このページは Cloud Translation API によって翻訳されました。

BigQuery 予測を使用して宿泊状況分析アプリを作成する

Vertex AI Vision は、動画データの取り込み、分析、保存に使用できる AI を活用したプラットフォームです。Vertex AI Vision を使用すると、AI アプリケーションを構築してデプロイできます。Vertex AI Vision と他のプロダクトコンポーネントの統合を活用して、エンドツーエンドの Vertex AI Vision ソリューションを構築できます。

Vertex AI Vision プラットフォームを使用してソリューションの実装を開始するには、次の Vertex AI Vision のコンセプトとコンポーネントを確認してください。

ストリーム: ソリューションの動画ストリーミングレイヤを表します。ストリームのソースは、ライブ動画（IP カメラなど）または動画ファイル（MP4 ファイルなど）にできます。
アプリケーション: ストリームと AI プロセッサ間の接続を有効にして、動画に対して ML オペレーションを実行します。たとえば、カメラストリームを、カメラの前を通り過ぎる人の数をカウントする AI モデルに接続できます。
アプリの出力先: 分析されたデータをストレージの宛先（Vertex AI Vision の Media Warehouse または BigQuery）に送信するか、ライブデータを受信します。Vertex AI Vision の Media Warehouse に保存すると、取り込まれたストリームのデータで使用される AI プロセッサから分析出力とメタデータを検索できます。BigQuery に保存すると、プロダクトのオフライン分析機能を使用できます。アプリの出力を直接受け取っている場合は、分析情報を使用してビジネス上の意思決定を即座に行うことができます。詳細については、概要: アプリの出力をデータ接続に接続するをご覧ください。

目標

このチュートリアルでは、次の方法を説明します。

BigQuery データセットとテーブルを作成する。
BigQuery に接続する Vertex AI Vision の利用人数分析アプリを構築する。
Compute Engine VM インスタンスを作成し、その環境を設定します。
VM インスタンスからアプリに動画をストリーミングします。
保存されたアプリの出力を使用して、BigQuery ML で予測モデルを作成します。

費用

このドキュメントでは、課金対象である次の Google Cloudコンポーネントを使用します。

Vertex AI Vision (Streams - Data ingested, Streams - Data consumed, Models - Occupancy analytics suite)
Compute Engine
BigQuery

料金計算ツールを使うと、予想使用量に基づいて費用の見積もりを生成できます。

新規の Google Cloud ユーザーは無料トライアルをご利用いただける場合があります。

このドキュメントに記載されているタスクの完了後、作成したリソースを削除すると、それ以上の請求は発生しません。詳細については、クリーンアップをご覧ください。

始める前に

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.

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the BigQuery, Compute Engine and Vision AI APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Create a service account:

Ensure that you have the Create Service Accounts IAM role (roles/iam.serviceAccountCreator). Learn how to grant roles.
In the Google Cloud console, go to the Create service account page.
Go to Create service account
Select your project.
In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

In the Service account description field, enter a description. For example, Service account for quickstart.
Click Create and continue.
Grant the following roles to the service account: Vision AI > Vision AI Editor, Compute Engine > Compute Instance Admin (beta), BigQuery > BigQuery Data Owner, Storage > Storage Object Viewer^†.

To grant a role, find the Select a role list, then select the role.

To grant additional roles, click Add another role and add each additional role.

Note: The Role field affects which resources the service account can access in your project. You can revoke these roles or grant additional roles later.
Click Continue.
Click Done to finish creating the service account.

Do not close your browser window. You will use it in the next step.

Create a service account key:

In the Google Cloud console, click the email address for the service account that you created.
Click Keys.
Click Add key, and then click Create new key.
Click Create. A JSON key file is downloaded to your computer.
Click Close.

Install the Google Cloud CLI.

外部 ID プロバイダ（IdP）を使用している場合は、まず連携 ID を使用して gcloud CLI にログインする必要があります。

gcloud CLI を初期化するには、次のコマンドを実行します。

gcloud init

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the BigQuery, Compute Engine and Vision AI APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Create a service account:

Ensure that you have the Create Service Accounts IAM role (roles/iam.serviceAccountCreator). Learn how to grant roles.
In the Google Cloud console, go to the Create service account page.
Go to Create service account
Select your project.
In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

In the Service account description field, enter a description. For example, Service account for quickstart.
Click Create and continue.
Grant the following roles to the service account: Vision AI > Vision AI Editor, Compute Engine > Compute Instance Admin (beta), BigQuery > BigQuery Data Owner, Storage > Storage Object Viewer^†.

To grant a role, find the Select a role list, then select the role.

To grant additional roles, click Add another role and add each additional role.

Note: The Role field affects which resources the service account can access in your project. You can revoke these roles or grant additional roles later.
Click Continue.
Click Done to finish creating the service account.

Do not close your browser window. You will use it in the next step.

Create a service account key:

In the Google Cloud console, click the email address for the service account that you created.
Click Keys.
Click Add key, and then click Create new key.
Click Create. A JSON key file is downloaded to your computer.
Click Close.

Install the Google Cloud CLI.

外部 ID プロバイダ（IdP）を使用している場合は、まず連携 ID を使用して gcloud CLI にログインする必要があります。

gcloud CLI を初期化するには、次のコマンドを実行します。

gcloud init

^† Cloud Storage バケットからサンプル動画ファイルをコピーする場合にのみ必要なロール。

データを受信するように BigQuery を設定する

分析アプリのデータからデータを受信して予測を行うには、処理された情報と一致する BigQuery データセットとテーブルを作成する必要があります。

データセットを作成する

BigQuery テーブルを作成する前に、アプリから分析された情報を受け取るためのデータセットを作成する必要があります。

コンソール

Google Cloud コンソールで [BigQuery] ページを開きます。

[BigQuery] ページに移動
[エクスプローラ] パネルで、データセットを作成するプロジェクトを選択します。
アクション オプションを開いて、[データセットを作成] をクリックします。
[データセットを作成] ページで次の操作を行います。
- [データセット ID] に「occupancy_dataset」と入力します。
- [データのロケーション] で、データセットの地理的なロケーションを選択します。データセットの作成後はロケーションを変更できません。
  
  注: データセットのロケーションとして EU または EU にあるリージョンを選択した場合、Core Vertex AI Vision Customer Data は EU 内に保存されます。Core Vertex AI Vision Customer Data は、サービス固有の規約で定義されています。
- [デフォルトのテーブルの有効期限] で、以下のいずれかのオプションを選択します。
  - 無期限: （デフォルト）データセット内に作成されたテーブルが自動的に削除されることはありません。テーブルを削除する場合は、手動で削除する必要があります。
  - テーブル作成後の日数: この値は、データセット内に新しく作成されたテーブルがいつ削除されるかを決定します。この値が適用されるのは、テーブルの作成時にテーブルの有効期限を設定しなかった場合です。
    
    注: プロジェクトが請求先アカウントに関連付けられていない場合、BigQuery により、プロジェクト内に作成するデータセットのデフォルトのテーブル有効期限が自動的に設定されます。データセットのデフォルトのテーブル有効期限は、短く指定することはできますが、長く指定することはできません。
- [データセットを作成] をクリックします。

BigQuery テーブルを作成する

コンソール

Google Cloud コンソールで、[BigQuery] ページに移動します。

[BigQuery] に移動
[エクスプローラ] ペインでプロジェクトを開き、occupancy_dataset データセットを選択します。
[データセット情報] セクションで、[ テーブルを作成] をクリックします。
[テーブルを作成] パネルで、次の詳細を指定します。
1. [ソース] セクションの [テーブルの作成元] リストで [空のテーブル] を選択します。
2. [宛先] セクションで、次の詳細を指定します。
  1. [データセット] フィールドに occupancy_dataset が指定されていることを確認します。
  2. [テーブル] フィールドに「occupancy_dataset_table」と入力します。
  3. [テーブルタイプ] フィールドが [ネイティブテーブル] に設定されていることを確認します。
3. [スキーマ] セクションでスキーマ定義を入力します。スキーマ情報は、次の手順で手動で入力できます。
  - toggle_on テキストとして編集をクリックし、次の JSON 配列スキーマを貼り付けます。JSON 配列を使用する場合は、JSON スキーマファイルの作成と同じプロセスを使用してスキーマを生成します。
```
[
    {
      "name": "ingestion_time",
      "type": "TIMESTAMP",
      "mode": "REQUIRED"
    },
    {
      "name": "application",
      "type": "STRING",
      "mode": "REQUIRED"
    },
    {
      "name": "instance",
      "type": "STRING",
      "mode": "REQUIRED"
    },
    {
      "name": "node",
      "type": "STRING",
      "mode": "REQUIRED"
    },
    {
      "name": "annotation",
      "type": "STRING"
    }
]
```
4. [テーブルを作成] をクリックします。

利用人数カウントアプリケーションを作成する

BigQuery データセットとテーブルを設定したら、これらの BigQuery リソースに送信されたデータを処理するアプリを作成できます。

空白のアプリを作成する

アプリグラフにデータを入力する前に、まず空のアプリを作成する必要があります。

コンソール

Google Cloud コンソールでアプリを作成します。

Vertex AI Vision ダッシュボードの [アプリケーション] タブを開きます。

[アプリケーション] タブに移動
[作成] ボタンをクリックします。
アプリ名として「occupancy-bq-app」と入力し、地域を選択します。
[作成] をクリックします。

アプリコンポーネントノードを追加する

空のアプリケーションを作成したら、次の 3 つのノードをアプリグラフに追加できます。

取り込みノード: 作成した Compute Engine VM インスタンスから送信されたデータを取り込むストリームリソース。
処理ノード: 取り込まれたデータに基づいて動作する占有率分析モデル。
BigQuery ノード: アプリが BigQuery テーブルにメタデータを保存できるようにするコネクタノード。

コンソール

コンソールでアプリにコンポーネントノードを追加します。

Vertex AI Vision ダッシュボードの [アプリケーション] タブを開きます。

[アプリケーション] タブに移動
occupancy-bq-app 行で、グラフを表示を選択します。これで、処理パイプラインのグラフビジュアリゼーションが表示されます。

データ取り込みノードを追加する

入力ストリームノードを追加するには、サイドメニューの [コネクタ] セクションで [ストリーム] オプションを選択します。
[ストリーム] メニューの [ソース] セクションで、[ストリームを追加] を選択します。
[ストリームを追加] メニューで、 [新しいストリームを登録] を選択し、ストリーム名として occupancy-bq-stream を追加します。
ストリームをアプリグラフに追加するには、[ストリームを追加] をクリックします。

データ処理ノードを追加する

占有数モデルノードを追加するには、サイドメニューの [特殊モデル] セクションで [占有分析] オプションを選択します。
デフォルトの選択肢である [人物] と [車両] はそのままにします。

BigQuery ノードを追加する

出力先（ストレージ）ノードを追加するには、サイドメニューの [コネクタ] セクションで [BigQuery] オプションを選択します。
[BigQuery] メニューで occupancy_dataset_table を検索し、テーブルを選択します。
[メタデータの保存元:] セクションで、[ストリーム] と [占有率分析] の両方を選択します。

アプリをデプロイして使用できるようにする

必要なコンポーネントをすべて使用してエンドツーエンドのアプリを構築したら、アプリを使用するための最後のステップとして、アプリをデプロイします。

コンソール

Vertex AI Vision ダッシュボードの [アプリケーション] タブを開きます。

[アプリケーション] タブに移動
リスト内の occupancy-bq-app アプリの横にある [グラフを表示] を選択します。
アプリケーショングラフビルダーページで、 [デプロイ] ボタンをクリックします。
次の確認ダイアログで、[デプロイ] を選択します。

デプロイオペレーションが完了するまでに数分かかることがあります。デプロイが完了すると、ノードの横に緑色のチェックマークが表示されます。

動画をストリーミングするようにリモートマシンを設定する

占有率カウントアプリがデプロイされ、ストリーミングデータを受信、処理、BigQuery テーブルに保存する準備が整ったので、実際に動画データをアプリにストリーミングする必要があります。

このチュートリアルでは、動画をホストする Compute Engine VM インスタンスを作成し、そのストリーミング動画データを VM から送信します。

Linux VM を作成

Compute Engine VM インスタンスから動画を送信する最初の手順は、VM インスタンスの作成です。

コンソール

コンソールで [VM インスタンス] ページに移動します。

[VM インスタンス] に移動
プロジェクトを選択し、[続行] をクリックします。
[インスタンスを作成] をクリックします。
VM の名前を指定します。詳しくは、リソースの命名規則をご覧ください。
（省略可）この VM のゾーンを変更します。Compute Engine は、複数のゾーンで各リージョンが均等に使用されるように、各リージョン内でゾーンのリストをランダム化します。
残りのデフォルトオプションはそのままにします。これらのオプションの詳細については、VM を作成して起動するをご覧ください。
VM を作成して起動するには、[作成] をクリックします。

VM 環境を設定する

VM が起動したら、コンソールを使用してブラウザで SSH 接続を確立できます。この接続を確立したら、vaictl コマンドラインツールをダウンロードして、動画をアプリに取り込むことができます。

コンソール

VM への SSH 接続を確立する

コンソールで [VM インスタンス] ページに移動します。

[VM インスタンス] に移動
作成したインスタンス行の [接続] セクションで、[SSH] をクリックします。新しいブラウザウィンドウに SSH 接続が開きます。

vaictl コマンドラインツールをダウンロードする

ブラウザ内 SSH ウィンドウで、次のコマンドを使用して Vertex AI Vision（vaictl）コマンドラインツールをダウンロードします。
```
wget https://github.com/google/visionai/releases/download/v0.0.5/visionai_0.0-5_amd64.deb
```
次のコマンドを実行して、コマンドラインツールをインストールします。
```
sudo apt install ./visionai_0.0-5_amd64.deb
```
インストールをテストするには、次のコマンドを実行します。
```
vaictl --help
```

アプリに動画ファイルを取り込む

VM 環境を設定したら、サンプル動画ファイルをコピーし、vaictl を使用して動画データを占有数アプリにストリーミングできます。

このコマンドを送信したら、次のステップに進む前に、数時間分のデータをストリーミングする必要があります。

ブラウザでの SSH

サンプル動画を VM にコピーする

VM のブラウザでの SSH ウィンドウで、次の gcloud storage cp コマンドを使用してサンプル動画をコピーします。次の変数を置き換えます。
- SOURCE: 使用する動画ファイルの場所。独自の動画ファイルソース（gs://BUCKET_NAME/FILENAME.mp4 など）を使用することも、サンプル動画のいずれかを使用することもできます。
  - gs://cloud-samples-data/vertex-ai-vision/street_vehicles_people.mp4（人物と車両が映っている動画、動画のソース）
  - gs://cloud-samples-data/vertex-ai-vision/highway_vehicles.mp4（車両のみの動画、動画ソース）
```
gcloud storage cp SOURCE .
```

VM から動画をストリーミングし、アプリにデータを取り込む

このローカル動画ファイルをアプリの入力ストリームに送信するには、次のコマンドを使用します。次の変数を置き換える必要があります。
- PROJECT_ID: 実際の Google Cloud プロジェクト ID。
- LOCATION_ID: ロケーション ID。例: us-central1。詳細
- LOCAL_FILE.EXT: ローカル動画ファイルのファイル名。例: my-video.mp4。
- --loop フラグ: 省略可。ファイルデータをループしてストリーミングをシミュレートします。
このコマンドは、動画ファイルをストリームにストリーミングします。--loop フラグを使用すると、コマンドを停止するまで動画がストリームにループされます。
```
vaictl -p PROJECT_ID \
    -l LOCATION_ID \
    -c application-cluster-0 \
    --service-endpoint visionai.googleapis.com \
send video-file to streams 'occupancy-bq-stream' --file-path LOCAL_FILE.EXT --loop
```

vaictl 取り込みオペレーションの開始から動画がダッシュボードに表示されるまで、約 100 秒かかることがあります。

ストリームの取り込みが完了すると、Vertex AI Vision ダッシュボードの [ストリーム] タブで occupancy-bq-stream ストリームを選択して、動画フィードを確認できます。

[ストリーム] タブに移動

BigQuery ML で予測モデルを構築する

これで、メタデータを BigQuery に保存するアプリが機能するようになりました。アプリに数時間分のデータがストリーミングされたら、BigQuery ML を使用して予測モデルの構築を開始できます。

省略可: 占有率クエリを実行する

簡単なクエリを実行すると、アプリで生成されたテーブルに保存されたデータを表示できます。

コンソール

Google Cloud コンソールで、[BigQuery] ページを開きます。

BigQuery に移動
occupancy_dataset の横にある展開を選択し、occupancy_dataset_table を選択します。
テーブルの詳細ビューで、クエリを新規作成（）をクリックします。

[クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

SELECT
 *
FROM (
 SELECT
   TIMESTAMP_TRUNC(PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"', JSON_QUERY(annotation,
         "$.currentTime")), MINUTE) currentTime,
   CAST(JSON_QUERY(annotation,
       '$.stats.fullFrameCount[0].count') AS INT64) AS count,
   JSON_QUERY(annotation,
     '$.stats.fullFrameCount[0].entity.labelString') AS type
 FROM
   `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
WHERE
 count IS NOT NULL

省略可: データを処理するロケーションを変更するには、[展開]、[クエリの設定] の順にクリックします。[処理を行うロケーション] で [自動選択] をクリックし、データのロケーションを選択します。最後に [保存] をクリックしてクエリの設定を更新します。
[実行] をクリックします。

これにより、出力を一時テーブルに書き込むクエリジョブが作成されます。

このクエリを実行すると、動画に人が映っている時間と人数に関する情報を含むテーブルが生成されます。

currentTime	count	type
2022-08-10 16:17:00 UTC	2	"Person"
2022-08-10 16:17:00 UTC	2	"Person"
2022-08-10 16:17:00 UTC	4	"Person"
2022-08-10 16:17:00 UTC	1	"Person"
2022-08-10 16:17:00 UTC	5	"Person"
2022-08-10 16:17:00 UTC	2	"Person"

トレーニング用のビューを作成する

テーブルに保存されたデータを確認したら、ビューを作成して、結果のテーブルの内容を調べることができます。このビューデータを使用して、予測モデルをトレーニングします。

ビューを作成するには、ビューにアクセス可能なデータを定義する SQL クエリを作成します。SQL クエリは、SELECT ステートメントで構成する必要があります。BigQuery ビューの詳細については、ビューの概要をご覧ください。

トレーニングテーブルビューを作成するには:

コンソール

Google Cloud コンソールで、[BigQuery] ページを開きます。

BigQuery に移動
occupancy_dataset の横にある展開を選択し、occupancy_dataset_table を選択します。
テーブルの詳細ビューで、クエリを新規作成（）をクリックします。

[クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

CREATE VIEW `PROJECT_ID.occupancy_dataset.forecast_training_data` AS (
  WITH
    raw_counts AS (
    SELECT
      *
    FROM (
      SELECT
        TIMESTAMP_TRUNC(
          PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"',
                          JSON_QUERY(annotation,
                                      "$.currentTime")),
                        MINUTE) AS currentTime,
        CAST(JSON_QUERY(annotation,
            '$.stats.fullFrameCount[0].count') AS INT64) AS count,
        JSON_QUERY(annotation,
          '$.stats.fullFrameCount[0].entity.labelString') AS type
      FROM
        `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
    WHERE
      count IS NOT NULL )
  SELECT
    currentTime,
    SUM(count) AS total_count,
    type
  FROM
    raw_counts
  GROUP BY
    currentTime, type)

[実行] をクリックします。

省略可: ビューをクエリする

次のクエリを実行して、新しいビューのトレーニングデータの結果を表示します。

コンソール

occupancy_dataset_table テーブルの詳細ビューで、[クエリを新規作成] をクリックします。

[クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

SELECT
 *
FROM
  `PROJECT_ID.occupancy_dataset.forecast_training_data`
ORDER BY
 currentTime, type
LIMIT
 100

[実行] をクリックします。

これにより、次のような時間で並べ替えられた結果が返されます。

currentTime	total_count	type
2022-08-10 16:17:00 UTC	129	"Person"
2022-08-10 16:18:00 UTC	150	"Person"
2022-08-10 16:19:00 UTC	80	"Person"
2022-08-10 16:20:00 UTC	129	"Person"
2022-08-10 16:21:00 UTC	142	"Person"
2022-08-10 16:22:00 UTC	71	"Person"
2022-08-10 16:22:00 UTC	2	「車両」

BigQuery ML で予測モデルをトレーニングする

トレーニングデータとして使用するデータがビューにあるので、BigQuery ML で予測モデルをトレーニングできます。

コンソール

occupancy_dataset_table テーブルの詳細ビューで、[クエリを新規作成] をクリックします。

[クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

CREATE OR REPLACE MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`
  OPTIONS( MODEL_TYPE = "ARIMA_PLUS",
    TIME_SERIES_TIMESTAMP_COL = "currentTime",
    TIME_SERIES_DATA_COL = "total_count",
    TIME_SERIES_ID_COL = "type" ) AS
SELECT
  *
FROM
  `PROJECT_ID.occupancy_dataset.forecast_training_data`

[実行] をクリックします。

クエリが完了するまでに数分かかります。最初のイテレーションが完了すると、モデル（occupancy_forecast_model）がナビゲーションパネルに表示されます。クエリは CREATE MODEL ステートメントを使用してモデルを作成するため、クエリの結果は表示されません。

[モデルの統計情報] タブを表示すると、トレーニング中のモデルを確認できます。最初のイテレーションが完了すると、タブが更新されます。イテレーションが完了するたびに、統計情報が更新されます。

BigQuery で占有率の予測を取得する

モデルのトレーニングが完了したら、モデルから占有数の予測を取得できます。

次の ML.FORECAST クエリは、HORIZON 関数の入力を使用して、次の 60 分間の予測を行います。

コンソール

occupancy_dataset_table テーブルの詳細ビューで、[クエリを新規作成] をクリックします。

[クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

SELECT
  *
FROM
  ML.FORECAST(MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`,
  STRUCT(60 AS HORIZON))

[実行] をクリックします。

モデルは、タイプが "Person" の将来のタイムスタンプの forecast_value で予測を生成します。たとえば、11:06:00 の 2022-08-12 では、モデルは合計で約 15.26 人の「人物」がいると予測しています。

type	forecast_timestamp	forecast_value	standard_error	confidence_level	prediction_interval_lower_bound	prediction_interval_upper_bound
"Person"	2022-08-12 11:06:00 UTC	15.2621986941298	2.56470066	0.95	10.2444693	20.2799280
"Person"	2022-08-12 11:07:00 UTC	13.235260043001354	3.19379743	0.95	6.98672921	19.4837908
"Person"	2022-08-12 11:08:00 UTC	16.257331475128712	3.87581375	0.95	8.67446430	23.8401986
"Person"	2022-08-12 11:09:00 UTC	31.432229611853742	4.24905293	0.95	23.1191356	39.7453236
"Person"	2022-08-12 11:10:00 UTC	26.199214148193725	4.26157413	0.95	17.8616229	34.5368053
"Person"	2022-08-12 11:11:00 UTC	26.211573546307324	4.27962512	0.95	17.8386663	34.5844807

クリーンアップ

このチュートリアルで使用したリソースについて、Google Cloud アカウントに課金されないようにするには、リソースを含むプロジェクトを削除するか、プロジェクトを維持して個々のリソースを削除します。

プロジェクトの削除

注意: プロジェクトを削除すると、次のような影響があります。

プロジェクト内のすべてのものが削除されます。このドキュメントのタスクで既存のプロジェクトを使用した場合、それを削除すると、そのプロジェクトで行った他の作業もすべて削除されます。
カスタムプロジェクト ID が失われます。このプロジェクトを作成したときに、将来使用するカスタムプロジェクト ID を作成した可能性があります。そのプロジェクト ID を使用した URL（たとえば、appspot.com）を保持するには、プロジェクト全体ではなくプロジェクト内の選択したリソースだけを削除します。

複数のアーキテクチャ、チュートリアル、クイックスタートを実施する予定がある場合は、プロジェクトを再利用すると、プロジェクトの割り当て上限を超えないようにすることができます。

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.

リソースを個別に削除する

Compute Engine VM インスタンスを削除する

In the Google Cloud console, go to the VM instances page.
Go to VM instances
Select the checkbox for the instance that you want to delete.
To delete the instance, click More actions, click Delete, and then follow the instructions.

BigQuery データセットを削除する

In the Google Cloud console, open the BigQuery page.
Go to BigQuery
Select expand next to your project and locate your occupancy_dataset dataset.
To delete the dataset, click Actions, click Delete, and then follow the instructions.

ストリームを削除する

In the Google Cloud console, go to the Streams page.
Go to the Streams tab
Locate your occupancy-bq-stream stream.
To delete the stream, click Actions, click Delete stream, and then follow the instructions.

アプリを削除する

In the Google Cloud console, go to the Applications page.
Go to the Applications tab

Note: You must first undeploy your app before you can delete it.
Locate your occupancy-bq-app app.
To delete the app, click Actions, click Delete application, and then follow the instructions.

次のステップ

詳しくは、責任ある AI への取り組みをご覧ください。
アプリに追加できる他のコンポーネントについては、アプリの構築をご覧ください。
アプリの出力をデータ接続に接続するで、その他の出力ストレージと処理オプションについて学習する。
コンソールで Warehouse データを検索する方法を確認する。
Google Cloud に関するリファレンスアーキテクチャ、図、ベストプラクティスを確認する。Cloud アーキテクチャセンターをご覧ください。

BigQuery 予測を使用して宿泊状況分析アプリを作成する コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。

目標

費用

始める前に

データを受信するように BigQuery を設定する

データセットを作成する

コンソール

BigQuery テーブルを作成する

コンソール

利用人数カウント アプリケーションを作成する

空白のアプリを作成する

コンソール

アプリ コンポーネント ノードを追加する

コンソール

アプリをデプロイして使用できるようにする

コンソール

動画をストリーミングするようにリモート マシンを設定する

Linux VM を作成

コンソール

VM 環境を設定する

コンソール

アプリに動画ファイルを取り込む

ブラウザでの SSH

BigQuery ML で予測モデルを構築する

省略可: 占有率クエリを実行する

コンソール

トレーニング用のビューを作成する

コンソール

省略可: ビューをクエリする

コンソール

BigQuery ML で予測モデルをトレーニングする

コンソール

BigQuery で占有率の予測を取得する

コンソール

クリーンアップ

プロジェクトの削除

リソースを個別に削除する

Compute Engine VM インスタンスを削除する

BigQuery データセットを削除する

ストリームを削除する

アプリを削除する

次のステップ

BigQuery 予測を使用して宿泊状況分析アプリを作成する

利用人数カウントアプリケーションを作成する

アプリコンポーネントノードを追加する

動画をストリーミングするようにリモートマシンを設定する