Questa pagina è stata tradotta dall'API Cloud Translation.

Previsione gerarchica di serie temporali

Questo tutorial insegna come generare una serie temporale gerarchica. In questo tutorial crei due modelli di serie temporali sugli stessi dati, uno dei quali utilizza le previsioni gerarchiche e l'altro no. In questo modo puoi confrontare i risultati restituiti dai modelli.

Puoi utilizzare iowa_liquor.sales.sales per addestrare i modelli in questo tutorial. Questo set di dati contiene informazioni su oltre 1 milione di prodotti di liquori in diversi negozi che utilizzano i dati pubblici sulle vendite di liquori dell'Iowa.

Prima di seguire questo tutorial, dovresti acquisire familiarità con la previsione di più serie temporali. Completa la Tutorial: previsione di più serie temporali dai dati di Google Analytics per un'introduzione a questo argomento.

Autorizzazioni richieste

Per creare il set di dati, è necessario il bigquery.datasets.create Autorizzazione IAM.
Per creare la risorsa di connessione, devi disporre delle seguenti autorizzazioni:
- bigquery.connections.create
- bigquery.connections.get
Per creare il modello, devi disporre delle seguenti autorizzazioni:
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
- bigquery.connections.delegate
Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:
- bigquery.models.getData
- bigquery.jobs.create

Per saperne di più sui ruoli e sulle autorizzazioni IAM in BigQuery, consulta Introduzione a IAM.

Obiettivi

In questo tutorial utilizzerai quanto segue:

La CREATE MODEL per creare un modello di serie temporale e un modello gerarchico di serie temporali.
La funzione ML.FORECAST per prevedere le vendite totali giornaliere.

Costi

Questo tutorial utilizza i componenti fatturabili di Google Cloud, tra cui:

BigQuery
BigQuery ML

Per ulteriori informazioni sui costi di BigQuery, consulta la pagina Prezzi di BigQuery.

Per ulteriori informazioni sui costi di BigQuery ML, consulta Prezzi di BigQuery ML.

Prima di iniziare

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the BigQuery API.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the BigQuery API.

Enable the API

Crea un set di dati

Crea un set di dati BigQuery per archiviare il tuo modello ML:

Nella console Google Cloud, vai alla pagina BigQuery.

Vai alla pagina BigQuery
Nel riquadro Explorer, fai clic sul nome del tuo progetto.
Fai clic su Visualizza azioni > Crea set di dati.
Nella pagina Crea set di dati, segui questi passaggi:
- In ID set di dati, inserisci bqml_tutorial.
- Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).
  
  I set di dati pubblici vengono archiviati nell'US più regioni. Per semplicità, per archiviare il set di dati nella stessa posizione.
- Lascia invariate le restanti impostazioni predefinite e fai clic su Crea il set di dati.

Riconciliazione gerarchica

Le previsioni di serie temporali possono spesso essere suddivise o aggregate in base a diverse dimensioni di interesse. Queste sono note come serie temporali gerarchiche. Ad esempio, i dati del censimento che rivelano la popolazione totale per stato possono essere suddivisi per città e codice postale. Al contrario, possiamo aggregare questi dati per ogni paese o continente.

Esistono diverse tecniche che puoi utilizzare per generare e riconciliare le previsioni gerarchiche. Prendiamo l'esempio seguente, che mostra una struttura gerarchica semplificata per la vendita di liquori nello stato dell'Iowa:

Serie temporali gerarchiche.

Il livello più basso mostra il livello del negozio, seguito dal livello del codice postale, della città, della contea e infine dello stato. L'obiettivo delle previsioni gerarchiche è garantire che tutte le previsioni di ciascun livello debbano essere riconciliate. Ad esempio, alla luce della figura precedente, ciò significa che la somma delle previsioni per Clive e Des Moines deve corrispondere a quella di Polk. Allo stesso modo, le previsioni di Polk, Linn e Scott dovrebbero sommarsi a quelle dell'Iowa.

Esistono alcune tecniche comuni che puoi utilizzare per generare previsioni riconciliate per ogni livello. Una tecnica è nota come approccio bottom-up. In questo approccio, le previsioni vengono generate prima al livello più basso della gerarchia, prima di sommare gli altri livelli. Nell'esempio precedente, le previsioni per ogni negozio vengono utilizzate per creare i modelli di previsione per gli altri livelli (prima per codice postale, poi per città e così via).

crea un modello di serie temporali

Per prima cosa, crea un modello di serie temporali utilizzando i dati sulle vendite di liquori dell'Iowa.

La seguente query GoogleSQL crea un modello che prevede il numero totale giornaliero di bottiglie vendute nel 2015 nelle contee di Polk, Linn e Scott. L'istruzione CREATE MODEL crea e addestra un modello denominato bqml_tutorial.liquor_forecast.

#standardSQL
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;

OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica che viene creata Basato su ARIMA modello di serie temporale. Per impostazione predefinita, auto_arima=TRUE, quindi l'algoritmo auto.ARIMA ottimizza automaticamente gli iperparametri nei modelli ARIMA_PLUS. L'algoritmo si adatta a decine di modelli candidati e sceglie il migliore con il minimo Criterio delle informazioni Akaike (AIC). Impostare l'opzione holiday_region a US consente una modellazione più accurata i punti temporali relativi alle festività degli Stati Uniti se presenti modelli di festività degli Stati Uniti nella serie temporale.

Esegui la query CREATE MODEL per creare e addestrare il modello:

Nella console Google Cloud, fai clic sul pulsante Esegui una query in BigQuery.
Inserisci la seguente query GoogleSQL nell'editor di query.

#standardSQL
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;

Fai clic su Esegui.

Il completamento della query richiede circa 37 secondi, dopodiché il tuo modello (liquor_forecast) viene visualizzato nel riquadro Explorer. Poiché usa un'istruzione CREATE MODEL per creare un modello, non sono presenti i risultati della query.

Esamina i risultati del modello di serie temporali

Dopo aver creato il modello, puoi utilizzare la funzione ML.FORECAST per visualizzare i risultati della previsione.

Esegui la funzione ML.FORECAST sul modello liquor_forecast specificandolo nella clausola FROM.

Per impostazione predefinita, questa query restituisce le previsioni per tutte le serie temporali univoche nei dati, identificate dalle colonne store_number, zip_code, city e county.

Per eseguire la query ML.FORECAST, svolgi i seguenti passaggi:

Nella console Google Cloud, fai clic sul pulsante Esegui una query in BigQuery.
Inserisci la seguente query GoogleSQL nell'editor di query.

#standardSQL
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

Fai clic su Esegui.

L'esecuzione della query dovrebbe richiedere circa 5 secondi. Dopo l'esecuzione della query, l'output mostra i seguenti risultati.

Osserva come viene visualizzata la previsione per la prima serie temporale (store_number=2190, zip_code=50314, città=DES MOINES, contea=POLK). Se esamini le altre righe, noterai le previsioni per gli altri gruppi.

In genere, le previsioni vengono generate per ogni serie temporale univoca. Per generare previsioni per livelli aggregati, ad esempio per uno specifico paese, è necessario generare una previsione gerarchica.

Creare un modello di serie temporali con previsioni gerarchiche

Crea una previsione gerarchica delle serie temporali utilizzando i dati sulle vendite di liquori dell'Iowa.

La seguente query GoogleSQL crea un modello che genera previsioni gerarchiche per il numero totale giornaliero di bottiglie vendute nel 2015 nei contee di Polk, Linn e Scott. L'istruzione CREATE MODEL crea e addestra un modello denominato bqml_tutorial.liquor_forecast_hierarchical.

#standardSQL
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;

Il parametro HIERARCHICAL_TIME_SERIES_COLS indica che viene creata una previsione gerarchica basata su un insieme di colonne. Ognuna di queste colonne viene raggruppata e aggregata. Ad esempio, dalla query precedente, questo significa che il campo store_number viene aggregato in modo da mostrare le previsioni per ogni county, city e zip_code. Separatamente, zip_code e store_number vengono raggruppati per mostrare le previsioni per ogni county e city. L'ordine delle colonne è importante perché definisce la struttura della gerarchia.

Esegui la query CREATE MODEL per creare e addestrare il modello:

Nella console Google Cloud, fai clic sul pulsante Esegui una query in BigQuery.
Inserisci la seguente query GoogleSQL nell'editor di query.

#standardSQL
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;

Fai clic su Esegui.

Il completamento della query richiede circa 45 secondi, dopodiché il modello (bqml_tutorial.liquor_forecast_hierarchical) viene visualizzato nel riquadro Explorer. Poiché usa un'istruzione CREATE MODEL per creare un modello, non sono presenti i risultati della query.

Esaminare i risultati del modello di serie temporale gerarchico

Nella console Google Cloud, fai clic sul pulsante Esegui una query in BigQuery.

Inserisci la seguente query GoogleSQL nell'editor di query.

#standardSQL
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

Fai clic su Esegui.

L'esecuzione della query dovrebbe richiedere circa 5 secondi. Dopo l'esecuzione della query, l'output mostra i seguenti risultati.

Nota come viene visualizzata la previsione aggregata per la città di LeClaire (store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT). Se esamini più in dettaglio le altre righe, noterai le previsioni per gli altri gruppi secondari. Ad esempio, l'immagine seguente mostra le previsioni aggregate per il codice postale 52753 (store_number=NULL, zip_code=52753, city=LECLAIRE, county=SCOTT):

Eliminare il set di dati

L'eliminazione del progetto rimuove tutti i set di dati e tutte le tabelle nel progetto. Se se preferisci riutilizzare il progetto, puoi eliminare il set di dati creato tutorial:

Se necessario, apri la pagina BigQuery nella console Google Cloud.

Vai alla pagina BigQuery
Nella barra di navigazione, fai clic sul set di dati bqml_tutorial che hai creato.
Fai clic su Elimina set di dati sul lato destro della finestra. Questa azione elimina il set di dati, la tabella e tutti i dati.
Nella finestra di dialogo Elimina set di dati, digita per confermare il comando di eliminazione il nome del set di dati (bqml_tutorial), quindi fai clic su Elimina.

Elimina il progetto

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini elimini anche tutto il lavoro svolto nel progetto.
Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

In the Google Cloud console, go to the Manage resources page.
Go to Manage resources
In the project list, select the project that you want to delete, and then click Delete.
In the dialog, type the project ID, and then click Shut down to delete the project.

Passaggi successivi

Scopri come eseguire previsioni per più serie temporali con una singola query dai dati sulle corse di NYC Citi Bike.
Scopri come accelerare ARIMA_PLUS per prevedere 1 milione di serie temporali in poche ore.
Per saperne di più sul machine learning, consulta Machine Learning Crash Course.
Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
Per saperne di più sulla console Google Cloud, consulta Utilizzo della console Google Cloud.