Pontuando um modelo de série temporal

Depois de salvar um pipeline de série temporal do AutoAI como um modelo, será possível implementar e pontuar o modelo para prever novos valores.

Implementando um modelo de série temporal

Depois de salvar um modelo em um projeto, siga as etapas para implementar o modelo:

  1. Localize o modelo na lista de ativos de projeto.
  2. Promova o modelo para um espaço de implementação.
  3. Promova os dados de carga útil para o espaço de implementação.
  4. No espaço de implementação, crie uma implementação.

Considerações sobre pontuação

Neste ponto, a implementação de um modelo de série temporal segue as mesmas etapas da implementação de um modelo de classificação ou regressão. No entanto, por causa da forma como as predições são estruturadas e geradas em um modelo de série temporal, sua entrada deve corresponder à sua estrutura de modelo. Por exemplo, a maneira como uma carga útil é estruturada depende de a previsão ser para um único resultado (univariado) ou para vários resultados (multivariado).

Observe estas considerações de alto nível:

  • Para obter a primeira linha da janela de previsão ou as linhas após a última linha em seus dados, envie uma carga útil vazia.
  • Para obter o próximo valor, envie o resultado por meio da solicitação de carga útil vazia como sua próxima solicitação de pontuação e assim por diante.
  • É possível enviar várias linhas como entrada para construir tendências e prever o próximo valor após uma tendência.
  • Se você tiver várias colunas de predição, será necessário incluir um valor para cada uma delas em sua solicitação de pontuação
  • Ao configurar a implementação, é possível especificar um valor para Etapas adiante para mudar o número de etapas para prever. Por exemplo, para o tempo por hora, você poderia prever 24 etapas.

Pontuando uma implementação on-line

Se você criar uma implementação online, você pode passar os dados da carga útil usando um formulário de entrada ou enviando código JSON. Este exemplo mostra como estruturar o código JSON para gerar predições.

Prevendo um valor único

No caso mais simples, considerando-se esses dados de amostra, você está tentando prever a próxima etapa de value1 com uma janela de previsão de 1, significando que cada previsão será uma única etapa (linha).

registro de data e hora value1
2015-02026 21:42 2
2015-02026 21:47 4
2015-02026 21:52 6
2015-02026 21:57 8
2015-02026 22:02 22

Você deve passar uma entrada em branco como os dados de entrada para solicitar a primeira predição, que é estruturada assim:

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": []
    }
  ]
}

A saída que é devolvida prevê o próximo passo no modelo:

{
    "predictions": [
        {
            "fields": [
                "prediction"
            ],
            "values": [
                [
                    12
                ]
            ]
        }
    ]
}

A próxima entrada transmite o resultado da saída anterior para prever a próxima etapa:

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": [
          [12]
          ]
    }
  ]
}

Prevendo vários valores

Neste caso, você está prevendo dois destinos, value1 e value2.

registro de data e hora value1 value2
2015-02026 21:42 2 1
2015-02026 21:47 4 3
2015-02026 21:52 6 5
2015-02026 21:57 8 7
2015-02026 22:02 22 9

Os dados de entrada ainda devem transmitir uma entrada em branco para solicitar a primeira predição. A próxima entrada seria estruturada como esta:

{
  "input_data": [
    {
      "fields": [
        "value1",
        "value2"
      ],
      "values": [
          [2, 1],
          ]
    }
  ]
}

Predição baseada em novas observações

Se em vez de prever a próxima linha com base na etapa anterior você deseja inserir novas observações, insira os dados de entrada como este para um modelo univariado:

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": [
          [2],
          [4],
          [6]
          ]
    }
  ]
}

Insira novas observações como esta para um modelo multivariado:

{
  "input_data": [
    {
      "fields": [
        "value1",
        "value2"
      ],
      "values": [
          [2, 1],
          [4, 3],
          [6, 5]
          ]
    }
  ]
}

Em que 2, 4 e 6 são observações para value1 e 1, 3, 5 são observações para value2.

Como marcar um modelo de série temporal com recursos de Suportes

Após implantar o seu modelo, você pode ir para a página detalhando sua implementação para obter valores de previsão. Escolha uma das seguintes formas de testar a sua implantação:

Usando valores de entrada existentes

Você pode utilizar valores de entrada existentes em seu conjunto de dados para obter valores de predição. Clique Em Prever para obter um conjunto de valores de predição. O número total de valores de predição na saída é definido por horizonte de predição que você configurou anteriormente durante o estágio de configuração do experimento.

Usando novos valores de entrada

Você pode optar por preencher a planilha com novos valores de entrada ou usar código JSON para obter uma predição.

Como usar planilha para fornecer novos dados de entrada para previsão de valores

Para adicionar dados de entrada na planilha Novas observações (opcional) , selecione a guia Entrada e faça um dos seguintes:

  • Inclua o arquivo .csv pré-existente contendo novas observações de seu diretório local, clicando em Procurar arquivos locais
  • Baixe o modelo do arquivo de entrada clicando em “Baixar modelo d CSV ”, insira os valores e envie o arquivo.
  • Use um ativo de dados existente do seu projeto, clicando em Pesquisar no espaço.
  • Insira manualmente observações de entrada na planilha.

Você também pode fornecer valores futuros para recursos de Suportes se você tiver ativado anteriormente seu experimento para alavancar esses valores durante o estágio de configuração do experimento. Certitenha-se de adicionar esses valores para a planilha Futuro de apoio (opcional) .

Usando código JSON para fornecer dados de entrada

Para adicionar dados de entrada usando código JSON, selecione a guia Paste JSON e faça um dos seguintes:

  • Inclua arquivo JSON pré-existente contendo novas observações do seu diretório local clicando em Procurar arquivos locais.
  • Use um ativo de dados existente do seu projeto, clicando em Pesquisar no espaço.
  • Digite manualmente ou cole código JSON no editor.

Nesta amostra de código, a coluna de predição é pollutione os recursos de suporte são temp e press.

{
        "input_data": [
                {
                        "id": "observations",
                        "values": [
                                [
                                        96.125,
                                        3.958,
                                        1026.833
                                ]
                        ]
                },
                {
                        "id": "supporting_features",
                        "values": [
                                [
                                        3.208,
                                        1020.667
                                ]
                        ]
                }
        ]
}

Próximas etapas

Salvando um notebook gerado AutoAI (tempo de execução dowatsonx.ai )