صورة من Pexels
في الشتاء الماضي، قدمت عرضًا تقديميًا عن "نموذج سلاسل زمنية أكثر قابلية للتنبؤ باستخدام BQML' في GDG DevFest طشقند 2022 في طشقند عاصمة أوزبكستان.
كنت سأشارك بعض المواد والتعليمات البرمجية بعد DevFest التي استخدمتها في العرض التقديمي، ولكن مر الوقت، وتم إصدار ميزات جديدة في BQML تتداخل مع بعض المحتوى.
ولذلك، سأذكر بدلاً من ذلك الميزات الجديدة وبعض الأشياء التي لا تزال سارية لفترة وجيزة.
بيانات السلاسل الزمنية يتم استخدامه من قبل العديد من المنظمات لأغراض متنوعة، ومن المهم ملاحظة أن "التحليلية التنبؤية"s" يدور حول "المستقبل" في الوقت المناسب. تم استخدام التحليلات التنبؤية للسلاسل الزمنية على المدى القصير والمتوسط والطويل، وعلى الرغم من أنها تحتوي على العديد من الأخطاء والمخاطر، إلا أنها تتحسن بشكل مطرد.
نظرًا لأن "التنبؤ" يبدو مفيدًا جدًا، فقد تميل إلى تطبيق نموذج تنبؤ السلاسل الزمنية إذا كانت لديك بيانات سلاسل زمنية. لكن نماذج التنبؤ بالسلاسل الزمنية عادة ما تكون مكثفة من الناحية الحسابية، وإذا كان لديك الكثير من البيانات، فستكون أكثر كثافة من الناحية الحسابية. لذا، فإن معالجتها وتحميلها إلى بيئة التحليلات وتحليلها أمر مرهق وصعب
إذا كنت تستخدم جوجل BigQuery لإدارة البيانات، يمكنك استخدام إدارة الجودة الشاملةL (BigQuery ML) لتطبيق خوارزميات التعلم الآلي على بياناتك بطريقة بسيطة وسهلة وسريعة. يستخدم الكثير من الأشخاص BigQuery لمعالجة الكثير من البيانات، وكثير من هذه البيانات غالبًا ما تكون بيانات سلاسل زمنية. و تدعم BQML أيضًا نماذج السلاسل الزمنية.
أساس نموذج السلسلة الزمنية الذي تدعمه BQML حاليًا هو المتوسط المتحرك المتكامل للانحدار التلقائي (ARIMA) نموذج. يتنبأ نموذج ARIMA باستخدام بيانات السلاسل الزمنية الموجودة فقط ومن المعروف أنه يتمتع بأداء جيد للتنبؤ على المدى القصير، وبما أنه يجمع بين AR وMA، فهو نموذج شائع يمكنه تغطية مجموعة واسعة من نماذج السلاسل الزمنية.
ومع ذلك، فإن هذا النموذج مكثف حسابيًا بشكل عام، وبما أنه يستخدم فقط بيانات السلاسل الزمنية مع الحالة الطبيعية، فمن الصعب استخدامه في الحالات ذات الاتجاهات أو الموسمية. لذلك، أريما_بلوس يتضمن BQML العديد من الميزات الإضافية كخيارات. يمكنك إضافة تحليل السلاسل الزمنية، والعوامل الموسمية، والارتفاعات والانخفاضات، وتغييرات المعاملات، والمزيد إلى النموذج الخاص بك، أو يمكنك الاطلاع عليها بشكل منفصل وضبط النموذج يدويًا. أنا أيضًا أحب شخصيًا حقيقة أنه يمكنك ضبط الدورية من خلال دمج خيارات العطلات تلقائيًا، وهي إحدى فوائد استخدام النظام الأساسي الذي لا يتطلب منك إضافة المعلومات المتعلقة بالتواريخ يدويًا.
هيكل ARIMA_PLUS (من دليل BQML)
يمكنك الرجوع إلى هذا صفحة للمزيد من المعلومات.
ومع ذلك، عندما يتعلق الأمر بتطبيقات العالم الحقيقي، فإن التنبؤ بالسلاسل الزمنية ليس بهذه البساطة. بالطبع، تمكنا من تحديد دورات متعددة وإضافة تدخلات إلى سلاسل زمنية متعددة باستخدام ARIMA_PLUS، ولكن هناك العديد من العوامل الخارجية المتعلقة ببيانات السلاسل الزمنية، ولا يحدث سوى عدد قليل جدًا من الأحداث بشكل منفصل. قد يكون من الصعب العثور على الثبات في بيانات السلاسل الزمنية.
في العرض التقديمي الأصلي، نظرت في كيفية التعامل مع بيانات السلاسل الزمنية في العالم الحقيقي لإنشاء نموذج للتنبؤ تتحلل هذه السلاسل الزمنية، قم بتنظيف البيانات المتحللة، واستيرادها إلى Python، وبعد ذلك ونسجها مع متغيرات أخرى لإنشاء دالة سلسلة زمنية متعددة المتغيرات، وتقدير السببية ودمجها في نموذج التنبؤ، وتقدير درجة اختلاف التأثير مع التغيرات في الأحداث.
وفي الأشهر القليلة الماضية فقط، ميزة جديدة لإنشاء دوال سلاسل زمنية متعددة المتغيرات بمتغيرات خارجية(ARIMA_PLUS_XREG، XREG أدناه) أصبحت ميزة واضحة في BQML.
يمكنك قراءة كل شيء عنها هنا(سيكون قيد المعاينة اعتبارًا من يوليو 2023، لكنني أعتقد أنه سيكون متاحًا في وقت لاحق من هذا العام).
أنا أتقدم بطلب البرنامج التعليمي الرسمي لنرى كيف يمكن مقارنته بنموذج السلسلة الزمنية التقليدي أحادي المتغير ويمكننا أن نرى كيف يعمل.
الخطوات هي نفسها كما في البرنامج التعليمي، لذلك لن أكررها، ولكن إليك النموذجين اللذين قمت بإنشائهما. أولا، قمت بإنشاء التقليدية أريما_بلوس نموذج ثم XREG نموذج باستخدام نفس البيانات ولكن مع إضافة درجة الحرارة وسرعة الرياح في ذلك الوقت.
#اريما_بلس
# ARIMA_PLUS
CREATE OR REPLACE MODEL test_dt_us.seattle_pm25_plus_model
OPTIONS ( MODEL_TYPE = 'ARIMA_PLUS', time_series_timestamp_col = 'date', time_series_data_col = 'pm25') AS
SELECT date, pm25
FROM test_dt_us.seattle_air_quality_daily
WHERE date BETWEEN DATE('2012-01-01') AND DATE('2020-12-31')
#ARIMA_PLUS_XREG
CREATE OR REPLACE MODEL test_dt_us.seattle_pm25_xreg_model OPTIONS ( MODEL_TYPE = 'ARIMA_PLUS_XREG', time_series_timestamp_col = 'date', time_series_data_col = 'pm25') AS
SELECT date, pm25, temperature, wind_speed
FROM test_dt_us.seattle_air_quality_daily
WHERE date BETWEEN DATE('2012-01-01') AND DATE('2020-12-31')
سيبدو النموذج الذي يستخدم هذه البيانات المتعددة بهذا الشكل
البنية ARIMA_PLUS_XREG (من دليل BQML)
تتم مقارنة نموذجين مع ML.Evaluate.
SELECT * FROM ML.EVALUATE ( MODEL test_dt_us.seattle_pm25_plus_model, ( SELECT date, pm25 FROM test_dt_us.seattle_air_quality_daily WHERE date > DATE('2020-12-31') ))
SELECT * FROM ML.EVALUATE ( MODEL test_dt_us.seattle_pm25_xreg_model, ( SELECT date, pm25, temperature, wind_speed FROM test_dt_us.seattle_air_quality_daily WHERE date > DATE('2020-12-31') ), STRUCT( TRUE AS perform_aggregation, 30 AS horizon))
النتائج أدناه.
أريما_بلوس
أريما_بلوس_XREG
يمكنك أن ترى أن ل يتقدم نموذج XREG في مقاييس الأداء الأساسية مثل MAE وMSE وMAPE. (من الواضح أن هذا ليس الحل الأمثل، تعتمد على البيانات، ويمكننا أن نقول أننا حصلنا على أداة مفيدة أخرى.)
يعد تحليل السلاسل الزمنية المتعددة المتغيرات خيارًا تشتد الحاجة إليه في كثير من الحالات، ولكن غالبًا ما يكون من الصعب تطبيقه لأسباب مختلفة. الآن يمكننا استخدامه إذا كانت الأسباب في خطوات البيانات والتحليل. يبدو أن لدينا خيارًا جيدًا لذلك، لذا من الجيد أن نعرف ذلك ونأمل أن يكون مفيدًا في كثير من الحالات.
جيونج مين كوون هو عالم بيانات كبير مستقل يتمتع بخبرة عملية تزيد عن 10 سنوات في الاستفادة من نماذج التعلم الآلي واستخراج البيانات.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://www.kdnuggets.com/2023/07/multivariate-timeseries-prediction-bqml.html?utm_source=rss&utm_medium=rss&utm_campaign=multivariate-time-series-prediction-with-bqml
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 2023
- 30
- a
- ماهرون
- من نحن
- حوله
- تضيف
- مضيفا
- إضافي
- بعد
- قدما
- خوارزميات
- الكل
- أيضا
- an
- تحليل
- تحليلات
- تحليل
- و
- آخر
- التطبيقات
- التقديم
- AR
- هي
- AS
- At
- تلقائيا
- متاح
- المتوسط
- الأساسية
- أساس
- BE
- أصبح
- كان
- أقل من
- الفوائد
- ما بين
- الاستعلام الشامل
- موجز
- لكن
- by
- CAN
- الموارد
- الحالات
- التغييرات
- الكود
- يجمع بين
- يأتي
- مجتمع
- مقارنة
- محتوى
- الدورة
- بهيكل
- خلق
- خلق
- خلق
- حاليا
- دورات
- البيانات
- إدارة البيانات
- استخراج البيانات
- عالم البيانات
- التاريخ
- تمور
- صفقة
- الدرجة العلمية
- صعبة
- لا
- اثنان
- سهل
- تأثير
- البيئة
- تقدير
- تقييم
- أحداث
- القائمة
- الخبره في مجال الغطس
- خارجي
- حقيقة
- العوامل
- FAST
- الميزات
- المميزات
- قليل
- الاسم الأول
- في حالة
- مستقل
- تبدأ من
- وظيفة
- وظائف
- Go
- الذهاب
- خير
- شراء مراجعات جوجل
- تشابك الايدى
- يحدث
- الثابت
- يملك
- هنا
- عطلات
- نأمل
- الأفق
- كيفية
- كيفية
- HTTPS
- i
- سوف
- تحديد
- if
- استيراد
- أهمية
- تحسين
- in
- يشمل
- دمج
- دمج
- معلومات
- بدلًا من ذلك
- المتكاملة
- إلى
- عزل
- IT
- JPG
- يوليو
- م
- KD nuggets
- علم
- معروف
- اسم العائلة
- الى وقت لاحق
- تعلم
- الاستفادة من
- مثل
- لينكدين:
- تحميل
- طويل
- بحث
- بدا
- تبدو
- الكثير
- آلة
- آلة التعلم
- القيام ب
- إدارة
- يدويا
- كثير
- مادة
- متوسط
- المقاييس
- ربما
- تعدين
- ML
- نموذج
- عارضات ازياء
- المقبلة.
- الأكثر من ذلك
- يتحرك
- المتوسط المتحرك البسيط ببطء
- تشتد الحاجة إليها
- متعدد
- جديد
- ميزة جديدة
- مزايا جديدة
- الآن
- of
- رسمي
- غالبا
- on
- ONE
- فقط
- خيار
- مزيد من الخيارات
- or
- المنظمات
- أصلي
- أخرى
- الكلي
- مرت
- مجتمع
- أداء
- شخصيا
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- الرائج
- قابل للتنبؤ
- تنبؤ
- التحليلات التنبؤية
- تتوقع
- <font style="vertical-align: inherit;"> كمادة تطعيم في تجديد عيوب محيط بالذورة (الحنك) الكبيرة:</font>
- أرسال
- عملية المعالجة
- أغراض
- بايثون
- نطاق
- عرض
- العالم الحقيقي
- الأسباب
- ذات صلة
- صدر
- يحل محل
- تطلب
- المخاطر
- نفسه
- قول
- عالم
- انظر تعريف
- يبدو
- كبير
- مسلسلات
- عدة
- مشاركة
- قصير
- المدى القصير
- الاشارات
- منذ
- So
- حل
- بعض
- شيء
- سرعة
- التموج
- خطوات
- لا يزال
- هذه
- مدعومة
- الدعم
- مصطلح
- أن
- •
- العاصمة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- الأشياء
- هذا العام
- عبر
- الوقت
- السلاسل الزمنية
- إلى
- أداة
- تقليدي
- جديد الموضة
- صحيح
- البرنامج التعليمي
- اثنان
- تستخدم
- مستعمل
- يستخدم
- استخدام
- عادة
- يستخدم
- أوزبكستان
- تشكيلة
- مختلف
- جدا
- وكان
- طريق..
- we
- متى
- التي
- في حين
- واسع
- مدى واسع
- ويكيبيديا
- سوف
- ريح
- الشتاء
- مع
- أعمال
- سوف
- عام
- سنوات
- لصحتك!
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت