Είτε κατανέμετε πόρους πιο αποτελεσματικά για την επισκεψιμότητα ιστού, είτε προβλέπετε τη ζήτηση των ασθενών για ανάγκες προσωπικού είτε προβλέπετε τις πωλήσεις των προϊόντων μιας εταιρείας, η πρόβλεψη είναι ένα ουσιαστικό εργαλείο σε πολλές επιχειρήσεις. Μια συγκεκριμένη περίπτωση χρήσης, γνωστή ως πρόβλεψη ψυχρής έναρξης, δημιουργεί προβλέψεις για μια χρονολογική σειρά που έχει ελάχιστα ή καθόλου υπάρχοντα ιστορικά δεδομένα, όπως ένα νέο προϊόν που μόλις εισήλθε στην αγορά στον κλάδο λιανικής. Οι παραδοσιακές μέθοδοι πρόβλεψης χρονοσειρών, όπως ο αυτοπαλινδρομικός ολοκληρωμένος κινητός μέσος όρος (ARIMA) ή η εκθετική εξομάλυνση (ES) βασίζονται σε μεγάλο βαθμό στις ιστορικές χρονοσειρές κάθε μεμονωμένου προϊόντος και επομένως δεν είναι αποτελεσματικές για την πρόβλεψη ψυχρής εκκίνησης.
Σε αυτήν την ανάρτηση, δείχνουμε πώς να φτιάξετε έναν κινητήρα πρόβλεψης ψυχρής εκκίνησης χρησιμοποιώντας AutoGluon AutoML για πρόβλεψη χρονοσειρών, ένα πακέτο Python ανοιχτού κώδικα για την αυτοματοποίηση της μηχανικής εκμάθησης (ML) σε δεδομένα εικόνας, κειμένου, πινάκων και χρονοσειρών. Το AutoGluon παρέχει μια σωλήνωση αυτοματοποιημένης μηχανικής εκμάθησης από άκρο σε άκρο (AutoML) για αρχάριους έως έμπειρους προγραμματιστές ML, καθιστώντας την την πιο ακριβή και εύχρηστη πλήρως αυτοματοποιημένη λύση. Χρησιμοποιούμε το δωρεάν Amazon SageMaker Studio Lab υπηρεσία για αυτήν την επίδειξη.
Εισαγωγή στη χρονοσειρά AutoGluon
AutoGluon είναι μια κορυφαία βιβλιοθήκη ανοιχτού κώδικα για την AutoML για δεδομένα κειμένου, εικόνας και πίνακα, η οποία σας επιτρέπει να παράγετε μοντέλα υψηλής ακρίβειας από ακατέργαστα δεδομένα με μία μόνο γραμμή κώδικα. Πρόσφατα, η ομάδα εργάστηκε για να επεκτείνει αυτές τις δυνατότητες σε δεδομένα χρονοσειρών και ανέπτυξε μια αυτοματοποιημένη ενότητα πρόβλεψης που είναι δημόσια διαθέσιμη στο GitHub. ο autogluon.forecasting
Η ενότητα επεξεργάζεται αυτόματα τα ακατέργαστα δεδομένα χρονοσειρών στην κατάλληλη μορφή και, στη συνέχεια, εκπαιδεύει και συντονίζει διάφορα τελευταίας τεχνολογίας μοντέλα βαθιάς εκμάθησης για να παράγει ακριβείς προβλέψεις. Σε αυτήν την ανάρτηση, δείχνουμε πώς να το χρησιμοποιήσετε autogluon.forecasting
και εφαρμόστε το σε εργασίες πρόβλεψης ψυχρής εκκίνησης.
Επισκόπηση λύσεων
Επειδή το AutoGluon είναι ένα πακέτο Python ανοιχτού κώδικα, μπορείτε να εφαρμόσετε αυτήν τη λύση τοπικά στον φορητό υπολογιστή σας ή στο Amazon SageMaker Studio Lab. Ακολουθούμε τα παρακάτω βήματα:
- Ρυθμίστε το AutoGluon για το Amazon SageMaker Studio Lab.
- Προετοιμάστε το σύνολο δεδομένων.
- Καθορίστε τις παραμέτρους εκπαίδευσης χρησιμοποιώντας το AutoGluon.
- Εκπαιδεύστε μια μηχανή πρόβλεψης ψυχρής εκκίνησης για την πρόβλεψη χρονοσειρών.
- Οραματιστείτε προβλέψεις πρόβλεψης ψυχρής εκκίνησης.
Η βασική υπόθεση της πρόβλεψης ψυχρής εκκίνησης είναι ότι τα στοιχεία με παρόμοια χαρακτηριστικά θα πρέπει να έχουν παρόμοιες τροχιές χρονοσειρών, κάτι που επιτρέπει στην πρόβλεψη ψυχρής εκκίνησης να κάνει προβλέψεις σε στοιχεία χωρίς ιστορικά δεδομένα, όπως φαίνεται στο παρακάτω σχήμα.
Στην περιήγησή μας, χρησιμοποιούμε ένα συνθετικό σύνολο δεδομένων που βασίζεται στην κατανάλωση ηλεκτρικής ενέργειας, το οποίο αποτελείται από τις ωριαίες χρονοσειρές για 370 στοιχεία, το καθένα με item_id
από 0–369. Μέσα σε αυτό το συνθετικό σύνολο δεδομένων, το καθένα item_id
συσχετίζεται επίσης με ένα στατικό χαρακτηριστικό (ένα χαρακτηριστικό που δεν αλλάζει με την πάροδο του χρόνου). Εκπαιδεύουμε α Βαθεαρ μοντέλο χρησιμοποιώντας το AutoGluon για να μάθει την τυπική συμπεριφορά παρόμοιων στοιχείων και να μεταφέρει αυτή τη συμπεριφορά για να κάνει προβλέψεις για νέα στοιχεία (item_id
370–373) που δεν έχουν δεδομένα ιστορικών χρονοσειρών. Παρόλο που επιδεικνύουμε την προσέγγιση πρόβλεψης ψυχρής εκκίνησης με μόνο ένα στατικό χαρακτηριστικό, στην πράξη, η ύπαρξη ενημερωτικών και υψηλής ποιότητας στατικών χαρακτηριστικών είναι το κλειδί για μια καλή πρόβλεψη ψυχρής εκκίνησης.
Το παρακάτω διάγραμμα παρέχει μια επισκόπηση υψηλού επιπέδου της λύσης μας. Ο ανοιχτός κώδικας είναι διαθέσιμος στο GitHub repo.
Προϋποθέσεις
Για αυτήν την καθοδήγηση, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:
- An Λογαριασμός Amazon SageMaker Studio Lab
- GitHub πρόσβαση στον λογαριασμό
Συνδεθείτε στον λογαριασμό σας στο Amazon SageMaker Studio Lab και ρυθμίστε το περιβάλλον χρησιμοποιώντας το τερματικό:
Αυτές οι οδηγίες θα πρέπει επίσης να λειτουργούν από τον φορητό υπολογιστή σας εάν δεν έχετε πρόσβαση στο Amazon SageMaker Studio Lab (συνιστούμε να εγκαταστήσετε πρώτα το Anaconda στον φορητό υπολογιστή σας).
Όταν έχετε ρυθμίσει πλήρως το εικονικό περιβάλλον, εκκινήστε το σημειωματάριο AutoGluon-cold-start-demo.ipynb
και επιλέξτε το προσαρμοσμένο περιβάλλον .conda-autogluon:Python
πυρήνας.
Προετοιμάστε τη χρονοσειρά-στόχο και το μεταδεδομένο σύνολο στοιχείων
Κατεβάστε τα ακόλουθα σύνολα δεδομένων στην παρουσία του σημειωματάριου σας, εάν δεν περιλαμβάνονται, και αποθηκεύστε τα στον κατάλογο data/
. Μπορείτε να βρείτε αυτά τα σύνολα δεδομένων στο δικό μας GitHub repo:
- Test.csv.gz
- coldStartTargetData.csv
- itemMetaData.csv
Εκτελέστε το ακόλουθο απόσπασμα για να φορτώσετε το σύνολο δεδομένων χρονικής σειράς στόχου στον πυρήνα:
Οι χρονοσειρές AutoGluon απαιτούν τα στατικά χαρακτηριστικά να αναπαρίστανται σε αριθμητική μορφή. Αυτό μπορεί να επιτευχθεί με την εφαρμογή LabelEncoder()
στο στατικό μας χαρακτηριστικό type
, όπου κωδικοποιούμε A=0, B=1, C=2, D=3 (δείτε τον παρακάτω κώδικα). Από προεπιλογή, το AutoGluon συμπεραίνει ότι το στατικό χαρακτηριστικό είναι είτε τακτικό είτε κατηγορικό. Μπορείτε επίσης να το αντικαταστήσετε μετατρέποντας τη στήλη στατικού χαρακτηριστικού σε τύπο δεδομένων αντικειμένου/συμβολοσειράς για κατηγορηματικά χαρακτηριστικά ή σε τύπο δεδομένων ακέραιου/μετακινούμενου για τα τακτικά χαρακτηριστικά.
Ρυθμίστε και ξεκινήστε την εκπαίδευση μοντέλου AutoGluon
Πρέπει να διευκρινίσουμε save_path = ‘autogluon-coldstart-demo’
ως όνομα φακέλου τεχνουργήματος μοντέλου (δείτε τον παρακάτω κώδικα). Ορίσαμε και τα δικά μας eval_metric
as μέσο απόλυτο ποσοστό σφάλματος, ή ‘MAPE’
για συντομία, εκεί που ορίσαμε prediction_length
ως 24 ώρες. Εάν δεν προσδιορίζεται, το AutoGluon από προεπιλογή παράγει πιθανοτικές προβλέψεις και τις βαθμολογεί μέσω του σταθμισμένη απώλεια ποσοστού. Κοιτάμε μόνο το Μοντέλο DeepAR στο demo μας, επειδή γνωρίζουμε ότι ο αλγόριθμος DeepAR επιτρέπει την πρόβλεψη ψυχρής εκκίνησης βάσει σχεδιασμού. Ορίζουμε αυθαίρετα μία από τις υπερπαράμετρους DeepAR και περνάμε αυτήν την υπερπαράμετρο στο ForecastingPredictor().fit()
κλήση. Αυτό επιτρέπει στο AutoGluon να εξετάζει μόνο το καθορισμένο μοντέλο. Για μια πλήρη λίστα συντονίσιμων υπερπαραμέτρων, ανατρέξτε στο συσκευασία gluonts.model.deepar.
Η προπόνηση διαρκεί 30-45 λεπτά. Μπορείτε να λάβετε τη σύνοψη του μοντέλου καλώντας την ακόλουθη συνάρτηση:
Πρόβλεψη για το στοιχείο ψυχρής εκκίνησης
Τώρα είμαστε έτοιμοι να δημιουργήσουμε προβλέψεις για το στοιχείο ψυχρής εκκίνησης. Συνιστούμε να έχετε τουλάχιστον πέντε σειρές για καθεμία item_id
. Ως εκ τούτου, για το item_id
που έχει λιγότερες από πέντε παρατηρήσεις, συμπληρώνουμε με NaNs. Στο demo μας και τα δύο item_id
Τα 370 και 372 έχουν μηδενική παρατήρηση, ένα καθαρό πρόβλημα ψυχρής εκκίνησης, ενώ τα άλλα δύο έχουν πέντε τιμές-στόχους.
Φορτώστε στο σύνολο δεδομένων χρονικής σειράς στόχου ψυχρής εκκίνησης με τον ακόλουθο κώδικα:
Τροφοδοτούμε τη χρονική σειρά στόχου ψυχρής εκκίνησης στο μοντέλο μας AutoGluon, μαζί με το μεταδεδομένο δεδομένων στοιχείων για την ψυχρή εκκίνηση item_id
:
Οραματιστείτε τις προβλέψεις
Μπορούμε να δημιουργήσουμε μια συνάρτηση σχεδίασης για να δημιουργήσουμε μια οπτικοποίηση σχετικά με την πρόβλεψη ψυχρής εκκίνησης, όπως φαίνεται στο παρακάτω γράφημα.
εκκαθάριση
Για να βελτιστοποιήσετε τη χρήση των πόρων, εξετάστε το ενδεχόμενο διακοπής του χρόνου εκτέλεσης στο Amazon SageMaker Studio Lab αφού έχετε εξερευνήσει πλήρως το σημειωματάριο.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς να δημιουργήσετε μια μηχανή πρόβλεψης ψυχρής εκκίνησης χρησιμοποιώντας το AutoGluon AutoML για δεδομένα χρονοσειρών στο Amazon SageMaker Studio Lab. Για όσους από εσάς αναρωτιέστε τη διαφορά μεταξύ Πρόβλεψη του Αμαζονίου και AutoGluon (χρονοσειρά), το Amazon Forecast είναι μια πλήρως διαχειριζόμενη και υποστηριζόμενη υπηρεσία που χρησιμοποιεί μηχανική εκμάθηση (ML) για τη δημιουργία προβλέψεων υψηλής ακρίβειας χωρίς να απαιτείται προηγούμενη εμπειρία ML. Ενώ το AutoGluon είναι ένα έργο ανοιχτού κώδικα που υποστηρίζεται από την κοινότητα με τις πιο πρόσφατες ερευνητικές συνεισφορές. Περπατήσαμε σε ένα παράδειγμα από άκρο σε άκρο για να δείξουμε τι μπορεί να κάνει το AutoGluon για χρονοσειρές και παρέχουμε ένα σύνολο δεδομένων και περίπτωση χρήσης.
Το AutoGluon για δεδομένα χρονοσειρών είναι ένα πακέτο Python ανοιχτού κώδικα και ελπίζουμε ότι αυτή η ανάρτηση, μαζί με το παράδειγμά μας κώδικα, θα σας δώσει μια απλή λύση για την αντιμετώπιση προκλητικών προβλημάτων πρόβλεψης ψυχρής εκκίνησης. Μπορείτε να έχετε πρόσβαση σε ολόκληρο το παράδειγμα στο δικό μας GitHub repo. Δοκιμάστε το και πείτε μας τη γνώμη σας!
Σχετικά με τους Συγγραφείς
Ιβάν Κούι είναι Επιστήμονας Δεδομένων με AWS Professional Services, όπου βοηθά τους πελάτες να δημιουργήσουν και να αναπτύξουν λύσεις χρησιμοποιώντας μηχανική εκμάθηση στο AWS. Έχει συνεργαστεί με πελάτες σε διάφορους κλάδους, όπως λογισμικό, χρηματοοικονομικά, φαρμακευτικά προϊόντα και υγειονομική περίθαλψη. Στον ελεύθερο χρόνο του, του αρέσει να διαβάζει, να περνά χρόνο με την οικογένειά του και να μεγιστοποιεί το χαρτοφυλάκιο των μετοχών του.
Jonas Mueller είναι Ανώτερος Εφαρμοσμένος Επιστήμονας στην ομάδα Έρευνας και Εκπαίδευσης AI στο AWS, όπου αναπτύσσει νέους αλγόριθμους για τη βελτίωση της βαθιάς μάθησης και την ανάπτυξη της αυτοματοποιημένης μηχανικής μάθησης. Πριν ενταχθεί στην AWS για τον εκδημοκρατισμό της ML, ολοκλήρωσε το διδακτορικό του στο MIT Computer Science and Artificial Intelligence Lab. Στον ελεύθερο χρόνο του, του αρέσει να εξερευνά τα βουνά και την ύπαιθρο.
Γουίνμινγκ Γι είναι Διευθυντής Προϊόντων Έρευνας στην AWS AI. Είναι παθιασμένος με το να βοηθά ερευνητές και εταιρικούς πελάτες να κλιμακώσουν γρήγορα τις καινοτομίες τους μέσω της τεχνολογίας μηχανικής εκμάθησης ανοιχτού κώδικα και αιχμής. Η Wenming έχει ποικίλη εμπειρία Ε&Α από τη Microsoft Research, την ομάδα μηχανικών SQL και επιτυχημένες startups.
- Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
- CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
- Πηγή: https://aws.amazon.com/blogs/machine-learning/build-a-cold-start-time-series-forecasting-engine-using-autogluon/
- "
- 100
- 9
- Σχετικά
- Απόλυτος
- πρόσβαση
- Λογαριασμός
- ακριβής
- επιτευχθεί
- απέναντι
- AI
- ai έρευνα
- αλγόριθμος
- αλγόριθμοι
- Επιτρέποντας
- Αν και
- Amazon
- εφαρμόζοντας
- πλησιάζω
- τεχνητός
- τεχνητή νοημοσύνη
- Αυτοματοποιημένη
- διαθέσιμος
- μέσος
- AWS
- χτίζω
- Χτίζει
- επιχειρήσεις
- κλήση
- Μπορεί να πάρει
- δυνατότητες
- CD
- αλλαγή
- Ολοκλήρωση Αγοράς
- κωδικός
- Στήλη
- κοινότητα
- Εταιρεία
- Πληροφορική
- κατανάλωση
- Πελάτες
- ημερομηνία
- επιστήμονας δεδομένων
- Ζήτηση
- παρατάσσω
- Υπηρεσίες
- ανάπτυξη
- αναπτύχθηκε
- προγραμματιστές
- Όχι
- Εκπαίδευση
- Αποτελεσματικός
- ηλεκτρικής ενέργειας
- Μηχανική
- εισήχθη
- Εταιρεία
- Περιβάλλον
- ουσιώδης
- παράδειγμα
- εμπειρία
- έμπειρος
- επεκτείνουν
- οικογένεια
- Χαρακτηριστικό
- Χαρακτηριστικά
- Εικόνα
- χρηματοδότηση
- Όνομα
- Εξής
- μορφή
- Δωρεάν
- πλήρη
- λειτουργία
- μελλοντικός
- παράγουν
- Git
- καλός
- Group
- που έχει
- υγειονομική περίθαλψη
- βοηθά
- υψηλά
- ιστορικών
- Πως
- Πώς να
- HTTPS
- εικόνα
- εφαρμογή
- βελτίωση
- περιλαμβάνονται
- Συμπεριλαμβανομένου
- ατομικές
- βιομηχανίες
- βιομηχανία
- ενσωματωθεί
- Νοημοσύνη
- IT
- Κλειδί
- γνωστός
- laptop
- αργότερο
- ξεκινήσει
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- Βιβλιοθήκη
- γραμμή
- Λίστα
- λίγο
- φορτίο
- μηχανή
- μάθηση μηχανής
- Κατασκευή
- διευθυντής
- αγορά
- Meta
- Microsoft
- MIT
- ML
- μοντέλο
- μοντέλα
- πλέον
- κίνηση
- καινούργιο προϊόν
- σημειωματάριο
- κώδικα ανοιχτού κώδικα
- ΑΛΛΑ
- ύπαιθρο
- ποσοστό
- Φαρμακευτικά
- χαρτοφυλάκιο
- Προβλέψεις
- Πρόβλημα
- προβλήματα
- Διεργασίες
- παράγει
- Προϊόν
- Προϊόντα
- επαγγελματίας
- σχέδιο
- παρέχει
- Ε & Α
- Ακατέργαστος
- Ανάγνωση
- συνιστώ
- έρευνα
- πόρος
- Υποστηρικτικό υλικό
- λιανική πώληση
- εμπορικός
- Κλίμακα
- απολέπιση
- Επιστήμη
- Επιστήμονας
- Σειρές
- υπηρεσία
- Υπηρεσίες
- σειρά
- Κοντά
- παρόμοιες
- λογισμικό
- Λύσεις
- Δαπάνες
- Εκκίνηση
- Startups
- στοκ
- στούντιο
- επιτυχής
- υποστηριζόνται!
- στόχος
- εργασίες
- Τεχνολογία
- τερματικό
- Μέσω
- ώρα
- μαζι
- παραδοσιακός
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Εκπαίδευση
- τρένα
- us
- χρήση
- Πραγματικός
- οραματισμός
- ιστός
- Τι
- Ο ΟΠΟΊΟΣ
- εντός
- χωρίς
- Εργασία
- εργάστηκαν
- εργαζόμενος
- μηδέν