Esta página foi traduzida pela API Cloud Translation.

Previsão de séries temporais hierárquicas

Neste tutorial, ensinamos como gerar uma série temporal hierárquica. Neste tutorial, você vai criar dois modelos de série temporal com os mesmos dados. Um deles usa previsão hierárquica e outro não. Isso permite comparar os resultados retornados pelos modelos.

Use os dados de iowa_liquor.sales.sales para treinar os modelos neste tutorial. Este conjunto de dados contém informações de mais de 1 milhão de produtos de bebidas alcoólicas em diferentes lojas usando dados públicos de vendas de bebidas alcoólicas de Iowa.

Antes de seguir este tutorial, você precisa se familiarizar com a previsão de série temporal múltipla. Conclua o tutorial Previsão de série temporal múltipla a partir de dados do Google Analytics para uma introdução a esse tópico.

Permissões exigidas

Para criar o conjunto de dados, é preciso ter a permissão de IAM bigquery.datasets.create.
Para criar o recurso de conexão, você precisa das seguintes permissões:
- bigquery.connections.create
- bigquery.connections.get
Para criar o modelo, você precisa das seguintes permissões:
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
- bigquery.connections.delegate
Para executar a inferência, você precisa das seguintes permissões:
- bigquery.models.getData
- bigquery.jobs.create

Para mais informações sobre os papéis e as permissões do IAM no BigQuery, consulte Introdução ao IAM.

Objetivos

Neste tutorial, você usará o seguinte:

A instrução CREATE MODEL: para criar um modelo de série temporal e hierárquico.
A função ML.FORECAST para prever o total de visitas diárias.

Custos

Neste tutorial, há componentes faturáveis do Google Cloud, entre eles:

BigQuery
BigQuery ML

Para mais informações sobre os custos do BigQuery, consulte a página de preços.

Para mais informações sobre os custos do BigQuery ML, consulte os preços do BigQuery ML.

Antes de começar

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

crie um conjunto de dados

Crie um conjunto de dados do BigQuery para armazenar o modelo de ML:

No console do Google Cloud, acesse a página do BigQuery.

Acesse a página do BigQuery
No painel Explorer, clique no nome do seu projeto.
Clique em Conferir ações > Criar conjunto de dados.
Na página Criar conjunto de dados, faça o seguinte:
- Para o código do conjunto de dados, insira bqml_tutorial.
- Em Tipo de local, selecione Multirregião e EUA (várias regiões nos Estados Unidos).
  
  Os conjuntos de dados públicos são armazenados na multirregião US. Para simplificar, armazene seus conjuntos de dados no mesmo local.
- Mantenha as configurações padrão restantes e clique em Criar conjunto de dados.

Reconciliação hierárquica

As previsões de série temporal podem ser divididas ou agregadas com base em diferentes dimensões de interesse. Elas são conhecidas como séries temporais hierárquicas. Por exemplo, os dados do censo que revelam a população total por estado podem ser divididos por cidade e CEP. Por outro lado, podemos agregar esses dados para cada país ou continente.

Existem várias técnicas que podem ser usadas para gerar e reconciliar previsões hierárquicas. Veja o exemplo a seguir, que mostra uma estrutura hierárquica simplificada para vendas de bebidas no estado de Iowa:

Série temporal hierárquica.

O nível mais baixo mostra o nível da loja, seguido pelo nível do CEP, pela cidade, pelo condado e, por último, pelo estado. O objetivo das previsões hierárquicas é garantir que todas as previsões em cada nível precisem ser reconciliadas. Por exemplo, dada a figura anterior, isso significa que as previsões para Clive e Des Moines devem se igualar à previsão em Polk. Da mesma forma, as previsões em Polk, Linn e Scott devem somar à previsão em Iowa.

Há algumas técnicas comuns que podem ser usadas para gerar previsões reconciliadas para cada nível. Uma técnica é conhecida como abordagem Ascendente. Nessa abordagem, as previsões são geradas no nível inferior da hierarquia antes de somar os outros níveis. Considerando o exemplo anterior, as previsões para cada loja são usadas para criar os modelos de previsão para os outros níveis (primeiro por cep, seguido por cidade etc.).

Criar um modelo de série temporal

Primeiro, crie um modelo de série temporal usando os dados de vendas de bebidas alcoólicas de Iowa.

A consulta do GoogleSQL a seguir cria um modelo que prevê o número total diário de garrafas vendidas em 2015 nos condados de Polk, Linn e Scott. A instrução CREATE MODEL cria e treina um modelo chamado 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;

A cláusula OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica que você está criando um modelo de série temporal com base em ARIMA. Por padrão, auto_arima=TRUE, para que o algoritmo auto.ARIMA ajuste automaticamente os hiperparâmetros nos modelos ARIMA_PLUS. O algoritmo se encaixa em dezenas de modelos candidatos e escolhe o melhor com o menor índice de informações do Akaike (AIC, na sigla em inglês). Definir a opção holiday_region como US permitirá uma modelagem mais precisa desses períodos de feriados nos Estados Unidos, se houver padrões de feriados nos Estados Unidos na série temporal.

Execute a consulta CREATE MODEL para criar e treinar seu modelo:

No console do Google Cloud, clique no botão Executar uma consulta no BigQuery.
Insira a seguinte consulta do GoogleSQL no editor de consultas.

#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;

Clique em Executar.

A consulta leva cerca de 37 segundos para ser concluída. Depois disso, seu modelo (liquor_forecast) aparece no painel Explorer. Como a consulta usa uma instrução CREATE MODEL para criar um modelo, não há resultados de consulta.

Inspecionar os resultados do modelo de série temporal

Depois de criar o modelo, use a função ML.FORECAST para ver os resultados da previsão.

Execute a função ML.FORECAST no modelo liquor_forecast especificando-a na cláusula FROM.

Por padrão, essa consulta retorna as previsões para todas as séries temporais únicas nos dados, identificadas pelas colunas store_number, zip_code, city e county.

Para executar a consulta ML.FORECAST, siga estas etapas:

No console do Google Cloud, clique no botão Executar uma consulta no BigQuery.
Insira a seguinte consulta do GoogleSQL no editor de consultas.

#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

Clique em Executar.

A consulta deve levar cerca de cinco segundos para ser executada. Depois que a consulta é executada, a saída mostra os resultados a seguir.

Observe como a previsão para a primeira série temporal é exibida (store_number=2190, zip_code=50314, city=DES MOINES, county=POLK). Se você observar mais de perto o restante das linhas, vai perceber as previsões para os outros grupos.

Em geral, as previsões são geradas para cada série temporal única. Para gerar previsões para níveis agregados, como previsões para um condado específico, é preciso gerar uma previsão hierárquica.

Criar um modelo de série temporal com previsões hierárquicas

Criar uma previsão de série temporal hierárquica usando os dados de vendas de bebidas alcoólicas de Iowa.

A consulta do GoogleSQL a seguir cria um modelo que gera previsões hierárquicas para o total diário de garrafas vendidas em 2015 nos condados de Polk, Linn e Scott. A instrução CREATE MODEL cria e treina um modelo chamado 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;

O parâmetro HIERARCHICAL_TIME_SERIES_COLS indica que você está criando uma previsão hierárquica com base em um conjunto de colunas. Cada uma dessas colunas é agrupada e agregada. Por exemplo, na consulta anterior, isso significa que store_number é acumulado para mostrar previsões para cada county, city e zip_code. Separadamente, zip_code e store_number também são acumulados para mostrar previsões para cada county e city. A ordem das colunas é importante porque define a estrutura da hierarquia.

Execute a consulta CREATE MODEL para criar e treinar seu modelo:

No console do Google Cloud, clique no botão Executar uma consulta no BigQuery.
Insira a seguinte consulta do GoogleSQL no editor de consultas.

#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;

Clique em Executar.

A consulta leva cerca de 45 segundos para ser concluída. Depois disso, seu modelo (bqml_tutorial.liquor_forecast_hierarchical) aparece no painel Explorer. Como a consulta usa uma instrução CREATE MODEL para criar um modelo, não há resultados de consulta.

Inspecionar os resultados do modelo hierárquico de série temporal

No console do Google Cloud, clique no botão Executar uma consulta no BigQuery.

Insira a seguinte consulta do GoogleSQL no editor de consultas.

#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

Clique em Executar.

A consulta deve levar cerca de cinco segundos para ser executada. Depois que a consulta é executada, a saída mostra os resultados a seguir.

Observe como a previsão agregada é exibida para a cidade de LeClaire (store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT). Se você observar mais o resto das linhas, vai perceber as previsões para os outros subgrupos. Por exemplo, a imagem a seguir mostra as previsões agregadas para o CEP 52753 (store_number=NULL, zip_code=52753, city=LECLAIRE, county=SCOTT):

Excluir o conjunto de dados

A exclusão do seu projeto removerá todos os conjuntos de dados e tabelas no projeto. Caso prefira reutilizá-lo, exclua o conjunto de dados criado neste tutorial:

Se necessário, abra a página do BigQuery no console do Google Cloud.

Acesse a página do BigQuery
Na navegação, clique no conjunto de dados bqml_tutorial criado.
Clique em Excluir conjunto de dados no lado direito da janela. Essa ação exclui o conjunto, a tabela e todos os dados.
Na caixa de diálogo Excluir conjunto de dados, confirme o comando de exclusão digitando o nome do seu conjunto de dados (bqml_tutorial). Em seguida, clique em Excluir.

Excluir o projeto

Para excluir o projeto:

Cuidado: excluir um projeto tem os seguintes efeitos:

Tudo no projeto é excluído. Se você tiver usado um projeto existente para as tarefas neste documento, a exclusão dele incluirá a exclusão de quaisquer outros trabalhos feitos no projeto.
Os IDs do projeto personalizados são perdidos. Ao criar o projeto, você pode ter criado um código do projeto personalizado para ser usado no futuro. Para preservar os URLs que usam o ID do projeto, como um URL appspot.com, exclua recursos específicos do projeto, em vez de excluir o projeto inteiro.

Se você planeja passar por várias arquiteturas, tutoriais ou guias de início rápido, a reutilização de projetos pode evitar que você exceda os limites da cota do projeto.

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.

A seguir

Saiba como realizar múltiplas previsões de séries temporais com uma única consulta de dados de viagens do Citi Bike de Nova York.
Saiba como acelerar o ARIMA_PLUS para ativar a previsão de um milhão de séries temporais em algumas horas.
Para saber mais sobre machine learning, consulte o Curso intensivo de machine learning.
Para uma visão geral do BigQuery ML, consulte Introdução ao BigQuery ML.
Para saber mais, consulte Como usar o console do Google Cloud.