Prédiction avec le déploiement de série temporelle

Après avoir déployé et approuvé votre modèle de série temporelle, vous pouvez créer des projections spécifiques au temps. Dans ce didacticiel, nous créons une configuration de prédiction au sein du déploiement ML et l'utilisons pour exécuter une prédiction par lots.

Jusqu'à présent, nous avons utilisé les données de ventes quotidiennes pour créer un modèle d'apprentissage automatique. L'objectif, avec ce processus, était de reconnaître les patterns via l'apprentissage automatique, afin de les appliquer aux nouvelles données.

Comprendre les prédictions des modèles de série temporelle

Il est important de savoir comment fonctionnent les prédictions des modèles de série temporelle, car cela est différent des prédictions d'autres types de modèle. Les étapes à suivre pour préparer votre jeu de données à appliquer sont différentes des étapes à suivre pour d'autres types de modèle.

Avec les modèles de série temporelle, les nouvelles prédictions sont ajoutées sous forme de nouvelles lignes et non sous forme de colonne distincte.

Création d'un jeu de données à appliquer

Cette section vous explique comment créer votre jeu de données à appliquer pour ce problème de série temporelle. Le processus réel de compilation des lignes du jeu de données n'est pas indiqué, mais le flux de travail l'est.

Structure de colonnes

Votre jeu de données à appliquer doit contenir le même schéma que celui du modèle de série temporelle que vous avez déployé. Vous trouverez le schéma lorsque vous ouvrirez le déploiement ML.

Dans tous les cas, le jeu de données à appliquer doit inclure les mêmes colonnes que le schéma du modèle — en d'autres termes, une colonne pour chacun des éléments suivants :

• Index de date

• Cible

• Groupes

• Caractéristiques (covariables)

Structure de lignes

Votre jeu de données doit contenir des enregistrements (lignes) comme suit :

• Columns and column headers for all columns included in the training dataset.

• The same time step as the training dataset.

• All groups and group values that were present in the training dataset.

  Note InformationsIf new group values are present in the apply dataset (which were not present in the training data), predictions are not generated for these rows. If predictions are required for these new group values, it is recommended that you retrain the model with training data that includes them.
  Note Informations

  At prediction time or in the apply dataset, missing group values are handled as follows:

  • The absence of primary group values—on which the model is trained—is allowed.

  • Missing secondary group values are not allowed. Prediction fails with an error.

  It is best to collect and provide all secondary group data during prediction whenever possible. However, if secondary groups are expected to be missing mainly at prediction time, one possible solution is to avoid using secondary groups altogether.

  Instead, you can combine the original primary and secondary group values into a single new grouping column, use it as the new primary group, and retrain the model based on that structure. In this setup, the new model depends only on the newly introduced primary groups.

  The tradeoff is that you may lose some of the correlated information between groups, since they will now be treated as fully separate time series rather than related sub-series providing contextual information to each other.

• As many or more historical data records (per target and group) prior to the forecast cut-off time as the number of records in the apply window for the model. These need to be full records containing the historically observed date or time stamp, target, and covariate values. The apply window is determined by the forecast window and gap configured during training — the longer into the future you need to predict, the more historical data you need in your apply dataset to run predictions.

• Records for all future time steps in your forecast horizon. For these future records, only include the values for the date index column, as well as any future features. Leave the values for the other columns blank.

Autres modifications

Vous pourriez avoir besoin d'apporter d'autres modifications au jeu de données afin qu'il corresponde au schéma du modèle. En particulier, les caractéristiques groupées, lorsqu'elles sont sélectionnées sous forme de groupes lors de l'apprentissage, sont automatiquement transformées en type de caractéristique catégorique afin de pouvoir être utilisées comme groupes. Dans vos données à appliquer, si vous avez des caractéristiques contenant des données numériques que vous utilisez comme groupes, vous devrez transformer leur type de données afin qu'elles soient identifiées comme des données catégoriques. Un exemple de cela est présenté à la section Préparation du jeu de données.

Préparation du jeu de données

Ce didacticiel fournit un jeu de données à appliquer qui a déjà été configuré avec les colonnes et les enregistrements nécessaires. Cependant, le jeu de données à appliquer fourni contient une colonne numérique, store_nbr, qui a été configurée comme groupe dans le modèle. Vous devez donc créer un script pour transformer cette colonne en données de type chaîne.

Procédez comme suit :

1. Accédez à la page Créer du centre d'activités Analytiques et sélectionnez Script.

2. Saisissez un nom pour votre script, par exemple, Données à appliquer transformées.

3. Sélectionnez un espace pour votre script. Il doit s'agir du même espace que celui dans lequel vous avez stocké le jeu de données à appliquer d'origine.

4. Cliquez sur Créer.

5. Dans Script, passez à Éditeur.

6. Sous Sections, cliquez sur pour ajouter une nouvelle section.

7. Collez le script de chargement ci-dessous dans l'éditeur.

8. Cliquez sur Exporter les données.

ApplyDataset_Transformed:

LOAD
    id,
    "date",
    text(store_nbr) as store_nbr,
    family,
    sales,
    onpromotion
FROM [lib://:DataFiles/ML - Multivariate forecasting - apply.csv]
(txt, codepage is 28591, embedded labels, delimiter is ',', msq);

Store [ApplyDataset_Transformed] into [lib://:DataFiles/Final transformed apply dataset.qvd](QVD);

Une fois le script exécuté, un nouveau jeu de données à appliquer, Final transformed apply dataset.qvd, doit se trouver dans le même espace que le jeu de données à appliquer d'origine.

Création de prédictions

Maintenant que vous disposez d'un jeu de données à appliquer compatible, utilisez-le pour créer des prédictions à partir de votre déploiement ML.

Procédez comme suit :

1. Dans le catalogue, ouvrez le déploiement Déploiement de projection de ventes que vous avez créé dans Déploiement d'un modèle de série temporelle.

2. Dans le coin inférieur droit, cliquez sur Créer une prédiction.

3. Dans le volet Configuration de la prédiction à droite, sous Données à appliquer, cliquez sur Sélectionner un jeu de données à appliquer.

4. Sélectionnez le fichier apply dataset (jeu de données à appliquer) : Final transformed apply dataset.qvd.

5. Comparez les schémas des jeux de données d'apprentissage et à appliquer. Il ne devrait pas y avoir d'erreurs d'incompatibilité de schéma.

6. Dans le volet Configuration de la prédiction, cliquez sur Nommer le jeu de données de prédiction. Saisissez le nom suivant : ML - Sales predictions. Utilisez le format Parquet par défaut.

7. Sélectionnez un espace et cliquez sur Confirmer.

Cliquez sur l'icône à côté de Enregistrer et fermer. Sélectionnez Enregistrer et prédire maintenant.

Il est possible de surveiller le processus dans Prédictions du jeu de données. Vous pouvez consulter le résultat dans Catalogue en cliquant sur Ouvrir dans la fenêtre contextuelle qui apparaît.

Une fois l'exécution de la prédiction terminée, créez une application pour afficher vos prédictions. Passer à la rubrique suivante.