Prevé series temporales jerárquicas con un modelo univariado ARIMA_PLUS

En este instructivo, aprenderás a usar un modelo de serie temporal univariable ARIMA_PLUS para prever series temporales jerárquicas. Prevé el valor futuro de una columna determinada, según los valores históricos de esa columna, y también calcula los valores de resumen de esa columna para una o más dimensiones de interés.

Los valores previstos se calculan para cada punto temporal y para cada valor en una o más columnas que especifican las dimensiones de interés. Por ejemplo, si quisieras prever los incidentes de tráfico diarios y especificaras una columna de dimensión que contenga datos de estado, los datos previstos contendrían valores para cada día del estado A, luego valores para cada día del estado B, y así sucesivamente. Si quisieras prever los incidentes de tráfico diarios y especificaras columnas de dimensión que contengan datos de estado y ciudad, los datos previstos contendrían valores para cada día del estado A y la ciudad A, luego valores para cada día del estado A y la ciudad B, y así sucesivamente. En los modelos de series temporales jerárquicas, se usa la conciliación jerárquica para resumir y conciliar cada serie temporal secundaria con su superior. Por ejemplo, la suma de los valores previstos para todas las ciudades del estado A debe ser igual al valor previsto para el estado A.

En este instructivo, crearás dos modelos de series temporales con los mismos datos, uno que usa la previsión jerárquica y otro que no. Esto te permite comparar los resultados que muestran los modelos.

En este instructivo, se usan datos de la tabla pública bigquery-public-data.iowa_liquor.sales.sales. Esta tabla contiene información de más de 1 millón de productos de licores en diferentes tiendas con datos públicos de ventas de licores de Iowa.

Antes de leer este instructivo, te recomendamos que leas Previsión de varias series temporales con un modelo univariado.

Permisos necesarios

• Para crear el conjunto de datos, necesitas el permiso bigquery.datasets.create de IAM.

• Para crear el modelo, necesitas los siguientes permisos:

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData

• Para ejecutar inferencias, necesitas los siguientes permisos:

  • bigquery.models.getData
  • bigquery.jobs.create

Para obtener más información sobre los roles y permisos de IAM en BigQuery, consulta Introducción a IAM.

Objetivos

En este instructivo usarás lo siguiente:

• Crear un modelo de series temporales múltiples y un modelo de series temporales jerárquicas múltiples para prever los valores de ventas de botellas con la declaración CREATE MODEL.
• Recuperar los valores previstos de las ventas de botellas de los modelos con la función ML.FORECAST

Costos

En este instructivo, se usan componentes facturables de Cloud de Confiance by S3NS, incluidos los siguientes:

• BigQuery
• BigQuery ML

Para obtener más información sobre los costos de BigQuery, consulta la página de precios de BigQuery.

Para obtener más información sobre los costos de BigQuery ML, consulta los precios de BigQuery ML.

1. In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance 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 role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

   Go to project selector

2. Verify that billing is enabled for your Cloud de Confiance project.

3. BigQuery se habilita automáticamente en proyectos nuevos. Para activar BigQuery en un proyecto existente, ve a

   Habilita la API de BigQuery si aún no está habilitada.

   Roles necesarios para habilitar las APIs

   Para habilitar las APIs, necesitas el permiso serviceusage.services.enable. Si creaste el proyecto, es probable que ya tengas este permiso a través del rol de propietario (roles/owner). De lo contrario, puedes obtenerlo a través del rol de administrador de Service Usage (roles/serviceusage.serviceUsageAdmin). Obtén más información para otorgar roles.

   Habilitar la API

Crea un conjunto de datos

Para crear un conjunto de datos de BigQuery, selecciona una de las siguientes opciones:

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

Crea un modelo de series temporales

Crea un modelo de series temporales con los datos de ventas de bebidas alcohólicas de Iowa.

En la siguiente consulta de GoogleSQL, se crea un modelo que prevé la cantidad total diaria de botellas vendidas en 2015 en los condados de Polk, Linn y Scott.

En la siguiente consulta, la cláusula OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica que creas un modelo de serie temporal basado en ARIMA. Usa la opción TIME_SERIES_ID de la sentencia CREATE MODEL para especificar una o más columnas en los datos de entrada para los que deseas obtener previsiones. La opción auto_arima_max_order de la sentencia CREATE MODEL controla el espacio de búsqueda para el ajuste de hiperparámetros en el algoritmo auto.ARIMA. La opción decompose_time_series de la instrucción CREATE MODEL se establece de forma predeterminada en TRUE, de modo que se devuelva la información sobre los datos de series temporales cuando evalúes el modelo en el siguiente paso.

La cláusula OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica que creas un modelo de serie temporal basado en ARIMA. De forma predeterminada, auto_arima=TRUE, por lo que el algoritmo auto.ARIMA ajusta de forma automática los hiperparámetros en los modelos ARIMA_PLUS. El algoritmo se adapta a decenas de modelos de candidatos y elige el mejor, que es el modelo con el criterio de información Akaike (AIC) más bajo. Configurar la opción holiday_region en US permite un modelado más preciso de esos puntos temporales de las festividades de Estados Unidos si es que existen patrones de festividades de Estados Unidos en la serie temporal.

Sigue estos pasos para crear el modelo:

1. En la consola de Cloud de Confiance , ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, pega la siguiente consulta y haz clic en Ejecutar:

   CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast`
     OPTIONS (
       MODEL_TYPE = 'ARIMA_PLUS',
       TIME_SERIES_TIMESTAMP_COL = 'date',
       TIME_SERIES_DATA_COL = 'total_bottles_sold',
       TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
       HOLIDAY_REGION = 'US')
   AS
   SELECT
     store_number,
     zip_code,
     city,
     county,
     date,
     SUM(bottles_sold) AS total_bottles_sold
   FROM
     `bigquery-public-data.iowa_liquor_sales.sales`
   WHERE
     date BETWEEN DATE('2015-01-01') AND DATE('2015-12-31')
     AND county IN ('POLK', 'LINN', 'SCOTT')
   GROUP BY store_number, date, city, zip_code, county;

   La consulta tarda aproximadamente 37 segundos en completarse, después de lo cual puedes acceder al modelo liquor_forecast. Debido a que la consulta usa una declaración CREATE MODEL para crear un modelo, no hay resultados de consultas.

Usa el modelo para realizar previsiones de datos

Prevé valores de series temporales futuras con la función ML.FORECAST.

En la siguiente consulta, la cláusula STRUCT(20 AS horizon, 0.8 AS confidence_level) indica que la consulta prevé 20 puntos futuros y genera un intervalo de predicción con un nivel de confianza del 80%.

Sigue estos pasos para realizar una previsión de datos con el modelo:

1. En la consola de Cloud de Confiance , ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, pega la siguiente consulta y haz clic en Ejecutar:

   SELECT *
   FROM
     ML.FORECAST(
       MODEL `bqml_tutorial.liquor_forecast`,
       STRUCT(20 AS horizon, 0.8 AS confidence_level))
   ORDER BY store_number, county, city, zip_code, forecast_timestamp;

   Los resultados debería ser similar al siguiente:

   

   El resultado comienza con los datos previstos para la primera serie temporal: store_number=2190, zip_code=50314, city=DES MOINES, county=POLK. A medida que te desplazas por los datos, verás las previsiones de cada serie temporal única posterior. Si deseas generar previsiones que agreguen totales para diferentes dimensiones, como las previsiones de un condado específico, debes generar una previsión jerárquica.

Crea un modelo de series temporales jerárquicas

Crea una previsión de series temporales jerárquicas mediante los datos de ventas de bebidas alcohólicas de Iowa.

En la siguiente consulta de GoogleSQL, se crea un modelo que genera previsiones jerárquicas para la cantidad total diaria de botellas vendidas en 2015 en los condados de Polk, Linn y Scott.

En la siguiente consulta, la opción HIERARCHICAL_TIME_SERIES_COLS de la declaración CREATE MODEL indica que estás creando una previsión jerárquica basada en un conjunto de columnas que especificas. Cada una de estas columnas se agrupa y agrega. Por ejemplo, en la consulta anterior, esto significa que el valor de la columna store_number se une para mostrar las previsiones de cada valor de county, city y zip_code. Por otro lado, los valores de zip_code y store_number también se combinan para mostrar las previsiones de cada valor de county y city. El orden de las columnas es importante porque define la estructura de la jerarquía.

Sigue estos pasos para crear el modelo:

1. En la consola de Cloud de Confiance , ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, pega la siguiente consulta y haz clic en Ejecutar:

   CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast_hierarchical`
     OPTIONS (
       MODEL_TYPE = 'ARIMA_PLUS',
       TIME_SERIES_TIMESTAMP_COL = 'date',
       TIME_SERIES_DATA_COL = 'total_bottles_sold',
       TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
       HIERARCHICAL_TIME_SERIES_COLS = ['zip_code', 'store_number'],
       HOLIDAY_REGION = 'US')
   AS
   SELECT
     store_number,
     zip_code,
     city,
     county,
     date,
     SUM(bottles_sold) AS total_bottles_sold
   FROM
     `bigquery-public-data.iowa_liquor_sales.sales`
   WHERE
     date BETWEEN DATE('2015-01-01') AND DATE('2015-12-31')
     AND county IN ('POLK', 'LINN', 'SCOTT')
   GROUP BY store_number, date, city, zip_code, county;

   La consulta tarda aproximadamente 45 segundos en completarse, después de lo cual se puede acceder al modelo bqml_tutorial.liquor_forecast_hierarchical en el panel Explorador. Debido a que la consulta usa una sentencia CREATE MODEL para crear un modelo, no hay resultados de consultas.

Usa el modelo jerárquico para realizar previsiones de datos

Recupera los datos de previsión jerárquica del modelo con la función ML.FORECAST.

Sigue estos pasos para realizar una previsión de datos con el modelo:

1. En la consola de Cloud de Confiance , ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, pega la siguiente consulta y haz clic en Ejecutar:

   SELECT
     *
   FROM
     ML.FORECAST(
       MODEL `bqml_tutorial.liquor_forecast_hierarchical`,
       STRUCT(30 AS horizon, 0.8 AS confidence_level))
   WHERE city = 'LECLAIRE'
   ORDER BY county, city, zip_code, store_number, forecast_timestamp;

   Los resultados debería ser similar al siguiente:

   

   Observa cómo se muestra la previsión agregada para la ciudad de LeClaire, store_number=NULL, zip_code=NULL, city=LECLAIRE, county=SCOTT. Si observas el resto de las filas, notarás las previsiones de los otros subgrupos. Por ejemplo, en la siguiente imagen, se muestran las previsiones agregadas para el código postal 52753, store_number=NULL, zip_code=52753, city=LECLAIRE, county=SCOTT:

   

Realiza una limpieza

Para evitar que se apliquen cargos a tu cuenta de Cloud de Confiance by S3NS por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

• Puedes borrar el proyecto que creaste.
• De lo contrario, puedes mantener el proyecto y borrar el conjunto de datos.

Borra tu conjunto de datos

Borrar tu proyecto quita todos sus conjuntos de datos y tablas. Si prefieres volver a usar el proyecto, puedes borrar el conjunto de datos que creaste en este instructivo:

1. Si es necesario, abre la página de BigQuery en la consola deCloud de Confiance .

   Ir a la página de BigQuery

2. En el panel de navegación, haz clic en el conjunto de datos bqml_tutorial que creaste.

3. Haz clic en Borrar conjunto de datos en el lado derecho de la ventana. Esta acción borra el conjunto de datos, la tabla y todos los datos.

4. En el cuadro de diálogo Borrar conjunto de datos, escribe el nombre del conjunto de datos (bqml_tutorial) para confirmar el comando de borrado y, luego, haz clic en Borrar.

Borra tu proyecto

Para borrar el proyecto, haz lo siguiente:

1. En la Cloud de Confiance consola, ve a la página Administrar recursos.

   Ir a Administrar recursos

2. En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

¿Qué sigue?

• Aprende a prever una sola serie temporal con un modelo univariable.
• Aprende a prever varias series temporales con un modelo univariado.
• Obtén información para escalar un modelo univariado cuando se prevén varias series temporales en muchas filas.
• Aprende a prever una sola serie temporal con un modelo multivariado.
• Para obtener una descripción general de BigQuery ML, consulta Introducción a la IA y el AA en BigQuery.