Hierarchische Zeitreihen mit einem univariaten ARIMA_PLUS-Modell prognostizieren

In dieser Anleitung erfahren Sie, wie Sie ein univariates Zeitachsenmodell vom Typ ARIMA_PLUS verwenden, um hierarchische Zeitachsen zu prognostizieren. Der zukünftige Wert für eine bestimmte Spalte wird anhand der historischen Werte für diese Spalte prognostiziert. Außerdem werden Roll-up-Werte für diese Spalte für eine oder mehrere relevante Dimensionen berechnet.

Prognostizierte Werte werden für jeden Zeitpunkt und für jeden Wert in einer oder mehreren Spalten berechnet, die die relevanten Dimensionen angeben. Wenn Sie beispielsweise tägliche Verkehrsbehinderungen prognostizieren möchten und eine Dimensionsspalte mit Daten zu Bundesstaaten angegeben haben, enthalten die prognostizierten Daten Werte für jeden Tag für Bundesstaat A, dann Werte für jeden Tag für Bundesstaat B usw. Wenn Sie tägliche Verkehrsbehinderungen prognostizieren möchten und Dimensionsspalten mit Daten zu Bundesstaaten und Städten angegeben haben, enthalten die prognostizierten Daten Werte für jeden Tag für Bundesstaat A und Stadt A, dann Werte für jeden Tag für Bundesstaat A und Stadt B usw. In hierarchischen Zeitreihenmodellen wird die hierarchische Abstimmung verwendet, um jede untergeordnete Zeitreihe mit der übergeordneten Zeitreihe zusammenzuführen und abzugleichen. Beispiel: Die Summe der prognostizierten Werte für alle Städte in Bundesstaat A muss dem prognostizierten Wert für Bundesstaat A entsprechen.

In dieser Anleitung erstellen Sie zwei Zeitreihenmodelle, die dieselben Daten nutzen. Eines verwendet hierarchische Prognosen und eines verwendet keine hierarchischen Prognosen. So können Sie die von den Modellen zurückgegebenen Ergebnisse vergleichen.

In dieser Anleitung werden Daten aus der öffentlichen Tabelle bigquery-public-data.iowa_liquor.sales.sales verwendet. Diese Tabelle enthält Informationen zu über einer Million Spirituosenprodukten in verschiedenen Geschäften anhand der öffentlichen Verkaufsdaten für Spirituosen in Iowa.

Bevor Sie diese Anleitung lesen, sollten Sie sich unbedingt mit dem Thema Mehrere Zeitachsen mit einem univariaten Modell prognostizieren vertraut machen.

Erforderliche Berechtigungen

• Sie benötigen die IAM-Berechtigung bigquery.datasets.create, um das Dataset zu erstellen.

• Zum Erstellen des Modells benötigen Sie die folgenden Berechtigungen:

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

• Zum Ausführen von Inferenzen benötigen Sie die folgenden Berechtigungen:

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

Weitere Informationen zu IAM-Rollen und Berechtigungen in BigQuery finden Sie unter Einführung in IAM.

Ziele

In dieser Anleitung verwenden Sie Folgendes:

• Erstellen eines Modells mit mehreren Zeitreihen und eines Modells mit mehreren hierarchischen Zeitreihen, um mit der Anweisung CREATE MODEL die Verkaufszahlen von Flaschen vorherzusagen.
• Abrufen der prognostizierten Flaschenverkaufszahlen aus den Modellen mit der Funktion ML.FORECAST.

Kosten

In dieser Anleitung werden kostenpflichtige Komponenten von Google Cloudverwendet, darunter:

• BigQuery
• BigQuery ML

Weitere Informationen zu den Kosten von BigQuery finden Sie auf der Seite BigQuery-Preise.

Weitere Informationen zu den Kosten für BigQuery ML finden Sie unter BigQuery ML-Preise.

Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie einfach ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

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 ist in neuen Projekten automatisch aktiviert. Zum Aktivieren von BigQuery in einem vorhandenen Projekt wechseln Sie zu

   Aktivieren Sie die BigQuery API, falls sie noch nicht aktiviert ist.

   Rollen, die zum Aktivieren von APIs erforderlich sind

   Zum Aktivieren von APIs benötigen Sie die Berechtigung serviceusage.services.enable. Wenn Sie das Projekt erstellt haben, haben Sie diese Berechtigung wahrscheinlich bereits über die Inhaberrolle (roles/owner). Andernfalls können Sie diese Berechtigung über die Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin) erhalten. Informationen zum Zuweisen von Rollen

   API aktivieren

Dataset erstellen

Wählen Sie eine der folgenden Optionen aus, um ein BigQuery-Dataset zu erstellen:

Console

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Klicken Sie im linken Bereich auf Explorer:

   

   Wenn der linke Bereich nicht angezeigt wird, klicken Sie auf Linken Bereich maximieren, um ihn zu öffnen.

3. Maximieren Sie im Explorer Ihr Projekt und klicken Sie dann auf Datasets.

4. Klicken Sie auf der Seite Datasets auf Dataset erstellen.

5. Führen Sie im Bereich Dataset erstellen die folgenden Schritte aus:

   • Geben Sie unter Dataset-ID bqml_tutorial ein.

   • Wählen Sie unter Speicherort der Daten die Option USA aus.

   Übernehmen Sie die anderen Standardeinstellungen.

6. Klicken Sie auf Dataset erstellen.

bq

Wenn Sie ein neues Dataset erstellen möchten, verwenden Sie den Befehl bq mk --dataset.

1. Erstellen Sie ein Dataset mit dem Namen bqml_tutorial und dem Datenspeicherort US:

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

2. Prüfen Sie, ob das Dataset erstellt wurde:

   bq ls

API

Rufen Sie die Methode datasets.insert mit einer definierten Dataset-Ressource auf:

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

Zeitreihenmodell erstellen

Erstellen Sie ein Zeitreihenmodell mit den Daten zu Spirituosenverkäufen in Iowa.

Mit der folgenden GoogleSQL-Abfrage wird ein Modell erstellt, das die tägliche Gesamtzahl der im Jahr 2015 in Polk, Linn und Scott-Landkreisen verkauften Flaschen prognostiziert.

In der folgenden Abfrage gibt die OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...)-Klausel an, dass Sie ein ARIMA-basiertes Zeitreihenmodell erstellen. Mit der Option TIME_SERIES_ID der CREATE MODEL-Anweisung geben Sie eine oder mehrere Spalten in den Eingabedaten an, für die Sie Prognosen erhalten möchten. Die Option auto_arima_max_order der CREATE MODEL-Anweisung steuert den Suchbereich für die Hyperparameter-Abstimmung im auto.ARIMA-Algorithmus. Die Option decompose_time_series der Anweisung CREATE MODEL ist standardmäßig auf TRUE festgelegt, sodass Informationen zu den Zeitreihendaten zurückgegeben werden, wenn Sie das Modell im nächsten Schritt bewerten.

Die OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...)-Anweisung gibt an, dass Sie ein ARIMA-basiertes Zeitachsenmodell erstellen. Standardmäßig wird auto_arima=TRUE verwendet, sodass der auto.ARIMA-Algorithmus die Hyperparameter in ARIMA_PLUS-Modellen automatisch abstimmt. Der Algorithmus passt Dutzende von Kandidatenmodellen an und wählt das beste Modell aus, also das Modell mit dem niedrigsten Akaike-Informationskriterium (AIC). Durch Festlegen der Option holiday_region auf US wird eine genauere Modellierung der Feiertagszeitpunkte in den USA ermöglicht, wenn in der Zeitachse Feiertagsmuster der USA vorhanden sind.

So erstellen Sie das Modell:

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Fügen Sie im Abfrageeditor die folgende Abfrage ein und klicken Sie auf Ausführen:

   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;

   Die Abfrage dauert ungefähr 37 Sekunden. Anschließend können Sie auf das Modell liquor_forecast zugreifen. Da die Abfrage eine CREATE MODEL-Anweisung zum Erstellen eines Modells verwendet, gibt es keine Abfrageergebnisse.

Modell zur Prognose von Daten verwenden

Prognostizieren Sie zukünftige Zeitreihenwerte mit der Funktion ML.FORECAST.

In der folgenden Abfrage gibt die STRUCT(20 AS horizon, 0.8 AS confidence_level)-Klausel an, dass die Abfrage 20 zukünftige Zeitpunkte prognostiziert und ein Vorhersageintervall mit einem Konfidenzniveau von 80 % generiert.

So prognostizieren Sie Daten mit dem Modell:

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Fügen Sie im Abfrageeditor die folgende Abfrage ein und klicken Sie auf Ausführen:

   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;

   Die Antwort sollte in etwa so aussehen:

   

   Die Ausgabe beginnt mit den prognostizierten Daten für die erste Zeitreihe: store_number=2190, zip_code=50314, city=DES MOINES, county=POLK. Wenn Sie durch die Daten scrollen, sehen Sie die Prognosen für jede nachfolgende eindeutige Zeitreihe. Wenn Sie Prognosen generieren möchten, die Summen für verschiedene Dimensionen aggregieren, z. B. Prognosen für einen bestimmten Landkreis, müssen Sie eine hierarchische Prognose generieren.

Hierarchisches Zeitreihenmodell erstellen

Erstellen Sie eine hierarchische Zeitreihenprognose mit den Verkaufsdaten für Spirituosen in Iowa.

Mit der folgenden GoogleSQL-Abfrage wird ein Modell erstellt, das hierarchische Prognosen für die tägliche Gesamtzahl der im Jahr 2015 in Polk, Linn und Scott-Landkreisen verkauften Flaschen generiert.

In der folgenden Abfrage gibt die Option HIERARCHICAL_TIME_SERIES_COLS in der Anweisung CREATE MODEL an, dass Sie eine hierarchische Prognose basierend auf einer Reihe von Spalten erstellen, die Sie angeben. Jede dieser Spalten wird für die Aggregation zusammengefügt. In der vorherigen Abfrage bedeutet dies beispielsweise, dass der Wert der Spalte store_number zusammengefasst wird, um Prognosen für jeden county-, city- und zip_code-Wert anzuzeigen. Getrennt voneinander werden auch zip_code- und store_number-Werte zusammengefasst, um Prognosen für jeden county- und city-Wert anzuzeigen. Die Spaltenreihenfolge ist wichtig, da sie die Struktur der Hierarchie definiert.

So erstellen Sie das Modell:

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Fügen Sie im Abfrageeditor die folgende Abfrage ein und klicken Sie auf Ausführen:

   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;

   Die Abfrage dauert ungefähr 45 Sekunden. Anschließend kann im Bereich Explorer auf das Modell bqml_tutorial.liquor_forecast_hierarchical zugegriffen werden. Da die Abfrage eine CREATE MODEL-Anweisung zum Erstellen eines Modells verwendet, gibt es keine Abfrageergebnisse.

Hierarchisches Modell für Datenprognosen verwenden

Rufen Sie mit der Funktion ML.FORECAST hierarchische Prognosedaten aus dem Modell ab.

So prognostizieren Sie Daten mit dem Modell:

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Fügen Sie im Abfrageeditor die folgende Abfrage ein und klicken Sie auf Ausführen:

   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;

   Die Antwort sollte in etwa so aussehen:

   

   Beachten Sie, dass die aggregierte Prognose für die Stadt LeClaire, store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT angezeigt wird. Wenn Sie sich die restlichen Zeilen ansehen, sehen Sie die Prognosen für die anderen Untergruppen. In der folgenden Abbildung sehen Sie beispielsweise die Prognosen für die Postleitzahl 52753, store_number=NULL, zip_code=52753, city=LECLAIRE, county=SCOTT:

   

Bereinigen

Damit Ihrem Google Cloud -Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, können Sie entweder das Projekt löschen, das die Ressourcen enthält, oder das Projekt beibehalten und die einzelnen Ressourcen löschen.

• Sie können das von Ihnen erstellte Projekt löschen.
• Sie können das Projekt aber auch behalten und das Dataset löschen.

Dataset löschen

Wenn Sie Ihr Projekt löschen, werden alle Datasets und Tabellen entfernt. Wenn Sie das Projekt wieder verwenden möchten, können Sie das in dieser Anleitung erstellte Dataset löschen:

1. Rufen Sie, falls erforderlich, die Seite „BigQuery“ in derGoogle Cloud Console auf.

   Zur Seite „BigQuery“

2. Wählen Sie im Navigationsbereich das Dataset bqml_tutorial aus, das Sie erstellt haben.

3. Klicken Sie rechts im Fenster auf Delete dataset (Dataset löschen). Dadurch werden das Dataset, die Tabelle und alle Daten gelöscht.

4. Bestätigen Sie im Dialogfeld Dataset löschen den Löschbefehl. Geben Sie dazu den Namen des Datasets (bqml_tutorial) ein und klicken Sie auf Löschen.

Projekt löschen

So löschen Sie das Projekt:

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, zum Beispiel eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, anstatt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

1. Wechseln Sie in der Google Cloud -Console zur Seite Ressourcen verwalten.

   Zur Seite „Ressourcen verwalten“

2. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie dann auf Löschen.
3. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Shut down (Beenden), um das Projekt zu löschen.

Nächste Schritte

• Prognose für einzelne Zeitreihe mit einem univariaten Modell erstellen
• Mehrere Zeitreihen mit einem univariaten Modell prognostizieren
• Univariates Modell skalieren, wenn mehrere Zeitreihen über viele Zeilen hinweg prognostiziert werden
• Einzelne Zeitreihe mit einem multivariaten Modell prognostizieren
• Eine Übersicht über BigQuery ML finden Sie unter Einführung in KI und ML in BigQuery.