Previsione con Prophet

Prophet è un modello di previsione gestito da Meta. Per i dettagli dell'algoritmo, consulta il documento Prophet e la documentazione per saperne di più sulla libreria.

Come ARIMA_PLUS di BigQuery ML, Prophet tenta di scomporre ogni serie temporale in tendenze, stagioni e festività, producendo una previsione utilizzando l'aggregazione delle inferenze di questi modelli. Una differenza importante, tuttavia, è che BQML ARIMA+ utilizza ARIMA per modellare la componente di tendenza, mentre Prophet tenta di adattare una curva utilizzando un modello logistico o lineare a tratti.

Google Cloud offre una pipeline per l'addestramento di un modello Prophet e una pipeline per ottenere inferenze batch da un modello Prophet. Entrambe le pipeline sono istanze di Vertex AI Pipelines dei Google Cloud componenti della pipeline (GCPC).

L'integrazione di Prophet con Vertex AI ti consente di:

• Utilizza le strategie di suddivisione dei dati e le strategie di finestra di Vertex AI.
• Leggi i dati dalle tabelle BigQuery o dai file CSV archiviati in Cloud Storage. Vertex AI prevede che ogni riga abbia lo stesso formato di Vertex AI Forecasting.

Sebbene Prophet sia un modello multivariato, Vertex AI supporta solo una versione univariata.

Per informazioni sui service account utilizzati da questo flusso di lavoro, vedi Service account per i flussi di lavoro tabulari.

API Workflow

Questo flusso di lavoro utilizza le seguenti API:

• Vertex AI
• Dataflow
• BigQuery
• Cloud Storage

Addestra un modello con Prophet

Prophet è progettato per una singola serie temporale. Vertex AI aggrega i dati per ID serie temporale e addestra un modello Prophet per ogni serie temporale. La pipeline di addestramento del modello esegue l'ottimizzazione degli iperparametri utilizzando la ricerca a griglia e la logica di backtesting integrata di Prophet.

Per supportare più serie temporali, la pipeline utilizza un job di addestramento personalizzato Vertex AI e Dataflow per addestrare più modelli Prophet in parallelo. Nel complesso, il numero di modelli addestrati è il prodotto del numero di serie temporali e del numero di prove di ottimizzazione degli iperparametri.

Il seguente codice campione mostra come eseguire una pipeline di addestramento del modello Prophet:

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

Il parametro facoltativo service_account in job.run() ti consente di impostare il account di servizio di Vertex AI Pipelines su un account a tua scelta.

La pipeline e i valori dei parametri sono definiti dalla seguente funzione.

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

Di seguito è riportato un sottoinsieme di parametri get_prophet_train_pipeline_and_parameters:

Parametri Dataflow

Di seguito è riportato un sottoinsieme di parametri get_prophet_train_pipeline_and_parameters per la personalizzazione di Dataflow:

Poiché i job di addestramento di Prophet vengono eseguiti su Dataflow, è previsto un tempo di avvio iniziale di 5-7 minuti. Per ridurre il runtime aggiuntivo, puoi aumentare o fare lo scale out. Ad esempio, per eseguire lo scale up, puoi modificare il tipo di macchina da n1-standard-1 a e2-highcpu-8. Per lo scale out, puoi aumentare il numero di worker da 1 a 200.

Parametri di suddivisione dati

La pipeline di addestramento offre le seguenti opzioni per la suddivisione dei dati:

Definisci i parametri di suddivisione dei dati in get_prophet_train_pipeline_and_parameters nel seguente modo:

Parametri della finestra

Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia di finestra mobile. Se lasci i parametri della finestra non impostati, Vertex AI utilizza la strategia Conteggio con un valore massimo predefinito di 100,000,000. La pipeline di addestramento offre le seguenti strategie per le finestre temporali continue:

Definisci i parametri della finestra in get_prophet_train_pipeline_and_parameters nel seguente modo:

Fare inferenze con Prophet

La pipeline di addestramento del modello per Prophet di Vertex AI crea un modello Prophet per ogni serie temporale nei dati. La pipeline di inferenza aggrega i dati di input per ID serie temporale e calcola le inferenze separatamente per ogni serie temporale. La pipeline disaggrega quindi i risultati dell'inferenza in modo che corrispondano al formato di Vertex AI Forecasting.

Il seguente codice campione mostra come eseguire una pipeline di inferenza Prophet:

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

La pipeline e i valori dei parametri sono definiti dalla seguente funzione.

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

Di seguito è riportato un sottoinsieme di parametri get_prophet_prediction_pipeline_and_parameters: