使用 TimesFM 模型偵測多個時間序列的異常狀況

本教學課程將說明如何搭配 BigQuery ML 的內建 TimesFM 模型，使用 AI.DETECT_ANOMALIES 函式偵測時間序列資料中的異常狀況。

本教學課程會使用公開資料表中的資料。bigquery-public-data.san_francisco_bikeshare.bikeshare_trips

目標

本教學課程會逐步說明如何搭配內建的 TimesFM 模型使用 AI.DETECT_ANOMALIES 函式，偵測共享單車行程中的異常狀況。第一節說明如何偵測異常情況，以及如何呈現單一時間序列的結果。第二節說明如何偵測多個時間序列的異常情況。

費用

本教學課程使用的 Cloud de Confiance by S3NS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。

事前準備

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.
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 Cloud de Confiance project.
新專案會自動啟用 BigQuery。如要在現有專案中啟用 BigQuery，請按照下列步驟操作：
如果尚未啟用 BigQuery API，請啟用。
啟用 API 時所需的角色
如要啟用 API，您必須具備 serviceusage.services.enable 權限。如果您建立了專案，可能已透過「擁有者」角色 (roles/owner) 取得這項權限。否則，您可以透過「服務使用情形管理員」角色 (roles/serviceusage.serviceUsageAdmin) 取得這項權限。瞭解如何授予角色。
啟用 API

偵測單一共享單車行程時間序列中的異常狀況

使用 AI.DETECT_ANOMALIES 函式偵測時間序列資料中的異常狀況。

以下查詢會根據上個月的歷來資料，偵測 2017 年 8 月每小時的共享單車行程數異常狀況。anomaly_prob_threshold 引數表示識別異常狀況的門檻。

如要使用 TimesFM 模型偵測異常狀況，請按照下列步驟操作：

前往 Cloud de Confiance 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」，查詢需要 1 到 2 分鐘才能完成：

WITH
  bike_share_trips AS (
    SELECT
      TIMESTAMP_TRUNC(start_date, HOUR) AS trip_hour, COUNT(*) AS num_trips
    FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
    GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
  )
SELECT *
FROM
  AI.DETECT_ANOMALIES(
    (
      SELECT *
      FROM bike_share_trips
      WHERE trip_hour >= TIMESTAMP('2017-07-01') AND trip_hour < TIMESTAMP('2017-08-01')
    ),
    (
      SELECT *
      FROM bike_share_trips
      WHERE trip_hour >= TIMESTAMP('2017-08-01') AND trip_hour < TIMESTAMP('2017-09-01')
    ),
    anomaly_prob_threshold => 0.95,
    timestamp_col => 'trip_hour',
    data_col => 'num_trips');

結果類似下方：

+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| time_series_timestamp   | time_series_data | is_anomaly | lower_bound        | upper_bound         | anomaly_probability | ai_detect_anomalies_status|
+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| 2017-08-01 00:00:00 UTC | 13.0             | false      | -1.97939332204...  | 27.604928623830...  | 0.38048622012138... |                           |
+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| 2017-08-01 01:00:00 UTC | 6.0              | false      | -9.42939322810...  | 20.154928628380...  | 0.38048622012138... |                           |
+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| ...                     | ...              | ...        | ...                | ...                 | ...                 | ...                       |
+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+

查詢執行完畢後，按一下「圖表」分頁標籤。產生的圖表如下所示：

如果 time_series_data 值超出 lower_bound 和 upper_bound 範圍，即為異常。

偵測多個共享單車行程時間序列中的異常狀況

以下查詢會根據上個月的歷來資料，偵測 2017 年 8 月每種訂閱者類型每小時的共享單車行程數量異常情形。

如要使用 TimesFM 模型偵測異常狀況，請按照下列步驟操作：

前往 Cloud de Confiance 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼入下列查詢，然後點選「執行」：

WITH
  bike_share_trips AS (
    SELECT
      TIMESTAMP_TRUNC(start_date, HOUR) AS trip_hour, COUNT(*) AS num_trips, subscriber_type
    FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
    GROUP BY TIMESTAMP_TRUNC(start_date, HOUR), subscriber_type
  )
SELECT *
FROM
  AI.DETECT_ANOMALIES(
    (
      SELECT *
      FROM bike_share_trips
      WHERE trip_hour >= TIMESTAMP('2017-07-01') AND trip_hour < TIMESTAMP('2017-08-01')
    ),
    (
      SELECT *
      FROM bike_share_trips
      WHERE trip_hour >= TIMESTAMP('2017-08-01') AND trip_hour < TIMESTAMP('2017-09-01')
    ),
    anomaly_prob_threshold => 0.95,
    timestamp_col => 'trip_hour',
    data_col => 'num_trips',
    id_cols => ['subscriber_type']);

結果類似下方：

+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| subscriber_type | time_series_timestamp   | time_series_data | is_anomaly | lower_bound        | upper_bound         | anomaly_probability | ai_detect_anomalies_status|
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| Customer        | 2017-08-01 00:00:00 UTC | 13.0             | false      | -1.97939332204...  | 27.604928623830...  | 0.38048622012138... |                           |
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| Customer        | 2017-08-01 01:00:00 UTC | 3.0              | false      | -5.12345678901...  | 10.123456789012...  | 0.12345678901234... |                           |
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| ...             | ...                     | ...              | ...        | ...                | ...                 | ...                 | ...                       |
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| Subscriber      | 2017-08-01 00:00:00 UTC | 13.0             | false      | -1.97939332204...  | 27.604928623830...  | 0.38048622012138... |                           |
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| Subscriber      | 2017-08-01 01:00:00 UTC | 3.0              | false      | -5.12345678901...  | 10.123456789012...  | 0.12345678901234... |                           |
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+
| ...             | ...                     | ...              | ...        | ...                | ...                 | ...                 | ...                       |
+-----------------+-------------------------+------------------+------------+--------------------+---------------------+---------------------+---------------------------+

清除所用資源

為避免因為本教學課程所用資源，導致系統向 Google Cloud 帳戶收取費用，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。

刪除專案

如要刪除專案，請進行以下操作：

前往 Cloud de Confiance 控制台的「Manage resources」(管理資源) 頁面。
前往「Manage resources」(管理資源)
在專案清單中選取要刪除的專案，然後點選「Delete」(刪除)。
在對話方塊中輸入專案 ID，然後按一下 [Shut down] (關閉) 以刪除專案。

後續步驟

如需 BigQuery ML 的總覽，請參閱「BigQuery 中的 AI 和 ML 簡介」。