Memperkirakan beberapa deret waktu dengan model univariat TimesFM

Tutorial ini mengajarkan cara menggunakan fungsi AI.FORECAST dengan model univariat TimesFM bawaan BigQuery ML untuk memperkirakan nilai mendatang untuk kolom tertentu, berdasarkan nilai historis kolom tersebut.

Tutorial ini menggunakan data dari tabel bigquery-public-data.san_francisco_bikeshare.bikeshare_trips publik.

Tujuan

Tutorial ini memandu Anda menggunakan fungsi AI.FORECAST dengan model TimesFM bawaan untuk memperkirakan perjalanan bike share. Dua bagian pertama membahas cara memperkirakan dan memvisualisasikan hasil untuk satu deret waktu. Bagian ketiga membahas cara membuat perkiraan untuk beberapa deret waktu.

Biaya

Tutorial ini menggunakan komponen Google Cloudyang dapat ditagih, termasuk:

• BigQuery
• BigQuery ML

Untuk informasi selengkapnya tentang biaya BigQuery, lihat halaman harga BigQuery.

Untuk informasi selengkapnya tentang biaya BigQuery ML, lihat harga BigQuery ML.

Sebelum memulai

Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

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 secara otomatis diaktifkan dalam project baru. Untuk mengaktifkan BigQuery dalam project yang sudah ada,

   Aktifkan BigQuery API.

   Peran yang diperlukan untuk mengaktifkan API

   Untuk mengaktifkan API, Anda memerlukan peran IAM Service Usage Admin (roles/serviceusage.serviceUsageAdmin), yang berisi izin serviceusage.services.enable. Pelajari cara memberikan peran.

   Mengaktifkan API

Memperkirakan deret waktu perjalanan transportasi online sepeda tunggal

Perkirakan nilai deret waktu di masa mendatang menggunakan fungsi AI.FORECAST.

Kueri berikut memperkirakan jumlah perjalanan sepeda transportasi online pelanggan per jam untuk bulan berikutnya (sekitar 720 jam), berdasarkan data historis empat bulan sebelumnya. Argumen confidence_level menunjukkan bahwa kueri menghasilkan interval prediksi dengan tingkat keyakinan 95%.

Ikuti langkah-langkah berikut untuk memperkirakan data dengan model TimesFM:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut, lalu klik Run:

   SELECT *
   FROM
     AI.FORECAST(
       (
         SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, COUNT(*) as num_trips
   FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
   WHERE subscriber_type = 'Subscriber' AND start_date >= TIMESTAMP('2018-01-01')
   GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
       ),
       horizon => 720,
       confidence_level => 0.95,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips');

   Hasilnya akan mirip seperti berikut:

   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | forecast_timestamp      | forecast_value    | confidence_level | prediction_interval_lower_bound | prediction_interval_upper_bound | ai_forecast_status |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 00:00:00 UTC | 26.3045959...     |            0.95  | 21.7088378...                   | 30.9003540...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 01:00:00 UTC | 34.0890502...     |            0.95  | 2.47682913...                   | 65.7012714...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 02:00:00 UTC | 24.2154693...     |            0.95  | 2.87621605...                   | 45.5547226...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | ...                     | ...               |  ...             | ...                             |  ...                            |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   

Membandingkan data perkiraan dengan data input

Buat diagram output fungsi AI.FORECAST bersama dengan subkumpulan data input fungsi untuk melihat perbandingannya.

Ikuti langkah-langkah berikut untuk memetakan output fungsi:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut, lalu klik Run:

   SELECT *
   FROM
     AI.FORECAST(
       (
         SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, COUNT(*) as num_trips
         FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
         WHERE subscriber_type = 'Subscriber' AND start_date >= TIMESTAMP('2018-01-01')
         GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
       ),
       horizon => 720,
       confidence_level => 0.95,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips',
       output_historical_time_series => true);

3. Setelah kueri selesai berjalan, klik tab Visualisasi di panel Hasil kueri. Untuk Jenis visualisasi, pilih Garis. Untuk Dimensi, pilih time_series_timestamp. Untuk Ukuran, pilih time_series_data, prediction_interval_lower_bound, dan prediction_interval_upper_bound. Diagram yang dihasilkan akan terlihat mirip dengan berikut ini:

   

   Anda dapat melihat bahwa data input dan data perkiraan menunjukkan penggunaan layanan berbagi sepeda yang serupa. Anda juga dapat melihat bahwa batas bawah dan atas interval prediksi meningkat seiring dengan semakin jauhnya titik waktu perkiraan ke masa depan.

Memperkirakan beberapa deret waktu perjalanan sepeda berbagi

Kueri berikut memperkirakan jumlah perjalanan bike share per jenis pelanggan dan per jam untuk bulan berikutnya (sekitar 720 jam), berdasarkan data historis empat bulan sebelumnya. Argumen confidence_level menunjukkan bahwa kueri menghasilkan interval prediksi dengan tingkat keyakinan 95%.

Ikuti langkah-langkah berikut untuk memperkirakan data dengan model TimesFM:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

2. Di editor kueri, tempel kueri berikut, lalu klik Run:

   SELECT *
   FROM
     AI.FORECAST(
       (
         SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, subscriber_type, COUNT(*) as num_trips
         FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
         WHERE start_date >= TIMESTAMP('2018-01-01')
         GROUP BY TIMESTAMP_TRUNC(start_date, HOUR), subscriber_type
       ),
       horizon => 720,
       confidence_level => 0.95,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips',
       id_cols => ['subscriber_type']);

   Hasilnya akan mirip seperti berikut:

   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | subscriber_type     | forecast_timestamp       | forecast_value   | confidence_level | prediction_interval_lower_bound | prediction_interval_upper_bound | ai_forecast_status |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | Subscriber          | 2018-05-01 00:00:00 UTC  | 26.3045959...    |            0.95  | 21.7088378...                   | 30.9003540...                   |                    |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | Subscriber          |  2018-05-01 01:00:00 UTC | 34.0890502...    |            0.95  | 2.47682913...                   | 65.7012714...                   |                    |
   +---------------------+-------------------+------------------+-------------------------+---------------------------------+---------------------------------+--------------------+
   | Subscriber          |  2018-05-01 02:00:00 UTC | 24.2154693...    |            0.95  | 2.87621605...                   | 45.5547226...                   |                    |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | ...                 | ...                      |  ...             | ...              | ...                             |  ...                            |                    |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project Anda

Untuk menghapus project:

Perhatian: Penghapusan project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika Anda menggunakan project yang ada untuk mengerjakan tugas di dokumen ini, saat Anda menghapusnya, pekerjaan lain dalam project tersebut juga akan dihapus.
• Project ID kustom akan hilang. Saat membuat project ini, Anda mungkin juga membuat project ID kustom yang masih ingin digunakan pada masa mendatang. Agar tidak kehilangan URL yang menggunakan project ID tersebut, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

1. Di Konsol Google Cloud , buka halaman Manage resources.

   Buka Kelola resource

2. Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
3. Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

Langkah berikutnya

• Untuk ringkasan BigQuery ML, lihat Pengantar AI dan ML di BigQuery.