TimesFM 다변량 모델로 여러 시계열 예측

이 튜토리얼에서는 BigQuery ML에 내장된 TimesFM 3.0 모델과 함께 AI.FORECAST 함수를 사용하여 여러 시계열에서 다변량 예측을 수행하는 방법을 알아봅니다. 다변량 예측은 타겟에 영향을 미치는 다른 변수(공변량)를 통합하여 예측 정확도를 개선하는 데 도움이 됩니다.

식별자 열을 지정하면 여러 개별 항목에 대한 예측을 동시에 생성할 수 있습니다. 이 튜토리얼에서는 과거 공변량인 과거 이동 거리 데이터를 통합하여 다양한 승차 지역의 뉴욕 택시 이동 및 요금을 예측하는 방법을 보여줍니다.

목표

  • 여러 시계열의 통합 데이터 세트를 준비합니다.
  • TimesFM 3.0 모델과 함께 AI.FORECAST 함수를 사용하여 뉴욕 택시 데이터에 대한 예측을 생성합니다.

비용

이 튜토리얼에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud구성요소를 사용합니다.

  • BigQuery
  • BigQuery ML

자세한 내용은 BigQuery 가격 책정 및 BigQuery ML 가격 책정을 참고하세요.

시작하기 전에

  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.

    Go to project selector

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

  3. BigQuery API가 아직 사용 설정되지 않은 경우 사용 설정합니다.

    API 사용 설정에 필요한 역할

    API를 사용 설정하려면 serviceusage.services.enable 권한이 필요합니다. 프로젝트를 만든 경우 소유자 역할 (roles/owner)을 통해 이 권한이 이미 있을 수 있습니다. 그렇지 않으면 서비스 사용량 관리자 역할 (roles/serviceusage.serviceUsageAdmin)을 통해 이 권한을 얻을 수 있습니다. 역할을 부여하는 방법 알아보기

    API 사용 설정하기

    새 프로젝트에서는 BigQuery API가 자동으로 사용 설정됩니다.

필요한 역할

이 튜토리얼의 작업을 완료하는 데 필요한 권한을 얻으려면 관리자에게 다음 IAM 역할을 부여해 달라고 요청하세요.

역할 부여에 대한 자세한 내용은 프로젝트, 폴더, 조직에 대한 액세스 관리를 참조하세요.

이러한 사전 정의된 역할에는 이 튜토리얼의 작업을 완료하는 데 필요한 권한이 포함되어 있습니다. 필요한 정확한 권한을 보려면 필수 권한 섹션을 펼치세요.

필수 권한

이 튜토리얼의 작업을 완료하려면 다음 권한이 필요합니다.

  • 데이터 세트를 만듭니다. bigquery.datasets.create
  • 모델을 만듭니다.
    • bigquery.jobs.create
    • bigquery.models.create
    • bigquery.models.getData
    • bigquery.models.updateData
  • 추론을 실행합니다.
    • bigquery.models.getData
    • bigquery.jobs.create

커스텀 역할이나 다른 사전 정의된 역할을 사용하여 이 권한을 부여받을 수도 있습니다.

BigQuery에서 IAM 역할 및 권한에 대한 자세한 내용은 IAM 소개를 참조하세요.

입력 데이터 준비

과거 및 미래 공변량에 별도의 테이블이 필요할 수 있는 다른 다변량 모델과 달리 TimesFM 3.0이 있는 AI.FORECAST 함수는 단일 입력 테이블 또는 쿼리를 예상합니다.

다중 시계열 예측의 경우 데이터를 별도의 시계열로 구분하는 하나 이상의 식별자 열이 데이터에 포함되어야 합니다. 이 예에서 한 시계열에는 수령 위치 132 (JFK 공항)의 데이터가 포함되고 다른 시계열에는 수령 위치 138(라과르디아 공항)의 데이터가 포함됩니다. 데이터가 각 개별 시계열에 대해 다음 요구사항을 충족하는지 확인하세요.

  • 이전 행: 타임스탬프, 타겟, 과거 공변량의 null이 아닌 값을 포함합니다.

이 예에서는 미래 공변량을 사용하지 않으므로 입력 쿼리에서 이전 데이터만 제공하면 됩니다. 입력 테이블에는 다음 데이터가 포함된 열이 있어야 합니다.

  • 택시 이동 날짜입니다.
  • 수령 위치: 132 또는 138
  • 해당 날짜의 이동 횟수입니다. 타겟 열입니다.
  • 해당 날짜의 평균 요금입니다. 타겟 열입니다.
  • 해당 날짜의 평균 이동 거리입니다. 예측에 사용된 과거 공변량 열입니다.

여러 다변수 시계열 예측

다음 쿼리는 JFK 및 LaGuardia 픽업 구역의 향후 14일간의 일별 여행 수와 평균 요금을 예측합니다. past_cov_avg_distance를 역사적으로만 알려진 기능으로 정의합니다. 모델이 다양한 시계열을 구분하는 방법을 알 수 있도록 id_cols 인수를 제공해야 합니다.

다음 단계에 따라 TimesFM 3.0 모델로 데이터를 예측합니다.

  1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

    BigQuery로 이동

  2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

    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;

결과는 다음과 비슷하며 명확성을 위해 값이 반올림됩니다.

+--------------------+-------------+----------------------+-----------------+-----------------+---------------------+----------------+----------------+
| 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             |
| ...                | ...         | ...                  | ...             | ...             | ...                 | ...            | ...            |
+--------------------+-------------+----------------------+-----------------+-----------------+---------------------+----------------+----------------+

결과에는 JFK 및 LaGuardia 승차 지역의 향후 14일간의 예상 이동 수와 평균 요금 금액이 표시됩니다. 결과에는 예측된 각 값의 95% 예측 간격의 하한과 상한도 포함됩니다.

삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.

프로젝트 삭제

  1. Google Cloud 콘솔에서 리소스 관리 페이지로 이동합니다.

    리소스 관리로 이동

  2. 프로젝트 목록에서 삭제할 프로젝트를 선택하고 삭제를 클릭합니다.
  3. 대화상자에서 프로젝트 ID를 입력한 후 종료를 클릭하여 프로젝트를 삭제합니다.

다음 단계