使用 Prophet 進行預測

Prophet 是 Meta 維護的預測模型。如需演算法詳細資料，請參閱 Prophet 論文；如要進一步瞭解程式庫，請參閱說明文件。

與 BigQuery ML ARIMA_PLUS 類似，Prophet 會嘗試將每個時間序列分解為趨勢、季節和節慶，並使用這些模型推論的匯總結果產生預測。不過，BQML ARIMA+ 是使用 ARIMA 建立趨勢成分模型，而 Prophet 則嘗試使用分段式羅吉斯迴歸或線性模型來擬合曲線，這是兩者之間的重要差異。

Google Cloud 提供訓練 Prophet 模型的管道，以及從 Prophet 模型取得批次推論結果的管道。這兩個管道都是 Google Cloud Pipeline Components (GCPC) 的 Vertex AI Pipelines 執行個體。

將 Prophet 與 Vertex AI 整合後，您就能執行下列操作：

• 使用 Vertex AI 資料分割和視窗策略。
• 從 BigQuery 資料表或儲存在 Cloud Storage 的 CSV 檔案讀取資料。Vertex AI 預期每個資料列的格式都與 Vertex AI Forecasting 相同。

雖然 Prophet 是多元模型，但 Vertex AI 僅支援單元版本。

如要瞭解這個工作流程使用的服務帳戶，請參閱表格工作流程的服務帳戶。

Workflow API

這個工作流程會使用下列 API：

• Vertex AI
• Dataflow
• BigQuery
• Cloud Storage

使用 Prophet 訓練模型

Prophet 是專為單一時間序列設計，Vertex AI 會依時間序列 ID 彙整資料，並為每個時間序列訓練 Prophet 模型。模型訓練管道會使用格狀搜尋和 Prophet 的內建回溯測試邏輯，執行超參數調整作業。

為支援多個時間序列，管線會使用 Vertex AI 自訂訓練工作和 Dataflow，平行訓練多個 Prophet 模型。整體而言，訓練的模型數量是時間序列數量和超參數調整試驗次數的乘積。

下列程式碼範例示範如何執行 Prophet 模型訓練管道：

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

您可以在 job.run() 中使用選用的 service_account 參數，將 Vertex AI Pipelines 服務帳戶設為您選擇的帳戶。

下列函式會定義管道和參數值。

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

以下是一部分的 get_prophet_train_pipeline_and_parameters 參數：

Dataflow 參數

以下是 Dataflow 自訂項目的部分 get_prophet_train_pipeline_and_parameters 參數：

由於 Prophet 訓練工作是在 Dataflow 上執行，因此初始啟動時間為 5 到 7 分鐘。如要減少額外執行時間，可以向上或向外擴充。舉例來說，如要擴大，請將機型從 n1-standard-1 變更為 e2-highcpu-8。如要擴充，請將工作站數量從 1 增加到 200。

資料分割參數

訓練管道提供下列資料分割選項：

您可以在 get_prophet_train_pipeline_and_parameters 中定義資料分割參數，如下所示：

視窗參數

Vertex AI 會使用滾動視窗策略，從輸入資料產生預測視窗。如果未設定視窗參數，Vertex AI 會使用「計數」策略，預設最大值為 100,000,000。訓練管道提供下列滾動週期策略：

您可以在 get_prophet_train_pipeline_and_parameters 中定義視窗參數，如下所示：

使用 Prophet 進行推論

Vertex AI Prophet 模型訓練管道會為資料中的每個時間序列建立一個 Prophet 模型。推論管道會依時間序列 ID 匯總輸入資料，並分別計算每個時間序列的推論結果。然後，管道會將推論結果取消彙整，以符合 Vertex AI Forecasting 的格式。

下列程式碼範例示範如何執行 Prophet 推論管道：

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

下列函式會定義管道和參數值。

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

以下是一部分的 get_prophet_prediction_pipeline_and_parameters 參數：