Memperkirakan beberapa deret waktu dengan model multivariat TimesFM

Pratinjau

Produk ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum dari Persyaratan Khusus Layanan. Produk pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

Tutorial ini mengajarkan cara melakukan perkiraan multivariat di beberapa deret waktu menggunakan fungsi AI.FORECAST dengan model TimesFM 3.0 yang ada di BigQuery ML. Peramalan multivariat membantu Anda meningkatkan akurasi perkiraan dengan menggabungkan variabel lain (kovariat) yang memengaruhi target.

Dengan menentukan kolom ID, Anda dapat membuat perkiraan untuk beberapa entitas berbeda secara bersamaan. Tutorial ini menunjukkan cara memperkirakan perjalanan dan tarif taksi New York untuk berbagai zona penjemputan dengan menggabungkan data jarak perjalanan historis, yang merupakan kovariat masa lalu.

Tujuan

• Siapkan set data terpadu untuk beberapa deret waktu.
• Buat prediksi untuk data taksi New York menggunakan fungsi AI.FORECAST dengan model TimesFM 3.0.

Biaya

Tutorial ini menggunakan komponen Google Cloudyang dapat ditagih, termasuk:

• BigQuery
• BigQuery ML

Untuk mengetahui informasi selengkapnya, lihat Harga BigQuery dan Harga BigQuery ML.

Sebelum memulai

1. 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

2. Verify that billing is enabled for your Google Cloud project.

3. Aktifkan BigQuery API, jika belum diaktifkan.

   Peran yang diperlukan untuk mengaktifkan API

   Untuk mengaktifkan API, Anda memerlukan izin serviceusage.services.enable. Jika Anda membuat project, kemungkinan Anda sudah memiliki izin ini melalui peran Pemilik (roles/owner). Jika tidak, Anda bisa mendapatkan izin ini melalui peran Admin Penggunaan Layanan (roles/serviceusage.serviceUsageAdmin). Pelajari cara memberikan peran.

   Mengaktifkan API

   Untuk project baru, BigQuery API diaktifkan secara otomatis.

Peran yang diperlukan

Untuk mendapatkan izin yang Anda perlukan untuk menyelesaikan tugas dalam tutorial ini, minta administrator Anda untuk memberi Anda peran IAM berikut:

• Buat set data: BigQuery Data Editor (roles/bigquery.dataEditor)
• Buat model:
  • BigQuery Data Editor (roles/bigquery.dataEditor)
  • BigQuery Job User (roles/bigquery.jobUser)
• Jalankan inferensi:
  • BigQuery Data Editor (roles/bigquery.dataEditor)
  • BigQuery Job User (roles/bigquery.jobUser)

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk menyelesaikan tugas dalam tutorial ini. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk menyelesaikan tugas dalam tutorial ini:

• Buat set data: bigquery.datasets.create
• Buat model:
  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
• Jalankan inferensi:
  • bigquery.models.getData
  • bigquery.jobs.create

Anda mungkin juga bisa mendapatkan izin ini dengan peran khusus atau peran bawaan lainnya.

Untuk mengetahui informasi lebih lanjut tentang peran dan izin IAM di BigQuery, baca Pengantar IAM.

Menyiapkan data input

Tidak seperti model multivariat lainnya yang mungkin memerlukan tabel terpisah untuk kovariat historis dan mendatang, fungsi AI.FORECAST dengan TimesFM 3.0 mengharapkan satu tabel atau kueri input.

Untuk perkiraan deret waktu ganda, data Anda harus menyertakan satu atau beberapa kolom ID untuk memisahkan data menjadi deret waktu yang berbeda. Dalam contoh ini, satu deret waktu berisi data untuk lokasi pengambilan 132 (Bandara JFK) dan deret waktu lainnya berisi data untuk lokasi pengambilan 138 (Bandara LaGuardia). Pastikan data Anda memenuhi persyaratan berikut untuk setiap deret waktu:

• Baris historis: berisi nilai non-null untuk stempel waktu, target, dan kovariat masa lalu.

Karena contoh ini tidak menggunakan kovariat mendatang, kueri input hanya perlu memberikan data historis. Tabel input Anda harus berisi kolom dengan data berikut:

• Tanggal perjalanan taksi.
• Lokasi pengambilan: 132 atau 138.
• Jumlah perjalanan pada tanggal tersebut. Ini adalah kolom target.
• Jumlah tarif rata-rata pada tanggal tersebut. Ini adalah kolom target.
• Jarak rata-rata perjalanan pada tanggal tersebut. Ini adalah kolom kovariat sebelumnya yang digunakan dalam perkiraan.

Memperkirakan beberapa deret waktu multivariat

Kueri berikut memperkirakan jumlah perjalanan dan tarif rata-rata per hari selama 14 hari ke depan untuk zona penjemputan JFK dan LaGuardia. Menentukan past_cov_avg_distance sebagai fitur yang hanya diketahui secara historis. Anda harus memberikan argumen id_cols agar model mengetahui cara memisahkan deret waktu yang berbeda.

Ikuti langkah-langkah berikut untuk memperkirakan data dengan model TimesFM 3.0:

1. Di konsol Google Cloud , buka halaman BigQuery.

   Buka BigQuery

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

   SELECT
     pickup_location_id,
     FORMAT_DATE("%Y-%m-%d", pickup_date) AS pickup_date,
     # Extract the forecast value and prediction intervals for the number of trips target
     target_num_trips.value AS forecasted_num_trips,
     target_num_trips.prediction_interval_lower_bound AS num_trips_lower,
     target_num_trips.prediction_interval_upper_bound AS num_trips_upper,
     # Extract the forecast value and prediction intervals for the average fare target
     target_avg_fare.value AS forecasted_avg_fare,
     target_avg_fare.prediction_interval_lower_bound AS avg_fare_lower,
     target_avg_fare.prediction_interval_upper_bound AS avg_fare_upper
   FROM AI.FORECAST(
     (
       SELECT
         DATE(pickup_datetime) AS pickup_date,
         pickup_location_id,
         COUNT(*) AS target_num_trips,
         AVG(fare_amount) AS target_avg_fare,
         AVG(trip_distance) AS past_cov_avg_distance
       FROM `bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2022`
       WHERE pickup_datetime >= "2022-01-01" AND pickup_datetime < "2022-04-01"
         AND pickup_location_id IN ("132", "138") -- JFK and LaGuardia Airports
       GROUP BY 1, 2
     ),
     model => "TimesFM 3.0",
     target_cols => ["target_num_trips", "target_avg_fare"],
     past_covariate_cols => ["past_cov_avg_distance"],
     timestamp_col => "pickup_date",
     id_cols => ["pickup_location_id"],
     horizon => 14
   )
   ORDER BY pickup_date;
   

Hasilnya akan mirip dengan berikut ini, dengan nilai yang dibulatkan untuk kejelasan:

+--------------------+-------------+----------------------+-----------------+-----------------+---------------------+----------------+----------------+
| pickup_location_id | pickup_date | forecasted_num_trips | num_trips_lower | num_trips_upper | forecasted_avg_fare | avg_fare_lower | avg_fare_upper |
+--------------------+-------------+----------------------+-----------------+-----------------+---------------------+----------------+----------------+
| 132                | 2022-04-01  | 5240                 | 4633            | 5842            | 47                  | 46             | 48             |
| 138                | 2022-04-01  | 3451                 | 2848            | 4008            | 32                  | 31             | 34             |
| ...                | ...         | ...                  | ...             | ...             | ...                 | ...            | ...            |
+--------------------+-------------+----------------------+-----------------+-----------------+---------------------+----------------+----------------+

Hasilnya menunjukkan perkiraan jumlah perjalanan dan jumlah tarif rata-rata untuk 14 hari ke depan di zona penjemputan JFK dan LaGuardia. Hasilnya juga mencakup batas bawah dan atas untuk interval prediksi 95% untuk setiap nilai perkiraan.

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

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.
• Pelajari cara memperkirakan deret waktu tunggal atau ganda dengan model univariat TimesFM.
• Pelajari cara memperkirakan deret waktu tunggal dengan model multivariat TimesFM.