Previsiones con Prophet

Prophet es un modelo de previsión mantenido por Meta. Consulta el artículo sobre Prophet para obtener información detallada sobre el algoritmo y la documentación para obtener más información sobre la biblioteca.

Al igual que BigQuery ML ARIMA_PLUS, Prophet intenta descomponer cada serie temporal en tendencias, temporadas y festivos, y genera una previsión mediante la agregación de las inferencias de estos modelos. Sin embargo, una diferencia importante es que ARIMA+ de BQML usa ARIMA para modelizar el componente de tendencia, mientras que Prophet intenta ajustar una curva mediante un modelo lineal o logístico por tramos.

Google Cloud ofrece un flujo de procesamiento para entrenar un modelo de Prophet y otro para obtener inferencias por lotes de un modelo de Prophet. Ambos flujos de procesamiento son instancias de Vertex AI Pipelines de Google Cloud Pipeline Components (GCPC).

La integración de Prophet con Vertex AI te permite hacer lo siguiente:

• Usa las estrategias de división de datos y de ventanas de Vertex AI.
• Leer datos de tablas de BigQuery o de archivos CSV almacenados en Cloud Storage. Vertex AI espera que cada fila tenga el mismo formato que Vertex AI Forecasting.

Aunque Prophet es un modelo multivariante, Vertex AI solo admite una versión univariante.

Para obtener información sobre las cuentas de servicio que usa este flujo de trabajo, consulta Cuentas de servicio para flujos de trabajo tabulares.

APIs de flujo de trabajo

Este flujo de trabajo usa las siguientes APIs:

• Vertex AI
• Dataflow
• BigQuery
• Cloud Storage

Entrenar un modelo con Prophet

Prophet se ha diseñado para una sola serie temporal. Vertex AI agrega datos por ID de serie temporal y entrena un modelo de Prophet para cada serie temporal. La canalización de entrenamiento de modelos realiza el ajuste de hiperparámetros mediante la búsqueda de cuadrícula y la lógica de retropuebas integrada de Prophet.

Para admitir varias series temporales, la canalización usa un trabajo de entrenamiento personalizado de Vertex AI y Dataflow para entrenar varios modelos de Prophet en paralelo. En general, el número de modelos entrenados es el producto del número de series temporales y el número de pruebas de ajuste de hiperparámetros.

En el siguiente código de ejemplo se muestra cómo ejecutar una canalización de entrenamiento de modelos de Prophet:

job = aiplatform.PipelineJob(
    ...
    template_path=train_job_spec_path,
    parameter_values=train_parameter_values,
    ...
)
job.run(service_account=SERVICE_ACCOUNT)

El parámetro opcional service_account de job.run() te permite definir la cuenta de servicio de Vertex AI Pipelines como la que elijas.

La siguiente función define la canalización y los valores de los parámetros.

(
    train_job_spec_path,
    train_parameter_values,
) = utils.get_prophet_train_pipeline_and_parameters(
    ...
)

A continuación, se muestra un subconjunto de parámetros de get_prophet_train_pipeline_and_parameters:

Parámetros de Dataflow

A continuación, se muestra un subconjunto de get_prophet_train_pipeline_and_parameters parámetros para personalizar Dataflow:

Como las tareas de entrenamiento de Prophet se ejecutan en Dataflow, se produce un tiempo de inicio inicial de entre 5 y 7 minutos. Para reducir el tiempo de ejecución adicional, puedes aumentar o ampliar la escala. Por ejemplo, para aumentar la escala, cambia el tipo de máquina de n1-standard-1 a e2-highcpu-8. Para escalar horizontalmente, aumenta el número de trabajadores de 1 a 200.

Parámetros de división de datos

El flujo de entrenamiento ofrece las siguientes opciones para dividir los datos:

Los parámetros de división de datos se definen en get_prophet_train_pipeline_and_parameters de la siguiente manera:

Parámetros de ventana

Vertex AI genera ventanas de previsión a partir de los datos de entrada mediante una estrategia de ventana móvil. Si no defines los parámetros de la ventana, Vertex AI usará la estrategia de recuento con un valor máximo predeterminado de 100,000,000. La canalización de entrenamiento ofrece las siguientes estrategias de ventana móvil:

Los parámetros de la ventana se definen en get_prophet_train_pipeline_and_parameters de la siguiente manera:

Hacer inferencias con Prophet

La pipeline de entrenamiento de modelos de Vertex AI para Prophet crea un modelo de Prophet para cada serie temporal de los datos. La canalización de inferencia agrega los datos de entrada por ID de serie temporal y calcula las inferencias por separado para cada serie temporal. A continuación, la canalización desagrega los resultados de la inferencia para que coincidan con el formato de Vertex AI Forecasting.

En el siguiente código de ejemplo se muestra cómo ejecutar una canalización de inferencia de Prophet:

job = aiplatform.PipelineJob(
    ...
    template_path=prediction_job_spec_path,
    parameter_values=prediction_parameter_values,
    ...
)
job.run(...)

La siguiente función define la canalización y los valores de los parámetros.

(
    prediction_job_spec_path,
    prediction_parameter_values,
) = utils.get_prophet_prediction_pipeline_and_parameters(
    ...
)

A continuación, se muestra un subconjunto de parámetros de get_prophet_prediction_pipeline_and_parameters: