Olenemata sellest, kas eraldate ressursse tõhusamalt veebiliikluse jaoks, prognoosite patsientide nõudlust personalivajaduste järele või prognoosite ettevõtte toodete müüki, on prognoosimine paljude ettevõtete jaoks oluline tööriist. Üks konkreetne kasutusjuhtum, tuntud kui külmkäivituse ennustamine, koostab prognoose aegridade jaoks, millel on vähe olemasolevaid ajaloolisi andmeid või puuduvad need üldse, näiteks uus toode, mis just tuli jaemüügisektoris turule. Traditsioonilised aegridade prognoosimismeetodid, nagu autoregressiivne integreeritud libisev keskmine (ARIMA) või eksponentsiaalne silumine (ES), toetuvad suuresti iga üksiku toote ajaloolistele aegridadele ega ole seetõttu külmkäivituse prognoosimiseks tõhusad.
Selles postituses demonstreerime, kuidas ehitada külmkäivituse prognoosimootorit kasutades AutoGluon AutoML aegridade prognoosimiseks, avatud lähtekoodiga Pythoni pakett piltide, tekstide, tabelite ja aegridade andmete masinõppe (ML) automatiseerimiseks. AutoGluon pakub täielikku automatiseeritud masinõppe (AutoML) torujuhet algajatele kuni kogenud ML-i arendajatele, muutes selle kõige täpsemaks ja hõlpsamini kasutatavaks täisautomaatseks lahenduseks. Kasutame tasuta Amazon SageMaker Studio Lab teenus selle demonstratsiooni jaoks.
Sissejuhatus AutoGluoni aegridadesse
AutoGluon on juhtiv avatud lähtekoodiga teek AutoML-i jaoks teksti-, pildi- ja tabeliandmete jaoks, mis võimaldab toota toorandmetest väga täpseid mudeleid vaid ühe koodireaga. Hiljuti on meeskond töötanud selle nimel, et laiendada neid võimalusi aegridade andmetele ja on välja töötanud automatiseeritud prognoosimismooduli, mis on avalikult saadaval GitHub. autogluon.forecasting
moodul töötleb automaatselt töötlemata aegridade andmeid sobivasse vormingusse ning seejärel treenib ja häälestab erinevaid tipptasemel süvaõppe mudeleid täpsete prognooside saamiseks. Selles postituses näitame, kuidas seda kasutada autogluon.forecasting
ja rakendage seda külmkäivituse prognoosimisülesannete jaoks.
Lahenduse ülevaade
Kuna AutoGluon on avatud lähtekoodiga Pythoni pakett, saate seda lahendust rakendada kohapeal sülearvutis või Amazon SageMaker Studio Labis. Läbime järgmised sammud:
- Seadistage AutoGluon Amazon SageMaker Studio Labi jaoks.
- Valmistage ette andmestik.
- Määrake treeningparameetrid AutoGluoni abil.
- Treenige aegridade prognoosimiseks külmkäivitusmootorit.
- Visualiseerige külmkäivituse ennustamise ennustusi.
Külmkäivituse prognoosimise põhieeldus on see, et sarnaste omadustega üksustel peaksid olema sarnased aegridade trajektoorid, mis võimaldab külmkäivituse prognoosimisel teha prognoose üksuste kohta, millel puuduvad ajaloolised andmed, nagu on näidatud järgmisel joonisel.
Oma ülevaates kasutame elektritarbimisel põhinevat sünteetilist andmestikku, mis koosneb 370 üksuse tunniajareast, millest igaühel on item_id
0–369. Selles sünteetilises andmekogumis on iga item_id
on seotud ka staatilise tunnusega (funktsioon, mis aja jooksul ei muutu). Koolitame a DeepAR modelleerida AutoGluoni abil sarnaste üksuste tüüpilise käitumise õppimiseks ja sellise käitumise ülekandmiseks uute üksuste prognoosimiseks (item_id
370–373), millel pole ajaloolisi aegridade andmeid. Kuigi me demonstreerime külmkäivituse prognoosimise lähenemisviisi ainult ühe staatilise funktsiooniga, on praktikas hea külmkäivituse prognoosi võti informatiivsed ja kvaliteetsed staatilised funktsioonid.
Järgmine diagramm annab meie lahendusest kõrgetasemelise ülevaate. Avatud lähtekoodiga kood on saadaval aadressil GitHub repo.
Eeldused
Selle ülevaate jaoks peaksid teil olema järgmised eeltingimused.
- An Amazon SageMaker Studio Labi konto
- GitHub juurdepääsu kontole
Logige sisse oma Amazon SageMaker Studio Labi kontole ja seadistage keskkond terminali abil:
Need juhised peaksid töötama ka teie sülearvutis, kui teil pole juurdepääsu Amazon SageMaker Studio Labile (soovitame Anaconda esmalt sülearvutisse installida).
Kui olete virtuaalse keskkonna täielikult seadistanud, käivitage sülearvuti AutoGluon-cold-start-demo.ipynb
ja valige kohandatud keskkond .conda-autogluon:Python
tuum.
Valmistage ette sihtaegrida ja üksuse metaandmekogum
Laadige järgmised andmestikud alla oma märkmiku eksemplari, kui need pole kaasas, ja salvestage need kataloogi data/
. Need andmestikud leiate meie veebisaidilt GitHub repo:
- Test.csv.gz
- coldStartTargetData.csv
- itemMetaData.csv
Siht-aegridade andmestiku kernelisse laadimiseks käivitage järgmine koodilõik:
AutoGluoni aegread nõuavad staatiliste tunnuste esitamist numbrilises vormingus. Seda on võimalik saavutada taotlemise kaudu LabelEncoder()
meie staatilisel funktsioonil type
, kus kodeerime A=0, B=1, C=2, D=3 (vt järgmist koodi). Vaikimisi järeldab AutoGluon, et staatiline tunnus on järguline või kategooriline. Samuti saate selle üle kirjutada, teisendades staatilise funktsiooni veeru kategooriliste tunnuste objekti/stringi andmetüübiks või järguliste funktsioonide puhul täisarv/ujukandmetüübiks.
Seadistage ja alustage AutoGluoni mudelikoolitust
Peame täpsustama save_path = ‘autogluon-coldstart-demo’
mudeli artefakti kausta nimena (vt järgmist koodi). Seadsime ka oma eval_metric
as keskmine absoluutne protsentuaalne vigavõi ‘MAPE’
lühidalt, kus me määratlesime prediction_length
kui 24 tundi. Kui seda pole määratud, koostab AutoGluon vaikimisi tõenäosusprognoose ja hindab need rakenduse kaudu kaalutud kvantiilne kaotus. Vaatame ainult DeepAR mudel meie demos, sest me teame, et DeepAR-i algoritm võimaldab külmkäivitusprognoosi disaini järgi. Seadsime ühe DeepAR-i hüperparameetritest meelevaldselt ja edastame selle hüperparameetri ForecastingPredictor().fit()
helistama. See võimaldab AutoGluonil vaadata ainult määratud mudelit. Täieliku häälestatavate hüperparameetrite loendi leiate aadressilt gluonts.model.deepar pakett.
Treening kestab 30-45 minutit. Mudeli kokkuvõtte saate, helistades järgmisele funktsioonile:
Külmkäivituse elemendi prognoos
Nüüd oleme valmis külmkäivitusüksuse jaoks prognoose genereerima. Soovitame igaühe jaoks kasutada vähemalt viis rida item_id
. Seetõttu jaoks item_id
millel on vähem kui viis vaatlust, täidame NaN-idega. Meie demos mõlemad item_id
370 ja 372 on nullvaatlus, puhas külmkäivitusprobleem, samas kui ülejäänud kahel on viis sihtväärtust.
Laadige külmkäivituse sihtaegridade andmestikku järgmise koodiga:
Sisestame külmkäivituse sihtajarea meie AutoGluoni mudelisse koos külmkäivituse üksuse metaandmestikuga item_id
:
Visualiseerige ennustusi
Saame luua joonistamisfunktsiooni, et genereerida külmkäivituse prognoosi visualiseerimine, nagu on näidatud järgmisel graafikul.
Koristage
Ressursikasutuse optimeerimiseks kaaluge Amazon SageMaker Studio Labi käitusaja peatamist pärast seda, kui olete sülearvutiga täielikult tutvunud.
Järeldus
Selles postituses näitasime, kuidas luua külmkäivituse prognoosimootorit AutoGluon AutoML-i abil aegridade andmete jaoks Amazon SageMaker Studio Labis. Neile teist, kes mõtlevad, mis vahe on Amazoni prognoos ja AutoGluon (aegrida), Amazon Forecast on täielikult hallatud ja toetatud teenus, mis kasutab masinõpet (ML) ülitäpsete prognooside loomiseks ilma eelnevat ML-i kogemust nõudmata. Kuigi AutoGluon on avatud lähtekoodiga projekt, mida kogukond toetab uusimate teadusuuringute panustega. Vaatasime läbi täieliku näite, et näidata, milleks AutoGluon aegridade jaoks on võimeline, ning esitasime andmekogumi ja kasutusjuhtumi.
AutoGluon aegridade andmete jaoks on avatud lähtekoodiga Pythoni pakett ja loodame, et see postitus koos meie koodinäidisega annab teile lihtsa lahenduse külmkäivituse prognoosimise probleemide lahendamiseks. Kogu näitele pääsete juurde meie lehel GitHub repo. Proovige järele ja andke meile teada, mida arvate!
Autoritest
Ivan Cui on AWS-i professionaalsete teenuste andmeteadlane, kes aitab klientidel luua ja juurutada lahendusi, kasutades AWS-is masinõpet. Ta on töötanud klientidega erinevates tööstusharudes, sealhulgas tarkvara, rahanduse, farmaatsia ja tervishoiu valdkonnas. Vabal ajal meeldib talle lugeda, perega aega veeta ja aktsiaportfelli maksimeerida.
Jonas Mueller on vanemrakendusteadlane AWS-i tehisintellekti uurimis- ja haridusrühmas, kus ta töötab välja uusi algoritme süvaõppe parandamiseks ja automatiseeritud masinõppe arendamiseks. Enne AWS-iga liitumist ML-i demokratiseerimiseks lõpetas ta doktorikraadi MIT arvutiteaduse ja tehisintellekti laboris. Vabal ajal meeldib talle mägedes ja looduses avastada.
Wenming Ye on AWS AI uurimistöö tootejuht. Ta on kirglik aidata teadlastel ja ettevõtetel klientidel oma uuendusi avatud lähtekoodiga ja nüüdisaegse masinõppetehnoloogia abil kiiresti skaleerida. Wenmingul on mitmekülgne uurimis- ja arendustegevuse kogemus Microsoft Researchist, SQL-i insenerimeeskonnast ja edukatest idufirmadest.
- Münditark. Euroopa parim Bitcoini ja krüptobörs.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
- CryptoHawk. Altcoini radar. Tasuta prooviversioon.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-a-cold-start-time-series-forecasting-engine-using-autogluon/
- "
- 100
- 9
- MEIST
- absoluutne
- juurdepääs
- konto
- täpne
- saavutada
- üle
- AI
- ai uuringud
- algoritm
- algoritme
- Lubades
- Kuigi
- Amazon
- Rakendades
- lähenemine
- kunstlik
- tehisintellekti
- Automatiseeritud
- saadaval
- keskmine
- AWS
- ehitama
- Ehitab
- ettevõtted
- helistama
- Saab
- võimeid
- CD
- muutma
- Vormista ost
- kood
- Veerg
- kogukond
- Ettevõtte omad
- Arvutiteadus
- tarbimine
- Kliendid
- andmed
- andmeteadlane
- Nõudlus
- juurutada
- Disain
- arendama
- arenenud
- Arendajad
- Ei tee
- Käsitöö
- Tõhus
- elekter
- Inseneriteadus
- sisenes
- ettevõte
- keskkond
- oluline
- näide
- kogemus
- kogenud
- laiendama
- pere
- tunnusjoon
- FUNKTSIOONID
- Joonis
- rahastama
- esimene
- Järel
- formaat
- tasuta
- täis
- funktsioon
- tulevik
- tekitama
- Git
- hea
- Grupp
- võttes
- tervishoid
- aitab
- kõrgelt
- ajalooline
- Kuidas
- Kuidas
- HTTPS
- pilt
- rakendada
- parandama
- lisatud
- Kaasa arvatud
- eraldi
- tööstusharudes
- tööstus
- integreeritud
- Intelligentsus
- IT
- Võti
- teatud
- sülearvuti
- hiljemalt
- algatama
- juhtivate
- Õppida
- õppimine
- Raamatukogu
- joon
- nimekiri
- vähe
- koormus
- masin
- masinõpe
- Tegemine
- juht
- Turg
- Meta
- Microsoft
- MIT
- ML
- mudel
- mudelid
- kõige
- liikuv
- uus toode
- märkmik
- avatud lähtekoodiga
- Muu
- väljas
- protsent
- Pharmaceutical
- portfell
- Ennustused
- Probleem
- probleeme
- Protsessid
- tootma
- Toode
- Toodet
- professionaalne
- projekt
- annab
- R & D
- Töötlemata
- Lugemine
- soovitama
- teadustöö
- ressurss
- Vahendid
- jaemüük
- müük
- Skaala
- ketendamine
- teadus
- teadlane
- Seeria
- teenus
- Teenused
- komplekt
- Lühike
- sarnane
- tarkvara
- Lahendused
- Kulutused
- algus
- Alustavatel
- varu
- stuudio
- edukas
- Toetatud
- sihtmärk
- ülesanded
- meeskond
- Tehnoloogia
- terminal
- Läbi
- aeg
- kokku
- traditsiooniline
- liiklus
- koolitus
- rongid
- us
- kasutama
- virtuaalne
- visualiseerimine
- web
- M
- WHO
- jooksul
- ilma
- Töö
- töötas
- töö
- null