0.95 AS anomaly_prob_threshold) 子句會導致 ML.DETECT_ANOMALIES 函式以 95% 的信賴水準，找出異常資料點。

如要偵測訓練資料中的異常狀況，請按照下列步驟操作：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
在查詢編輯器中貼上以下查詢，然後點選「執行」：
```
SELECT
  *
FROM
  ML.DETECT_ANOMALIES (
    model `bqml_tutorial.multi_time_series_arimax_model`,
    STRUCT (0.95 AS anomaly_prob_threshold)
  );
```
結果應如下所示：

結果中的 anomaly_probability 欄會指出特定 bottles_sold 欄值異常的可能性。

如要進一步瞭解輸出資料欄，請參閱ML.DETECT_ANOMALIES。

偵測新資料中的異常狀況

將輸入資料提供給 ML.DETECT_ANOMALIES 函式，即可偵測新資料中的異常狀況。新資料的資料簽章必須與訓練資料相同。

如要偵測新資料中的異常狀況，請按照下列步驟操作：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

SELECT
  *
FROM
  ML.DETECT_ANOMALIES (
    model `bqml_tutorial.multi_time_series_arimax_model`,
    STRUCT (0.95 AS anomaly_prob_threshold),
    (
      SELECT
        *
      FROM
        `bqml_tutorial.iowa_liquor_sales_with_weather`
      WHERE
        DATE >= DATE('2022-09-01')
    )
  );

結果應如下所示：

新資料的異常偵測資訊。

使用多變數模型預測多個時間序列 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

建立資料集

控制台

bq

API

BigQuery DataFrames

建立輸入資料表

建立時間序列模型

使用模型預測資料

說明預測結果

評估預測準確率

使用模型偵測異常狀況

偵測新資料中的異常狀況

使用多變數模型預測多個時間序列