本頁面中的部分或全部資訊可能不適用於 Trusted Cloud by S3NS。

本頁面由 Cloud Translation API 翻譯而成。

使用 ARIMA_PLUS 單變數模型預測階層式時間序列

本教學課程說明如何使用ARIMA_PLUS單變數時間序列模型預測階層式時間序列。這項功能會根據指定資料欄的歷史值，預測該資料欄的未來值，並計算該資料欄中一或多個感興趣維度的匯總值。

系統會針對每個時間點，以及一或多個指定感興趣維度的資料欄中的每個值，計算預測值。舉例來說，如果您想預測每日交通事件，並指定包含州別資料的維度資料欄，預測資料會包含州別 A 每天的值，然後是州別 B 每天的值，依此類推。如果您想預測每日交通事件，並指定包含州和城市資料的維度資料欄，預測資料會包含 A 州和 A 市每天的值，然後是 A 州和 B 市每天的值，依此類推。在階層式時間序列模型中，階層式對帳用於匯總每個子項時間序列，並與其父項對帳。舉例來說，A 州所有城市的預測值總和，必須等於 A 州的預測值。

在本教學課程中，您會針對相同資料建立兩個時間序列模型，一個使用階層式預測，另一個則否。方便您比較模型傳回的結果。

本教學課程使用公開資料表中的資料。bigquery-public-data.iowa_liquor.sales.sales這份表格使用愛荷華州公開的酒類銷售資料，包含不同商店超過 100 萬種酒類產品的資訊。

建議您先閱讀「使用單變數模型預測多個時間序列」一文，再開始閱讀本教學課程。

所需權限

如要建立資料集，您需要 bigquery.datasets.create IAM 權限。
如要建立模型，您必須具備下列權限：
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
如要執行推論，您需要下列權限：
- bigquery.models.getData
- bigquery.jobs.create

如要進一步瞭解 BigQuery 中的 IAM 角色和權限，請參閱「IAM 簡介」。

目標

在本教學課程中，您會使用下列項目：

建立多個時間序列模型和多個階層式時間序列模型，使用 CREATE MODEL 陳述式預測瓶裝飲料的銷售值。
使用 ML.FORECAST 函式從模型擷取預測的瓶裝水銷售值。

費用

本教學課程使用 Trusted Cloud by S3NS的計費元件，包括：

BigQuery
BigQuery ML

如要進一步瞭解 BigQuery 費用，請參閱 BigQuery 定價頁面。

如要進一步瞭解 BigQuery ML 費用，請參閱 BigQuery ML 定價。

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

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector
Verify that billing is enabled for your Trusted Cloud project.
新專案會自動啟用 BigQuery。如要在現有專案中啟用 BigQuery，請前往
Enable the BigQuery API.
Enable the API

建立資料集

建立 BigQuery 資料集來儲存機器學習模型。

控制台

前往 Trusted Cloud 控制台的「BigQuery」頁面。

前往 BigQuery 頁面
在「Explorer」窗格中，按一下專案名稱。
依序點按「View actions」(查看動作) >「Create dataset」(建立資料集)。
在「建立資料集」頁面中，執行下列操作：
- 在「Dataset ID」(資料集 ID) 中輸入 bqml_tutorial。
- 針對「Location type」(位置類型) 選取「Multi-region」(多區域)，然後選取「US (multiple regions in United States)」(us (多個美國區域))。
- 其餘設定請保留預設狀態，然後按一下「Create dataset」(建立資料集)。

bq

如要建立新的資料集，請使用 bq mk 指令搭配 --location 旗標。如需可能的完整參數清單，請參閱 bq mk --dataset 指令參考資料。

建立名為「bqml_tutorial」的資料集，並將資料位置設為「US」，以及說明設為「BigQuery ML tutorial dataset」：
```
bq --location=US mk -d \
 --description "BigQuery ML tutorial dataset." \
 bqml_tutorial
```
這個指令採用 -d 捷徑，而不是使用 --dataset 旗標。如果您省略 -d 和 --dataset，該指令預設會建立資料集。
確認資料集已建立完成：
```
bq ls
```

API

請呼叫 datasets.insert 方法，搭配已定義的資料集資源。

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

BigQuery DataFrames

在嘗試這個範例之前，請按照使用 BigQuery DataFrames 的 BigQuery 快速入門導覽課程中的 BigQuery DataFrames 設定說明操作。詳情請參閱 BigQuery DataFrames 參考說明文件。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定 ADC」。

import google.cloud.bigquery

bqclient = google.cloud.bigquery.Client()
bqclient.create_dataset("bqml_tutorial", exists_ok=True)

建立時間序列模型

使用愛荷華州酒類銷售資料建立時間序列模型。

下列 GoogleSQL 查詢會建立模型，預測 2015 年在 Polk、Linn 和 Scott 郡售出的瓶裝水每日總數。

在下列查詢中，OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 子句表示您要建立以 ARIMA 為基礎的時間序列模型。您可以使用 CREATE MODEL 陳述式的 TIME_SERIES_ID 選項，指定要取得預測結果的輸入資料中一或多個資料欄。CREATE MODEL 陳述式的 auto_arima_max_order 選項可控制 auto.ARIMA 演算法中超參數調整的搜尋空間。CREATE MODEL 陳述式的decompose_time_series 選項預設為 TRUE，因此在下一個步驟中評估模型時，系統會傳回時間序列資料的相關資訊。

OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 子句代表您要建立以 ARIMA 為基礎的時間序列模型。根據預設，auto_arima=TRUE，因此 auto.ARIMA 演算法會自動調整 ARIMA_PLUS 模型中的超參數。演算法會套用數十個候選模型，並選擇最佳模型，也就是赤池訊息量準則 (AIC) 最低的模型。如果時間序列中存在美國節慶模式，將 holiday_region 選項設為 US，即可更準確地模擬這些美國節慶時間點。

請按照下列步驟建立模型：

前往 Trusted Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

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;

查詢作業約需 37 秒才能完成，完成後 liquor_forecast 模型會顯示在「Explorer」窗格中。由於查詢使用 CREATE MODEL 陳述式建立模型，因此沒有查詢結果。

使用模型預測資料

使用 ML.FORECAST 函式預測未來時間序列值。

在下列查詢中，STRUCT(20 AS horizon, 0.8 AS confidence_level) 子句表示查詢會預測 20 個未來時間點，並產生信賴水準為 80% 的預測間隔。

如要使用模型預測資料，請按照下列步驟操作：

前往 Trusted Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
在查詢編輯器中貼上以下查詢，然後點選「執行」：
```
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;
```
結果應如下所示：

輸出內容會先顯示第一個時間序列的預測資料；store_number=2190、zip_code=50314、city=DES MOINES、county=POLK。捲動瀏覽資料時，您會看到每個後續不重複時間序列的預測結果。如要產生不同維度的總計預測，例如特定縣市的預測，您必須產生階層式預測。

建立階層式時間序列模型

使用愛荷華州酒類銷售資料建立階層式時間序列預測。

下列 GoogleSQL 查詢會建立模型，針對 2015 年在 Polk、Linn 和 Scott 郡售出的瓶裝水每日總數，產生階層式預測。

在下列查詢中，CREATE MODEL 陳述式中的 HIERARCHICAL_TIME_SERIES_COLS 選項表示您要根據指定的一組資料欄建立階層式預測。這些資料欄都會經過彙整和匯總。舉例來說，在先前的查詢中，這表示 store_number 資料欄值會彙整，以顯示每個 county、city 和 zip_code 值的預測結果。此外，系統也會分別匯總 zip_code 和 store_number 值，顯示每個 county 和 city 值的預測結果。資料欄順序很重要，因為這會定義階層結構。

請按照下列步驟建立模型：

前往 Trusted Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼上以下查詢，然後點選「執行」：

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;

查詢作業完成 (約需 45 秒) 後，bqml_tutorial.liquor_forecast_hierarchical 模型會顯示在「Explorer」(探索) 窗格中。由於查詢使用 CREATE MODEL 陳述式建立模型，因此不會有查詢結果。

使用階層式模型預測資料

使用 ML.FORECAST 函式從模型擷取階層式預測資料。

如要使用模型預測資料，請按照下列步驟操作：

前往 Trusted Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
在查詢編輯器中貼上以下查詢，然後點選「執行」：
```
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;
```
結果應如下所示：

請注意，系統會針對 LeClaire 市顯示匯總預測，store_number=NULL、zip_code=NULL、city=LECLAIRE、county=SCOTT。查看其餘資料列時，請注意其他子群組的預測結果。舉例來說，下圖顯示郵遞區號 52753、store_number=NULL、zip_code=52753、city=LECLAIRE、county=SCOTT 的匯總預報：

清除所用資源

如要避免系統向您的 Trusted Cloud by S3NS 帳戶收取本教學課程所用資源的費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

您可以刪除建立的專案。
或者您可以保留專案並刪除資料集。

刪除資料集

刪除專案將移除專案中所有的資料集與資料表。若您希望重新使用專案，您可以刪除本教學課程中所建立的資料集。

如有必要，請在Trusted Cloud 控制台中開啟 BigQuery 頁面。

前往 BigQuery 頁面
在導覽窗格中，按一下您建立的 bqml_tutorial 資料集。
按一下視窗右側的「刪除資料集」。這個動作將會刪除資料集、資料表，以及所有資料。
在「Delete dataset」(刪除資料集) 對話方塊中，輸入資料集的名稱 (bqml_tutorial)，然後按一下「Delete」(刪除) 來確認刪除指令。

刪除專案

如要刪除專案，請進行以下操作：

In the Trusted 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.

後續步驟

瞭解如何使用單變數模型預測單一時間序列
瞭解如何使用單變數模型預測多個時間序列
瞭解如何在預測多個資料列的時間序列時，擴展單變數模型。
瞭解如何使用多變數模型預測單一時間序列
如需 BigQuery ML 的總覽，請參閱 BigQuery 中的 AI 和 ML 簡介。