התאמת מודל ARIMA_PLUS של סדרת זמנים חד-משתנית למיליוני סדרות זמנים

במדריך הזה תלמדו איך להאיץ באופן משמעותי את האימון של מודל חד-משתני של סדרות עיתיותARIMA_PLUS, כדי לבצע כמה תחזיות של סדרות עיתיות באמצעות שאילתה אחת. בנוסף, נסביר איך להעריך את רמת הדיוק של התחזיות.

במדריך הזה נסביר איך ליצור תחזית לכמה סדרות עיתיות. הערכים החזויים מחושבים לכל נקודת זמן, לכל ערך בעמודה אחת או יותר שצוינו. לדוגמה, אם רוצים לחזות את מזג האוויר ומציינים עמודה שמכילה נתונים של ערים, הנתונים החזויים יכללו תחזיות לכל נקודות הזמן של עיר א', ואז ערכים חזויים לכל נקודות הזמן של עיר ב', וכן הלאה.

במדריך הזה נעשה שימוש בנתונים מהטבלאות הציבוריות bigquery-public-data.new_york.citibike_trips ו-iowa_liquor_sales.sales. נתוני הנסיעות באופניים מכילים רק כמה מאות סדרות זמן, ולכן הם משמשים להמחשת אסטרטגיות שונות להאצת אימון המודל. נתוני המכירות של המשקאות החריפים כוללים יותר ממיליון סדרות זמן, ולכן הם משמשים להצגת חיזוי של סדרות זמן בהיקף גדול.

לפני שקוראים את המדריך הזה, מומלץ לקרוא את המאמרים חיזוי של כמה סדרות זמנים באמצעות מודל חד-משתני ושיטות מומלצות לחיזוי סדרות זמנים בקנה מידה גדול.

מטרות

במדריך הזה תשתמשו ב:

• יצירת מודל של סדרת זמנים באמצעות הצהרת CREATE MODEL.
• הערכת רמת הדיוק של המודל באמצעות הפונקציה ML.EVALUATE.
• שימוש באפשרויות AUTO_ARIMA_MAX_ORDER,‏ TIME_SERIES_LENGTH_FRACTION,‏ MIN_TIME_SERIES_LENGTH ו-MAX_TIME_SERIES_LENGTH של הצהרת CREATE MODEL כדי לקצר משמעותית את זמן אימון המודל.

כדי לפשט את המדריך, לא נסביר בו איך להשתמש בפונקציות ML.FORECAST או ML.EXPLAIN_FORECAST כדי ליצור תחזיות. הוראות לשימוש בפונקציות האלה מפורטות במאמר תחזית של כמה סדרות זמן באמצעות מודל חד-משתני.

עלויות

במדריך הזה נעשה שימוש ברכיבים של Google Cloudשחלים עליהם חיובים, כולל:

• BigQuery
• BigQuery ML

מידע נוסף על עלויות זמין בדף תמחור ב-BigQuery ובדף תמחור ב-BigQuery ML.

לפני שמתחילים

נכנסים לחשבון Google Cloud . אם אתם משתמשים חדשים ב- Google Cloud, צרו חשבון כדי שתוכלו להעריך את הביצועים של המוצרים שלנו בתרחישים מהעולם האמיתי. לקוחות חדשים מקבלים בחינם גם קרדיט בשווי 300$ להרצה, לבדיקה ולפריסה של עומסי העבודה.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

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

Verify that billing is enabled for your Google Cloud project.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

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

Verify that billing is enabled for your Google Cloud project.

1. ‫BigQuery מופעל באופן אוטומטי בפרויקטים חדשים. כדי להפעיל את BigQuery בפרויקט קיים, עוברים אל

   אם BigQuery API לא מופעל, מפעילים אותו.

   תפקידים שנדרשים להפעלת ממשקי API

   כדי להפעיל ממשקי API, נדרשת ההרשאה serviceusage.services.enable. אם יצרתם את הפרויקט, סביר להניח שכבר יש לכם את ההרשאה הזו דרך התפקיד 'בעלים' (roles/owner). אחרת, תוכלו לקבל את ההרשאה הזו דרך התפקיד 'אדמין בממשק Service Usage' (roles/serviceusage.serviceUsageAdmin). איך מקצים תפקידים

   להפעלת ה-API

ההרשאות הנדרשות

• כדי ליצור את מערך הנתונים, צריך את הרשאת bigquery.datasets.create ב-IAM.

• כדי ליצור את המודל, צריך את ההרשאות הבאות:

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

• כדי להריץ הסקה, צריך את ההרשאות הבאות:

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

במאמר מבוא ל-IAM יש מידע נוסף על תפקידים והרשאות ב-IAM ב-BigQuery.

יצירת מערך נתונים

כדי ליצור מערך נתונים ב-BigQuery, בוחרים באחת מהאפשרויות הבאות:

המסוף

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בחלונית הימנית, לוחצים על כלי הניתוחים:

   

   אם החלונית הימנית לא מוצגת, לוחצים על הרחבת החלונית הימנית כדי לפתוח אותה.

3. בסייר, מרחיבים את הפרויקט ואז לוחצים על מערכי נתונים.

4. בדף Datasets (מערכי נתונים), לוחצים על Create dataset (יצירת מערך נתונים).

5. בחלונית Create dataset:

   • בשדה Dataset ID (מזהה קבוצת נתונים), מזינים bqml_tutorial.

   • בקטע Data location, בוחרים באפשרות US.

   משאירים את שאר הגדרות ברירת המחדל כמו שהן.

6. לוחצים על יצירת מערך נתונים.

BQ

כדי ליצור מערך נתונים חדש, משתמשים בפקודה bq mk --dataset.

1. יוצרים מערך נתונים בשם bqml_tutorial עם מיקום הנתונים שמוגדר ל-US:

   bq mk --dataset \
     --location=US \
     --description "BigQuery ML tutorial dataset." \
     bqml_tutorial

2. בודקים שמערך הנתונים נוצר:

   bq ls

API

מפעילים את השיטה datasets.insert עם משאב מוגדר של מערך נתונים:

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

יצירת טבלה של נתוני קלט

ההצהרה SELECT של השאילתה הבאה משתמשת בפונקציה EXTRACT כדי לחלץ את פרטי התאריך מהעמודה starttime. השאילתה משתמשת בסעיף COUNT(*) כדי לקבל את המספר הכולל של נסיעות Citi Bike ביום.

ל-table_1 יש 679 סדרות זמן. השאילתה משתמשת בלוגי INNER JOIN נוסף כדי לבחור את כל סדרות הזמן שיש בהן יותר מ-400 נקודות זמן, וכתוצאה מכך מתקבלות 383 סדרות זמן.

כדי ליצור את טבלת נתוני הקלט:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE TABLE
     `bqml_tutorial.nyc_citibike_time_series` AS
   WITH input_time_series AS
   (
     SELECT
       start_station_name,
       EXTRACT(DATE FROM starttime) AS date,
       COUNT(*) AS num_trips
     FROM
       `bigquery-public-data.new_york.citibike_trips`
     GROUP BY
       start_station_name, date
   )
   SELECT table_1.*
   FROM input_time_series AS table_1
   INNER JOIN (
     SELECT start_station_name,  COUNT(*) AS num_points
     FROM input_time_series
     GROUP BY start_station_name) table_2
   ON
     table_1.start_station_name = table_2.start_station_name
   WHERE
     num_points > 400;

יצירת מודל לכמה סדרות עיתיות עם פרמטרים שמוגדרים כברירת מחדל

אתם רוצים לחזות את מספר הנסיעות באופניים לכל תחנת Citi Bike, ולשם כך נדרשים מודלים רבים של סדרות זמן – אחד לכל תחנת Citi Bike שכלולה בנתוני הקלט. אפשר לכתוב כמה שאילתות CREATE MODEL כדי לעשות את זה, אבל זה יכול להיות תהליך מייגע שגוזל זמן רב, במיוחד אם יש לכם מספר גדול של סדרות זמן. במקום זאת, אפשר להשתמש בשאילתה אחת כדי ליצור ולהתאים קבוצה של מודלים של סדרות זמן, כדי ליצור תחזית של כמה סדרות זמן בבת אחת.

הפסקה OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) מציינת שאתם יוצרים קבוצה של מודלים של סדרות עיתיות שמבוססים על ARIMA ‏(ARIMA_PLUS). האפשרות time_series_timestamp_col מציינת את העמודה שמכילה את סדרת הזמן, האפשרות time_series_data_col מציינת את העמודה שלגביה רוצים ליצור תחזית, והאפשרות time_series_id_col מציינת מאפיין אחד או יותר שלגביהם רוצים ליצור סדרת זמן.

בדוגמה הזו, לא נכללות נקודות הזמן בסדרת הזמן אחרי 1 ביוני 2016, כדי שאפשר יהיה להשתמש בהן בהמשך להערכת דיוק התחזית באמצעות הפונקציה ML.EVALUATE.

כדי ליצור את המודל:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_default`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
     time_series_timestamp_col = 'date',
     time_series_data_col = 'num_trips',
     time_series_id_col = 'start_station_name'
     ) AS
   SELECT *
   FROM bqml_tutorial.nyc_citibike_time_series
   WHERE date < '2016-06-01';

   השלמת השאילתה נמשכת כ-15 דקות.

הערכת דיוק התחזית לכל סדרת זמן

כדי להעריך את דיוק התחזית של המודל, משתמשים בפונקציה ML.EVALUATE.

כדי להעריך את המודל, פועלים לפי השלבים הבאים:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT *
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_default`,
     TABLE `bqml_tutorial.nyc_citibike_time_series`,
     STRUCT(7 AS horizon, TRUE AS perform_aggregation));

   השאילתה הזו מדווחת על כמה מדדים של תחזיות, כולל:

   התוצאות אמורות להיראות כך:

   הפסקה TABLE בפונקציה ML.EVALUATE מציינת טבלה שמכילה את נתוני האמת. התוצאות של התחזיות מושוות לנתוני האמת כדי לחשב מדדי דיוק. במקרה הזה, nyc_citibike_time_series מכיל את הנקודות בסדרת הזמן שלפני 1 ביוני 2016 וגם את הנקודות שאחרי התאריך הזה. הנקודות אחרי 1 ביוני 2016 הן נתוני האמת. הנקודות שלפני 1 ביוני 2016 משמשות לאימון המודל כדי ליצור תחזיות אחרי התאריך הזה. כדי לחשב את המדדים, צריך להשתמש רק בנקודות שנצברו אחרי 1 ביוני 2016. הנקודות שנצברו לפני 1 ביוני 2016 לא נכללות בחישוב המדדים.

   בסעיף STRUCT בפונקציה ML.EVALUATE צוינו פרמטרים לפונקציה. הערך horizon הוא 7, כלומר השאילתה מחשבת את דיוק התחזית על סמך תחזית של שבע נקודות. הערה: אם בנתוני האמת יש פחות משבע נקודות להשוואה, מדדי הדיוק מחושבים על סמך הנקודות הזמינות בלבד. הערך של perform_aggregation הוא TRUE, כלומר מדדי הדיוק של התחזית מצטברים על בסיס המדדים בנקודת הזמן. אם מציינים ערך perform_aggregation של FALSE, המערכת מחזירה את רמת הדיוק של התחזית לכל נקודת זמן בתחזית.

   מידע נוסף על עמודות הפלט זמין במאמר בנושא הפונקציה ML.EVALUATE.

הערכת הדיוק הכולל של התחזיות

הערכת דיוק התחזית לכל 383 סדרות הזמן.

מבין מדדי התחזית שמוחזרים על ידי ML.EVALUATE, רק mean absolute percentage error ו-symmetric mean absolute percentage error הם בלתי תלויים בערך של סדרת הזמן. לכן, כדי להעריך את דיוק התחזית הכולל של קבוצת סדרות הזמן, רק הצבירה של שני המדדים האלה היא משמעותית.

כדי להעריך את המודל, פועלים לפי השלבים הבאים:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT
     AVG(mean_absolute_percentage_error) AS MAPE,
     AVG(symmetric_mean_absolute_percentage_error) AS sMAPE
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_default`,
       TABLE `bqml_tutorial.nyc_citibike_time_series`,
       STRUCT(7 AS horizon, TRUE AS perform_aggregation));

השאילתה הזו מחזירה ערך MAPE של 0.3471 וערך sMAPE של 0.2563.

יצירת מודל לחיזוי של כמה סדרות עיתיות עם מרחב חיפוש קטן יותר של היפרפרמטרים

בקטע Create a model to multiple time-series with default parameters (יצירת מודל למספר סדרות עיתיות עם פרמטרים שמוגדרים כברירת מחדל), השתמשתם בערכי ברירת המחדל לכל אפשרויות האימון, כולל האפשרות auto_arima_max_order. האפשרות הזו קובעת את מרחב החיפוש של כוונון ההיפר-פרמטרים באלגוריתם auto.ARIMA.

במודל שנוצר על ידי השאילתה הבאה, משתמשים במרחב חיפוש קטן יותר להיפרפרמטרים על ידי שינוי ערך האפשרות auto_arima_max_order מברירת המחדל 5 ל-2.

כדי להעריך את המודל, פועלים לפי השלבים הבאים:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
     time_series_timestamp_col = 'date',
     time_series_data_col = 'num_trips',
     time_series_id_col = 'start_station_name',
     auto_arima_max_order = 2
     ) AS
   SELECT *
   FROM `bqml_tutorial.nyc_citibike_time_series`
   WHERE date < '2016-06-01';

   השלמת השאילתה תימשך כ-2 דקות. נזכיר שהמודל הקודם נמשך כ-15 דקות כשהערך של auto_arima_max_order היה 5, כך שהשינוי הזה משפר את מהירות אימון המודל בערך פי 7. אם אתם תוהים למה העלייה במהירות היא לא 5/2=2.5x, זה בגלל שכשהערך של auto_arima_max_order עולה, לא רק שמספר המודלים הפוטנציאליים עולה, אלא גם המורכבות. כתוצאה מכך, זמן האימון של המודל מתארך.

הערכת דיוק התחזית של מודל עם מרחב חיפוש קטן יותר של היפרפרמטרים

כדי להעריך את המודל, פועלים לפי השלבים הבאים:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT
     AVG(mean_absolute_percentage_error) AS MAPE,
     AVG(symmetric_mean_absolute_percentage_error) AS sMAPE
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2`,
       TABLE `bqml_tutorial.nyc_citibike_time_series`,
       STRUCT(7 AS horizon, TRUE AS perform_aggregation));

השאילתה הזו מחזירה ערך MAPE של 0.3337 וערך sMAPE של 0.2337.

בקטע Evaluate overall forecasting accuracy (הערכת הדיוק הכולל של התחזית), הערכתם מודל עם מרחב חיפוש גדול יותר של היפרפרמטרים, שבו ערך האפשרות auto_arima_max_order הוא 5. התוצאה הייתה ערך MAPE של 0.3471 וערך sMAPE של 0.2563. במקרה הזה, אפשר לראות שמרחב חיפוש קטן יותר של היפרפרמטרים נותן למעשה רמת דיוק גבוהה יותר בתחזיות. אחת הסיבות לכך היא שהאלגוריתם auto.ARIMA מבצע רק כוונון של היפרפרמטרים למודול המגמה של כל צינור בניית המודל. יכול להיות שמודל ה-ARIMA הכי טוב שנבחר על ידי האלגוריתם auto.ARIMA לא יניב את התוצאות הכי טובות לחיזוי בכל הצינור.

יצירת מודל לתחזית של כמה סדרות זמנים עם מרחב קטן יותר לחיפוש היפר-פרמטרים ואסטרטגיות אימון מהירות וחכמות

בשלב הזה, משתמשים גם במרחב חיפוש קטן יותר של היפר-פרמטרים וגם בשיטת האימון המהיר החכם, באמצעות אחת או יותר מאפשרויות האימון max_time_series_length, ‏ max_time_series_length או time_series_length_fraction.

בניית מודלים תקופתיים כמו עונתיות דורשת מספר מסוים של נקודות זמן, אבל בניית מודלים של מגמות דורשת פחות נקודות זמן. בינתיים, מודלים של מגמות דורשים הרבה יותר משאבי מחשוב מאשר רכיבים אחרים של סדרות זמן, כמו עונתיות. באמצעות אפשרויות האימון המהיר שצוינו למעלה, אפשר ליצור מודל יעיל של רכיב המגמה עם קבוצת משנה של סדרת הזמן, בזמן שרכיבים אחרים של סדרת הזמן משתמשים בסדרת הזמן המלאה.

בדוגמה הבאה השתמשנו באפשרות max_time_series_length כדי להשיג אימון מהיר. אם מגדירים את ערך האפשרות max_time_series_length ל-30, המערכת משתמשת רק ב-30 נקודות הזמן האחרונות כדי ליצור מודל של רכיב המגמה. כל 383 סדרות הזמן עדיין משמשות ליצירת מודל של הרכיבים שאינם מגמה.

כדי ליצור את המודל:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2_fast_training`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
     time_series_timestamp_col = 'date',
     time_series_data_col = 'num_trips',
     time_series_id_col = 'start_station_name',
     auto_arima_max_order = 2,
     max_time_series_length = 30
     ) AS
   SELECT *
   FROM `bqml_tutorial.nyc_citibike_time_series`
   WHERE date < '2016-06-01';

   השאילתה נמשכת כ-35 שניות. השאילתה הזו מהירה פי 3 בהשוואה לשאילתה שבה השתמשתם בקטע יצירת מודל לחיזוי של כמה סדרות זמן עם מרחב חיפוש קטן יותר של היפרפרמטרים. בגלל התקורות הקבועות של הזמן בחלקים של השאילתה שלא קשורים לאימון, כמו עיבוד מקדים של הנתונים, שיפור המהירות יהיה משמעותי יותר אם מספר סדרות הזמן יהיה גדול בהרבה מזה שבדוגמה הזו. עבור מיליון סדרות זמן, שיפור המהירות מתקרב ליחס בין אורך סדרת הזמן לבין ערך האפשרות max_time_series_length. במקרה כזה, השיפור במהירות יהיה גדול פי 10.

הערכת דיוק התחזיות של מודל עם מרחב חיפוש קטן יותר של היפרפרמטרים ואסטרטגיות אימון מהירות וחכמות

כדי להעריך את המודל, פועלים לפי השלבים הבאים:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT
     AVG(mean_absolute_percentage_error) AS MAPE,
     AVG(symmetric_mean_absolute_percentage_error) AS sMAPE
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2_fast_training`,
       TABLE `bqml_tutorial.nyc_citibike_time_series`,
       STRUCT(7 AS horizon, TRUE AS perform_aggregation));

השאילתה הזו מחזירה ערך MAPE של 0.3515 וערך sMAPE של 0.2473.

תזכורת: בלי שימוש בשיטות אימון מהירות, התחזיות מדויקות בשיעור של MAPE 0.3337, והערך של sMAPE הוא 0.2337. ההבדל בין שני סטים של ערכי מדדים הוא בטווח של 3%, ולכן הוא לא משמעותי מבחינה סטטיסטית.

בקיצור, השתמשתם במרחב חיפוש קטן יותר של היפר-פרמטרים ובאסטרטגיות אימון מהירות וחכמות כדי להאיץ את אימון המודל פי 20 ויותר בלי לפגוע בדיוק התחזית. כמו שציינתי קודם, ככל שיש יותר סדרות זמן, שיטות האימון המהירות החכמות יכולות להגביר את המהירות באופן משמעותי. בנוסף, בוצעה אופטימיזציה בספריית ה-ARIMA הבסיסית שמשמשת את מודלים ARIMA_PLUS, כך שהיא פועלת מהר פי 5 מבעבר. השיפורים האלה מאפשרים לחזות מיליוני סדרות זמן תוך שעות.

יצירת מודל לחיזוי מיליון סדרות זמן

בשלב הזה, תבצעו תחזית של מכירות משקאות חריפים עבור יותר ממיליון מוצרים של משקאות חריפים בחנויות שונות באמצעות נתוני מכירות משקאות חריפים ציבוריים באיווה. האימון של המודל מתבצע באמצעות מרחב חיפוש קטן של היפר-פרמטרים וגם באמצעות אסטרטגיית האימון המהיר החכם.

כדי להעריך את המודל, פועלים לפי השלבים הבאים:

1. במסוף Google Cloud , עוברים לדף BigQuery.

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL
     `bqml_tutorial.liquor_forecast_by_product`
   OPTIONS(
     MODEL_TYPE = 'ARIMA_PLUS',
     TIME_SERIES_TIMESTAMP_COL = 'date',
     TIME_SERIES_DATA_COL = 'total_bottles_sold',
     TIME_SERIES_ID_COL = ['store_number', 'item_description'],
     HOLIDAY_REGION = 'US',
     AUTO_ARIMA_MAX_ORDER = 2,
     MAX_TIME_SERIES_LENGTH = 30
   ) AS
   SELECT
     store_number,
     item_description,
     date,
     SUM(bottles_sold) as total_bottles_sold
   FROM
     `bigquery-public-data.iowa_liquor_sales.sales`
   WHERE date BETWEEN DATE("2015-01-01") AND DATE("2021-12-31")
   GROUP BY store_number, item_description, date;

   השאילתה נמשכת כשעה ו-16 דקות.

הסרת המשאבים

כדי להימנע מחיובים בחשבון Google Cloud בגלל השימוש במשאבים שנעשה במסגרת המדריך הזה, אפשר למחוק את הפרויקט שמכיל את המשאבים, או להשאיר את הפרויקט ולמחוק את המשאבים בנפרד.

• אתם יכולים למחוק את הפרויקט שיצרתם.
• אפשר גם להשאיר את הפרויקט ולמחוק את קבוצת הנתונים.

מחיקת מערך הנתונים

מחיקה של פרויקט מסירה את כל מערכי הנתונים ואת כל הטבלאות בפרויקט. אם אתם מעדיפים להשתמש מחדש בפרויקט, אתם יכולים למחוק את מערך הנתונים שיצרתם במדריך הזה:

1. אם צריך, פותחים את הדף BigQuery במסוףGoogle Cloud .

   לדף BigQuery

2. בחלונית הניווט, לוחצים על מערך הנתונים bqml_tutorial שיצרתם.

3. לוחצים על מחיקת מערך הנתונים כדי למחוק את מערך הנתונים, את הטבלה ואת כל הנתונים.

4. בתיבת הדו-שיח מחיקת מערך נתונים, מקלידים את השם של מערך הנתונים (bqml_tutorial) כדי לאשר את פקודת המחיקה, ואז לוחצים על מחיקה.

מחיקת פרויקט

כדי למחוק את הפרויקט:

זהירות: כשמוחקים פרויקט:

• התוכן של הפרויקט נמחק כולו. אם השתמשתם בפרויקט קיים כדי לתרגל את המשימות במדריך הזה, כשתמחקו אותו תימחק גם כל העבודה שביצעתם באותו פרויקט.
• מאבדים את מזהה הפרויקט בהתאמה אישית. כשיצרתם את הפרויקט, יכולתם לבחור לו מזהה פרויקט בהתאמה אישית כדי להשתמש בו בעתיד. כדי לשמור על כתובות ה-URL שמשתמשות במזהה הפרויקט, כמו appspot.com, צריך למחוק את המשאבים שנבחרו בפרויקט אבל לא את הפרויקט כולו.

אם אתם מתכננים להיעזר בכמה ארכיטקטורות, מדריכים או מדריכים למתחילים, מומלץ להשתמש שוב באותו פרויקט כדי לא לחרוג ממכסות הפרויקטים.

1. במסוף Google Cloud , נכנסים לדף Manage resources.

   כניסה לדף Manage resources

2. ברשימת הפרויקטים, בוחרים את הפרויקט שרוצים למחוק ולוחצים על Delete.
3. כדי למחוק את הפרויקט, כותבים את מזהה הפרויקט בתיבת הדו-שיח ולוחצים על Shut down.

המאמרים הבאים

• איך יוצרים תחזית של סדרת זמנים אחת באמצעות מודל חד-משתני
• איך יוצרים תחזית של סדרת זמנים אחת באמצעות מודל רב-משתני
• איך יוצרים תחזית של כמה סדרות זמנים באמצעות מודל חד-משתני
• איך יוצרים תחזית היררכית של כמה סדרות זמן באמצעות מודל חד-משתני
• סקירה כללית על BigQuery ML זמינה במאמר מבוא ל-AI ול-ML ב-BigQuery.