Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Prévoir des séries temporelles hiérarchiques avec un modèle univarié ARIMA_PLUS

Ce tutoriel explique comment utiliser un ARIMA_PLUS modèle de série temporelle univarié pour prévoir des séries temporelles hiérarchiques. Il prévoit la valeur future d'une colonne donnée en fonction des valeurs historiques de cette colonne, et calcule également les valeurs cumulées de cette colonne pour une ou plusieurs dimensions d'intérêt.

Les valeurs prévues sont calculées pour chaque point temporel, pour chaque valeur d'une ou plusieurs colonnes qui spécifient les dimensions d'intérêt. Par exemple, si vous souhaitez prévoir les incidents de circulation quotidiens et que vous spécifiez une colonne de dimension contenant des données d'état, les données prévues contiennent des valeurs pour chaque jour de l'état A, puis des valeurs pour chaque jour de l'état B, et ainsi de suite. Si vous souhaitez prévoir les incidents de circulation quotidiens et que vous spécifiez des colonnes de dimension contenant des données d'état et de ville, les données prévues contiennent des valeurs pour chaque jour de l'état A et de la ville A, puis des valeurs pour chaque jour de l'état A et de la ville B, et ainsi de suite. Dans les modèles de séries temporelles hiérarchiques, la réconciliation hiérarchique est utilisée pour cumuler et réconcilier chaque série temporelle enfant avec son parent. Par exemple, la somme des valeurs prévues pour toutes les villes de l'état A doit être égale à la valeur prévue pour l'état A.

Dans ce tutoriel, vous allez créer deux modèles de séries temporelles sur les mêmes données, l'un utilisant la prévision hiérarchique et l'autre non. Cela vous permet de comparer les résultats renvoyés par les modèles.

Ce tutoriel utilise les données de la table publique bigquery-public-data.iowa_liquor.sales.sales. Cette table contient des informations sur plus d'un million de produits alcoolisés dans différents magasins à l'aide de données publiques sur les ventes d'alcool de l'Iowa.

Avant de lire ce tutoriel, nous vous recommandons vivement de consulter la page Prévoir plusieurs séries temporelles avec un modèle univarié.

Autorisations requises

Pour créer l'ensemble de données, vous devez disposer de l'autorisation IAM bigquery.datasets.create.
Pour créer le modèle, vous avez besoin des autorisations suivantes :
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
Pour exécuter une inférence, vous devez disposer des autorisations suivantes :
- bigquery.models.getData
- bigquery.jobs.create

Pour plus d'informations sur les rôles et les autorisations IAM dans BigQuery, consultez la page Présentation d'IAM.

Objectifs

Dans ce tutoriel, vous allez utiliser :

Créer un modèle de séries temporelles multiples et un modèle de séries temporelles hiérarchiques multiples pour prévoir les valeurs des ventes de bouteilles à l'aide de l'instruction CREATE MODEL.
Récupérer les valeurs prévues des ventes de bouteilles à partir des modèles à l'aide de la ML.FORECAST fonction.

Coûts

Ce tutoriel fait appel à des composants payants de Google Cloud, y compris les suivants :

BigQuery
BigQuery ML

Pour plus d'informations sur les coûts de BigQuery, consultez la page Tarifs de BigQuery.

Pour en savoir plus sur les coûts associés à BigQuery ML, consultez la page Tarifs de BigQuery ML.

Connectez-vous à votre Google Cloud compte. Si vous n'avez jamais utilisé Google Cloud, créez un compte pour évaluer les performances de nos produits dans des scénarios réels. Les nouveaux clients bénéficient également de 300 $ de crédits sans frais pour exécuter, tester et déployer des charges de travail.

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.

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.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

BigQuery est automatiquement activé dans les nouveaux projets. Pour activer BigQuery dans un projet préexistant, accédez à
Activer l'API BigQuery.
Rôles requis pour activer les API
Pour activer les API, vous devez disposer de l'autorisation serviceusage.services.enable. Si vous avez créé le projet, vous disposez probablement déjà de cette autorisation via le rôle Propriétaire (roles/owner). Sinon, vous pouvez obtenir cette autorisation via le rôle Administrateur de l'utilisation des services (roles/serviceusage.serviceUsageAdmin). Découvrez comment attribuer des rôles.
Activer l'API

Créer un ensemble de données

Pour créer un ensemble de données BigQuery, sélectionnez l'une des options suivantes :

Console

Dans la Google Cloud console, accédez à la page BigQuery.

Accéder à BigQuery
Dans le volet de gauche, cliquez sur Explorer:

Si le volet de gauche ne s'affiche pas, cliquez sur Développer le volet de gauche pour l'ouvrir.
Dans Explorer, développez votre projet, puis cliquez sur Ensembles de données.
Sur la page Ensembles de données, cliquez sur Créer un ensemble de données.
Dans le volet Créer un ensemble de données, procédez comme suit :
- Dans le champ ID de l'ensemble de données, saisissez bqml_tutorial.
- Dans le champ Emplacement des données, sélectionnez États-Unis.
Laissez les autres paramètres par défaut tels quels.
Cliquez sur Créer un ensemble de données.

bq

Pour créer un ensemble de données, utilisez la bq mk --dataset commande.

Créez un ensemble de données nommé bqml_tutorial avec l'emplacement des données défini sur US :

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

Vérifiez que l'ensemble de données a été créé :
```
bq ls
```

API

Appelez la datasets.insert méthode avec une ressource d'ensemble de données définie :

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

Créer un modèle de série temporelle

Créez un modèle de série temporelle à l'aide des données sur les ventes d'alcool de l'Iowa.

La requête GoogleSQL suivante crée un modèle qui prévoit le nombre total quotidien de bouteilles vendues en 2015 dans les comtés de Polk, Linn et Scott.

Dans la requête suivante, la OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) clause indique que vous créez un modèle de série temporelle basé sur ARIMA. Vous utilisez l' TIME_SERIES_ID option de l'instruction CREATE MODEL pour spécifier une ou plusieurs colonnes dans les données d'entrée pour lesquelles vous souhaitez obtenir des prévisions. L' auto_arima_max_order option de l'instruction CREATE MODEL contrôle l' espace de recherche pour l'ajustement des hyperparamètres dans l'algorithme auto.ARIMA. L' decompose_time_series option de l'instruction CREATE MODEL est définie par défaut sur TRUE, de sorte que les informations sur les données de séries temporelles sont renvoyées lorsque vous évaluez le modèle à l'étape suivante.

La OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) clause indique que vous créez un ARIMAbasé sur ARIMA. Par défaut, auto_arima=TRUE, l’algorithme auto.ARIMA ajuste donc automatiquement les hyperparamètres des modèles ARIMA_PLUS. L'algorithme ajuste des dizaines de modèles candidats et choisit le meilleur modèle, qui est celui avec le critère d'information d'Akaike (AIC) le plus bas. Définir l' holiday_regionoption sur US permet une modélisation plus précise des points temporels des jours fériés aux États-Unis s'il existe des modèles de jours fériés aux États-Unis dans la série temporelle.

Pour créer le modèle, procédez comme suit :

Dans la Google Cloud console, accédez à la page BigQuery.

Accéder à BigQuery

Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter :

CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast`
  OPTIONS (
    MODEL_TYPE = 'ARIMA_PLUS',
    TIME_SERIES_TIMESTAMP_COL = 'date',
    TIME_SERIES_DATA_COL = 'total_bottles_sold',
    TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
    HOLIDAY_REGION = 'US')
AS
SELECT
  store_number,
  zip_code,
  city,
  county,
  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('2015-12-31')
  AND county IN ('POLK', 'LINN', 'SCOTT')
GROUP BY store_number, date, city, zip_code, county;

L'exécution de la requête prend environ 37 secondes. Vous pouvez ensuite accéder au modèle liquor_forecast. Étant donné que la requête utilise une instruction CREATE MODEL pour créer un modèle, aucun résultat de requête n'est généré.

Utiliser le modèle pour prévoir des données

Prévoyez les valeurs futures des séries temporelles à l'aide de la fonction ML.FORECAST.

Dans la requête suivante, la clause STRUCT(20 AS horizon, 0.8 AS confidence_level) indique que la requête prévoit 20 points temporels futurs et génère un intervalle de prédiction avec un niveau de confiance de 80 %.

Pour prévoir des données avec le modèle, procédez comme suit :

Dans la Google Cloud console, accédez à la page BigQuery.

Accéder à BigQuery
Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter :
```
SELECT *
FROM
  ML.FORECAST(
    MODEL `bqml_tutorial.liquor_forecast`,
    STRUCT(20 AS horizon, 0.8 AS confidence_level))
ORDER BY store_number, county, city, zip_code, forecast_timestamp;
```
Le résultat doit ressembler à ce qui suit :

La sortie commence par les données prévues pour la première série temporelle : store_number=2190, zip_code=50314, city=DES MOINES, county=POLK. Lorsque vous parcourez les données, vous voyez les prévisions pour chaque série temporelle unique suivante. Pour générer des prévisions qui agrègent les totaux pour différentes dimensions, telles que les prévisions pour un comté spécifique, vous devez générer une prévision hiérarchique.

Créer un modèle de série temporelle hiérarchique

Créez une prévision de série temporelle hiérarchique à l'aide des données sur les ventes d'alcool de l'Iowa.

La requête GoogleSQL suivante crée un modèle qui génère des prévisions hiérarchiques pour le nombre total quotidien de bouteilles vendues en 2015 dans les comtés de Polk, Linn et Scott.

Dans la requête suivante, l'option HIERARCHICAL_TIME_SERIES_COLS de l'instruction CREATE MODEL indique que vous créez une prévision hiérarchique basée sur un ensemble de colonnes que vous spécifiez. Chacune de ces colonnes est cumulée et agrégée. Par exemple, à partir de la requête précédente, cela signifie que la valeur de la colonne store_number est cumulée pour afficher les prévisions pour chaque valeur county, city et zip_code. Séparément, les valeurs zip_code et store_number sont également cumulées pour afficher les prévisions pour chaque valeur county et city. L'ordre des colonnes est important, car il définit la structure de la hiérarchie.

Pour créer le modèle, procédez comme suit :

Dans la Google Cloud console, accédez à la page BigQuery.

Accéder à BigQuery

Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter :

CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast_hierarchical`
  OPTIONS (
    MODEL_TYPE = 'ARIMA_PLUS',
    TIME_SERIES_TIMESTAMP_COL = 'date',
    TIME_SERIES_DATA_COL = 'total_bottles_sold',
    TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
    HIERARCHICAL_TIME_SERIES_COLS = ['zip_code', 'store_number'],
    HOLIDAY_REGION = 'US')
AS
SELECT
  store_number,
  zip_code,
  city,
  county,
  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('2015-12-31')
  AND county IN ('POLK', 'LINN', 'SCOTT')
GROUP BY store_number, date, city, zip_code, county;

L'exécution de la requête prend environ 45 secondes. Vous pouvez ensuite accéder au modèle bqml_tutorial.liquor_forecast_hierarchical dans le volet Explorer. Étant donné que la requête utilise une instruction CREATE MODEL pour créer un modèle, aucun résultat de requête n'est généré.

Utiliser le modèle hiérarchique pour prévoir des données

Récupérez les données de prévision hiérarchique à partir du modèle à l'aide de la fonction ML.FORECAST.

Pour prévoir des données avec le modèle, procédez comme suit :

Dans la Google Cloud console, accédez à la page BigQuery.

Accéder à BigQuery
Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter :
```
SELECT
  *
FROM
  ML.FORECAST(
    MODEL `bqml_tutorial.liquor_forecast_hierarchical`,
    STRUCT(30 AS horizon, 0.8 AS confidence_level))
WHERE city = 'LECLAIRE'
ORDER BY county, city, zip_code, store_number, forecast_timestamp;
```
Le résultat doit ressembler à ce qui suit :

Notez comment la prévision agrégée s'affiche pour la ville de LeClaire, store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT. Lorsque vous examinez le reste des lignes, notez les prévisions pour les autres sous-groupes. Par exemple, l'image suivante montre les prévisions agrégées pour le code postal 52753, store_number=NULL, zip_code=52753, city=LECLAIRE, county=SCOTT :

Libérer de l'espace

Pour éviter que les ressources utilisées dans ce tutoriel ne soient facturées sur votre Google Cloud compte, supprimez le projet qui contient les ressources ou conservez le projet et supprimez les ressources individuelles.

Supprimez le projet que vous avez créé.
Ou conservez le projet et supprimez l'ensemble de données.

Supprimer l'ensemble de données

Si vous supprimez votre projet, tous les ensembles de données et toutes les tables qui lui sont associés sont également supprimés. Si vous préférez réutiliser le projet, vous pouvez supprimer l'ensemble de données que vous avez créé dans ce tutoriel :

Si nécessaire, ouvrez la page BigQuery dans la Google Cloud console.

Accéder à la page "BigQuery"
Dans le panneau de navigation, cliquez sur l'ensemble de données bqml_tutorial que vous avez créé.
Cliquez sur Delete dataset (Supprimer l'ensemble de données) dans la partie droite de la fenêtre. Cette action supprime l'ensemble de données, la table et toutes les données.
Dans la boîte de dialogue Supprimer l'ensemble de données, confirmez la commande de suppression en saisissant le nom de votre ensemble de données (bqml_tutorial), puis cliquez sur Supprimer.

Supprimer votre projet

Pour supprimer le projet :

Attention : La suppression d'un projet a les effets suivants :

Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

Dans la Google Cloud console, accédez à la page Gérer les ressources.
Accéder à la page "Gérer les ressources"
Dans la liste des projets, sélectionnez celui que vous souhaitez supprimer, puis cliquez sur Supprimer.
Dans la boîte de dialogue, saisissez l'ID du projet, puis cliquez Arrêter pour supprimer le projet.

Étape suivante

Découvrez comment prévoir une seule série temporelle avec un modèle univarié.
Découvrez comment prévoir plusieurs séries temporelles avec un modèle univarié.
Découvrez comment mettre à l'échelle un modèle univarié lors de la prévision de plusieurs séries temporelles sur de nombreuses lignes.
Découvrez comment prévoir une seule série temporelle avec un modèle multivarié.
Pour obtenir plus d'informations sur BigQuery ML, consultez la page Présentation de l'IA et du ML dans BigQuery.