Previsión con Prophet

Prophet es un modelo de previsión mantenido por Meta. Consulta el informe de Prophet para obtener detalles sobre los algoritmos y la documentación para obtener más información sobre la biblioteca.

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

Google Cloud ofrece una canalización para entrenar un modelo de Prophet y una canalización para obtener predicciones por lotes a partir de un modelo de Prophet. Ambas canalizaciones son instancias de Vertex AI Pipelines de componentes de canalización de Google Cloud (GCPC).

La integración de Prophet en Vertex AI significa que puedes hacer lo siguiente:

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

Aunque Prophet es un modelo multivariable, Vertex AI solo admite una versión de una variable.

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

En este flujo de trabajo, se usan las siguientes APIs:

• Vertex AI
• Dataflow
• BigQuery
• Cloud Storage

Entrena un modelo con Prophet

Prophet está 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 a través de la búsqueda en cuadrícula y la lógica de prueba posterior 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, la cantidad de modelos entrenados es el producto de la cantidad de series temporales y la cantidad de pruebas de ajuste de hiperparámetros.

En el siguiente código de muestra, se ilustra cómo puedes 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 service_account opcional en job.run() te permite configurar la cuenta de servicio de Vertex AI Pipelines en una cuenta que elijas.

La canalización y los valores de los parámetros se definen mediante la siguiente función.

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

El siguiente es un subconjunto de parámetros get_prophet_train_pipeline_and_parameters:

Parámetros de Dataflow

El siguiente es un subconjunto de parámetros de get_prophet_train_pipeline_and_parameters para la personalización de Dataflow:

Debido a que los trabajos de entrenamiento de Prophet se ejecutan en Dataflow, el tiempo de inicio inicial es de 5 a 7 minutos. Para reducir el entorno de ejecución adicional, puedes escalar horizontalmente o verticalmente. Por ejemplo, para escalar verticalmente, puedes cambiar el tipo de máquina de n1-standard-1 a e2-highcpu-8. Para escalar horizontalmente, puedes aumentar la cantidad de trabajadores de 1 a 200.

Parámetros de división de datos

La canalización de entrenamiento ofrece las siguientes opciones para dividir los datos:

Debes definir los parámetros de división de datos 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 usando una estrategia de ventana progresiva. Si dejas los parámetros de la ventana sin configurar, Vertex AI usa la estrategia de recuento con un valor máximo predeterminado de 100,000,000. La canalización de entrenamiento ofrece las siguientes estrategias de ventana progresiva:

Debes definir los parámetros de la ventana en get_prophet_train_pipeline_and_parameters de la siguiente manera:

Haz predicciones con Prophet

La canalización de entrenamiento de modelos de Vertex AI para Prophet crea un modelo de Prophet para cada serie temporal de los datos. La canalización de predicción agrega datos de entrada por ID de serie temporal y calcula las predicciones por separado para cada serie temporal. Luego, la canalización desagrega los resultados de la predicción para que coincidan con el formato de Previsión de Vertex AI.

En el siguiente código de muestra, se ilustra cómo puedes ejecutar una canalización de predicción de Prophet:

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

La canalización y los valores de los parámetros se definen mediante la siguiente función.

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

El siguiente es un subconjunto de parámetros get_prophet_prediction_pipeline_and_parameters: