Amazon prognose er en fuldt administreret tjeneste, der bruger maskinlæring (ML) til at generere meget nøjagtige prognoser uden at kræve nogen forudgående ML-erfaring. Forecast er anvendelig i en bred vifte af brugssager, herunder estimering af udbud og efterspørgsel til lagerstyring, prognoser for rejseefterspørgsel, planlægning af arbejdsstyrke og brug af computerskyinfrastruktur.
Du kan bruge Forecast til problemfrit at udføre what-if-analyser op til 80 % hurtigere for at analysere og kvantificere den potentielle indvirkning af virksomhedshåndtag på dine efterspørgselsprognoser. En hvad-hvis-analyse hjælper dig med at undersøge og forklare, hvordan forskellige scenarier kan påvirke basisprognosen, der er oprettet af Forecast. Med Forecast er der ingen servere til klargøring eller ML-modeller, der skal bygges manuelt. Derudover betaler du kun for det, du bruger, og der er intet minimumsgebyr eller forhåndsforpligtelse. For at bruge prognose behøver du kun at angive historiske data for det, du vil prognose, og eventuelt yderligere data, som du mener kan påvirke dine prognoser.
Vandforsyningsudbydere har flere prognoser for brugssager, men den primære blandt dem er at forudsige vandforbruget i et område eller en bygning for at imødekomme efterspørgslen. Det er også vigtigt for forsyningsselskaber at forudsige det øgede forbrugsbehov på grund af flere lejligheder tilføjet i en bygning eller flere huse i området. Præcis forudsigelse af vandforbruget er afgørende for at undgå serviceafbrydelser for kunden.
Dette indlæg udforsker brugen af Forecast til at løse denne brugssag ved at bruge historiske tidsseriedata.
Løsningsoversigt
Vand er en naturressource og meget kritisk for industri, landbrug, husholdninger og vores liv. Nøjagtig vandforbrugsprognose er afgørende for at sikre, at et bureau kan køre den daglige drift effektivt. Vandforbrugsprognoser er særligt udfordrende, fordi efterspørgslen er dynamisk, og sæsonbestemte vejrændringer kan have en indvirkning. Det er vigtigt at forudsige vandforbrug nøjagtigt, så kunderne ikke står over for nogen serviceafbrydelser, og for at kunne levere en stabil service og samtidig opretholde lave priser. Forbedret prognose giver dig mulighed for at planlægge fremad for at strukturere mere omkostningseffektive fremtidige kontrakter. Følgende er de to mest almindelige tilfælde:
- Bedre efterspørgselsstyring – Som et forsyningsselskab skal du finde en balance mellem efterspørgsel og udbud af vand. Agenturet indsamler oplysninger som antal personer, der bor i en lejlighed og antal lejligheder i en bygning, før de yder service. Som forsyningsbureau skal du balancere samlet udbud og efterspørgsel. Du skal opbevare tilstrækkeligt med vand for at imødekomme efterspørgslen. Desuden er efterspørgselsprognoser blevet mere udfordrende af følgende årsager:
- Efterspørgslen er ikke stabil på alle tidspunkter og varierer i løbet af dagen. For eksempel er vandforbruget ved midnat meget mindre sammenlignet med om morgenen.
- Vejret kan også have indflydelse på det samlede forbrug. For eksempel er vandforbruget højere om sommeren end om vinteren på den nordlige halvkugle, og omvendt på den sydlige halvkugle.
- Der er ikke nok nedbør eller vandlagringsmekanismer (søer, reservoirer), eller vandfiltreringen er utilstrækkelig. Om sommeren kan efterspørgslen ikke altid følge med udbuddet. Vandmyndighederne er nødt til at forudsige nøje for at anskaffe andre kilder, som kan være dyrere. Derfor er det afgørende for forsyningsselskaber at finde alternative vandkilder som at høste regnvand, opfange kondens fra luftbehandlingsenheder eller genvinde spildevand.
- Udførelse af en what-if-analyse for øget efterspørgsel - Efterspørgslen efter vand stiger af flere årsager. Dette omfatter en kombination af befolkningstilvækst, økonomisk udvikling og ændrede forbrugsmønstre. Lad os forestille os et scenarie, hvor en eksisterende lejlighedsbygning bygger en tilbygning, og antallet af husstande og personer stiger med en vis procentdel. Nu skal du lave en analyse for at forudsige udbuddet for øget efterspørgsel. Dette hjælper dig også med at lave en omkostningseffektiv kontrakt for øget efterspørgsel.
Prognoser kan være udfordrende, fordi du først har brug for nøjagtige modeller til at forudsige efterspørgsel og derefter en hurtig og enkel måde at gengive prognosen på tværs af en række scenarier.
Dette indlæg fokuserer på en løsning til at udføre vandforbrugsprognoser og en hvad-hvis-analyse. Dette indlæg tager ikke højde for vejrdata til modeltræning. Du kan dog tilføje vejrdata, givet deres sammenhæng med vandforbruget.
Forudsætninger
Inden vi går i gang, sætter vi vores ressourcer op. Til dette indlæg bruger vi us-east-1-regionen.
- Opret en Amazon Simple Storage Service (Amazon S3) spand til lagring af historiske tidsseriedata. For instruktioner, se Opret din første S3-spand.
- Download datafiler fra GitHub repo og upload til den nyoprettede S3-bøtte.
- Opret en ny AWS identitets- og adgangsstyring (JEG ER) rolle. For instruktioner, se Konfigurer tilladelser til Amazon Forecast. Sørg for at angive navnet på din S3-spand.
Opret en datasætgruppe og datasæt
Dette indlæg demonstrerer to use cases relateret til prognose for vandefterspørgsel: forudsigelse af vandbehovet baseret på tidligere vandforbrug og udførelse af en what-if-analyse for øget efterspørgsel.
Forecast kan acceptere tre typer datasæt: måltidsserier (TTS), relaterede tidsserier (RTS) og elementmetadata (IM). Måltidsseriedata definerer den historiske efterspørgsel efter de ressourcer, du forudsiger. Måltidsseriedatasættet er obligatorisk. Et relateret tidsseriedatasæt inkluderer tidsseriedata, der ikke er inkluderet i et måltidsseriedatasæt og kan forbedre nøjagtigheden af din forudsigelse.
I vores eksempel indeholder måltidsseriedatasættet item_id og timestamp dimensioner, og det komplementære relaterede tidsseriedatasæt inkluderer no_of_consumer. En vigtig note med dette datasæt: TTS slutter 2023-01-01, og RTS slutter 2023-01-15. Når du udfører hvad-hvis-scenarier, er det vigtigt at manipulere RTS-variabler ud over din kendte tidshorisont i TTS.
For at udføre en what-if-analyse skal vi importere to CSV-filer, der repræsenterer måltidsseriedata og de relaterede tidsseriedata. Vores eksempelmåltidsseriefil indeholder item_id, timestamp og demand, og vores relaterede tidsseriefil indeholder product item_id, timestamp og no_of consumer.
For at importere dine data skal du udføre følgende trin:
- På prognosekonsollen skal du vælge Se datasætgrupper.
- Vælg Opret datasætgruppe.
- Til Datasætgruppenavn, indtast et navn (for dette indlæg,
water_consumption_datasetgroup
). - Til Forecasting domæne, vælg et prognosedomæne (for dette indlæg, Tilpasset).
- Vælg Næste.
- På Opret måltidsseriedatasæt side, skal du angive datasætnavnet, frekvensen af dine data og dataskema.
- På Datasætimportdetaljer side, skal du indtaste et datasætimportnavn.
- Til Importer filtype, Vælg CSV og indtast dataplaceringen.
- Vælg den IAM-rolle, du oprettede tidligere, som en forudsætning.
- Vælg Starten.
Du bliver omdirigeret til dashboardet, som du kan bruge til at spore fremskridt.
- For at importere den relaterede tidsseriefil skal du vælge på dashboardet Importere.
- På Opret relateret tidsseriedatasæt side, skal du angive datasættets navn og dataskema.
- På Datasætimportdetaljer side, skal du indtaste et datasætimportnavn.
- Til Importer filtype, Vælg CSV og indtast dataplaceringen.
- Vælg den IAM-rolle, du oprettede tidligere.
- Vælg Starten.
Træn en prædiktor
Dernæst træner vi en prædiktor.
- Vælg på dashboardet Starten under Træn en prædiktor.
- På Tog forudsigelse side, skal du indtaste et navn til din forudsigelse.
- Angiv, hvor lang tid i fremtiden du vil forecaste og med hvilken frekvens.
- Angiv antallet af kvantiler, du vil prognose for.
Forecast bruger AutoPredictor til at oprette forudsigelser. For mere information, se Træningsforudsigere.
- Vælg Opret.
Opret en prognose
Når vores prædiktor er trænet (dette kan tage cirka 3.5 timer), opretter vi en prognose. Du vil vide, at din prædiktor er trænet, når du ser Se forudsigelser knappen på dit dashboard.
- Vælg Starten under Generer prognoser på instrumentbrættet.
- På Opret en prognose side, skal du indtaste et prognosenavn.
- Til Predictor, vælg den forudsigelse, du har oprettet.
- Angiv eventuelt prognosekvantiler.
- Angiv de elementer, der skal genereres en prognose for.
- Vælg Starten.
Spørg din prognose
Du kan forespørge om en prognose ved hjælp af Forespørg prognose mulighed. Som standard returneres hele området for prognosen. Du kan anmode om et bestemt datointerval inden for den komplette prognose. Når du forespørger på en prognose, skal du angive filtreringskriterier. Et filter er et nøgleværdi-par. Nøglen er et af skemaattributnavnene (inklusive prognosedimensioner) fra et af de datasæt, der bruges til at oprette prognosen. Værdien er en gyldig værdi for den angivne nøgle. Du kan angive flere nøgleværdi-par. Den returnerede prognose vil kun indeholde elementer, der opfylder alle kriterierne.
- Vælg Forespørg prognose på instrumentbrættet.
- Angiv filterkriterierne for startdato og slutdato.
- Angiv din prognosenøgle og værdi.
- Vælg Få prognose.
Følgende skærmbillede viser det forventede energiforbrug for den samme lejlighed (vare-ID A_10001) ved brug af prognosemodellen.
Lav en hvad hvis-analyse
På dette tidspunkt har vi oprettet vores baseline-prognose, som nu kan udføre en what-if-analyse. Lad os forestille os et scenarie, hvor en eksisterende lejlighedsbygning tilføjer en udvidelse, og antallet af husstande og mennesker stiger med 20%. Nu skal du lave en analyse for at forudsige øget udbud baseret på øget efterspørgsel.
Der er tre trin i at udføre en hvad-hvis-analyse: opsætning af analysen, oprettelse af hvad-hvis-prognosen ved at definere, hvad der er ændret i scenariet, og sammenligne resultaterne.
- For at opsætte din analyse skal du vælge Udforsk hvad hvis-analyse på instrumentbrættet.
- Vælg Opret.
- Indtast et unikt navn, og vælg basisprognosen.
- Vælg de elementer i dit datasæt, du vil udføre en hvad hvis-analyse for. Du har to muligheder:
- Vælg alle elementer er standard, som vi vælger i dette indlæg.
- Hvis du vil vælge bestemte varer, skal du vælge Vælg elementer med en fil og importere en CSV-fil, der indeholder den unikke identifikator for den tilsvarende vare og eventuelle tilknyttede dimensioner.
- Vælg Lav hvad hvis-analyse.
Opret en hvad-hvis-prognose
Dernæst opretter vi en hvad-hvis-prognose for at definere det scenarie, vi ønsker at analysere.
- I Hvad hvis prognose sektion, skal du vælge Opret.
- Indtast et navn på dit scenarie.
- Du kan definere dit scenarie gennem to muligheder:
- Brug transformationsfunktioner – Brug transformationsbyggeren til at transformere de relaterede tidsseriedata, du importerede. Til denne gennemgang evaluerer vi, hvordan efterspørgslen efter en vare i vores datasæt ændres, når antallet af forbrugere stiger med 20 % sammenlignet med prisen i basisprognosen.
- Definer hvad hvis-prognosen med et erstatningsdatasæt – Erstat det relaterede tidsseriedatasæt, du importerede.
For vores eksempel skaber vi et scenarie, hvor vi øger no_of_consumer
med 20 % gældende for vare-id A_10001
og no_of_consumer
er en funktion i datasættet. Du har brug for denne analyse for at forudsige og imødekomme vandforsyningen for øget efterspørgsel. Denne analyse hjælper dig også med at lave en omkostningseffektiv kontrakt baseret på vandbehovsprognosen.
- Til Hvad hvis prognosedefinitionsmetode, Vælg Brug transformationsfunktioner.
- Vælg Gang som vores operatør, no_of_consumer som vores tidsserie, og indtast 1.2.
- Vælg Tilføj betingelse.
- Vælg Lig som operationen og indtast A_10001 for item_id.
- Vælg Opret.
Sammenlign prognoserne
Vi kan nu sammenligne hvad-hvis-prognoserne for begge vores scenarier og sammenligne en stigning på 20 % i forbrugere med basisefterspørgslen.
- På siden med analyseindsigt skal du navigere til Sammenlign hvad-hvis-prognoser sektion.
- Til item_id, indtast det element, der skal analyseres (i vores scenarie, indtast
A_10001
). - Til Hvad hvis prognoser, vælg
water_demand_whatif_analyis
. - Vælg Sammenlign hvad hvis.
- Du kan vælge baseline-prognosen for analysen.
Følgende graf viser den resulterende efterspørgsel efter vores scenario. Den røde linje viser prognosen for det fremtidige vandforbrug for 20 % øget befolkning. P90-prognosetypen angiver, at den sande værdi forventes at være lavere end den forudsagte værdi 90 % af tiden. Du kan bruge denne efterspørgselsprognose til effektivt at styre vandforsyningen for øget efterspørgsel og undgå eventuelle serviceafbrydelser.
Eksporter dine data
For at eksportere dine data til CSV skal du udføre følgende trin:
- Vælg Opret eksport.
- Indtast et navn til din eksportfil (for dette indlæg,
water_demand_export
). - Angiv scenarierne, der skal eksporteres, ved at vælge scenarierne på Hvad-hvis prognose Drop down menu.
Du kan eksportere flere scenarier på én gang i en kombineret fil.
- Til Eksporter placering, angiv Amazon S3-placeringen.
- For at begynde eksporten skal du vælge Opret eksport.
- For at downloade eksporten skal du navigere til S3-filstiplaceringen på Amazon S3-konsollen, vælge filen og vælge Hent.
Eksportfilen vil indeholde timestamp
, item_id
og forecasts
for hver kvantil for alle valgte scenarier (inklusive basisscenariet).
Ryd op i ressourcerne
For at undgå fremtidige gebyrer skal du fjerne de ressourcer, der er oprettet af denne løsning:
- Slet prognoseressourcerne du har skabt.
- Slet S3-bøtten.
Konklusion
I dette indlæg viste vi dig, hvor nemt at bruge, hvordan du bruger Forecast og dens underliggende systemarkitektur til at forudsige vandbehov ved hjælp af vandforbrugsdata. En hvad-hvis-scenarieanalyse er et kritisk værktøj til at hjælpe med at navigere gennem virksomhedens usikkerheder. Det giver fremsyn og en mekanisme til at stressteste ideer, hvilket efterlader virksomheder mere modstandsdygtige, bedre forberedte og i kontrol over deres fremtid. Andre forsyningsudbydere som el- eller gasudbydere kan bruge Forecast til at bygge løsninger og imødekomme forsyningsefterspørgslen på en omkostningseffektiv måde.
Trinene i dette indlæg demonstrerede, hvordan man bygger løsningen på AWS Management Console. For direkte at bruge Forecast API'er til at bygge løsningen, følg notesbogen i vores GitHub repo.
Vi opfordrer dig til at lære mere ved at besøge Amazon Forecast Developer Guide og prøv end-to-end-løsningen, der er muliggjort af disse tjenester, med et datasæt, der er relevant for din virksomheds KPI'er.
Om forfatteren
Dhiraj Thakur er en løsningsarkitekt med Amazon Web Services. Han arbejder sammen med AWS-kunder og -partnere for at give vejledning om cloud-adoption, migrering og strategi. Han brænder for teknologi og nyder at bygge og eksperimentere i analytics og AI/ML-rummet.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Om
- Acceptere
- adgang
- nøjagtighed
- præcis
- præcist
- erhverve
- tværs
- tilføjet
- Yderligere
- Derudover
- adresse
- Tilføjer
- Vedtagelse
- påvirke
- agenturer
- agentur
- Landbrug
- forude
- AI / ML
- LUFT
- Alle
- alternativ
- altid
- Amazon
- Amazon prognose
- Amazon Web Services
- blandt
- analyse
- analytics
- analysere
- ,
- lejlighed
- lejligheder
- API'er
- anvendelig
- cirka
- arkitektur
- OMRÅDE
- omkring
- forbundet
- undgå
- AWS
- Balance
- bund
- baseret
- Baseline
- fordi
- bliver
- før
- Tro
- Bedre
- mellem
- Beyond
- bygge
- Builder
- Bygning
- bygger
- virksomhed
- virksomheder
- .
- Optagelse
- omhyggeligt
- tilfælde
- tilfælde
- vis
- udfordrende
- Ændringer
- skiftende
- afgifter
- Vælg
- Cloud
- cloud adoption
- sky infrastruktur
- indsamler
- kombination
- kombineret
- engagement
- Fælles
- sammenligne
- sammenlignet
- sammenligne
- komplementære
- fuldføre
- computing
- Adfærd
- udførelse
- Overvej
- Konsol
- forbruger
- Forbrugere
- forbrug
- indeholder
- kontrakt
- kontrakter
- kontrol
- Korrelation
- Tilsvarende
- omkostningseffektiv
- skabe
- oprettet
- Oprettelse af
- kriterier
- kritisk
- kunde
- Kunder
- instrumentbræt
- data
- datasæt
- Dato
- dag
- Standard
- definerer
- definere
- Efterspørgsel
- Forespørgsel om efterspørgsel
- demonstreret
- Udvikler
- Udvikling
- forskellige
- størrelse
- direkte
- Er ikke
- domæne
- Dont
- downloade
- i løbet af
- dynamisk
- hver
- tidligere
- Økonomisk
- Økonomisk Udvikling
- effektivt
- effektivt
- elektricitet
- aktiveret
- muliggør
- tilskynde
- ende til ende
- ender
- energi
- Energiforbrug
- nok
- Indtast
- Enterprise
- Ether (ETH)
- evaluere
- eksempel
- eksisterende
- forventet
- dyrt
- erfaring
- Forklar
- eksport
- udvidelse
- Ansigtet
- hurtigere
- Feature
- gebyr
- File (Felt)
- Filer
- filtrere
- filtrering
- Finde
- Fornavn
- fokuserer
- følger
- efter
- Forecast
- Frekvens
- fra
- fuldt ud
- funktioner
- fremtiden
- GAS
- generere
- få
- given
- graf
- gruppe
- Gruppens
- Vækst
- Håndtering
- høst
- hjælpe
- hjælper
- højere
- stærkt
- historisk
- horisont
- HOURS
- husholdninger
- huse
- Hvordan
- How To
- Men
- HTML
- HTTPS
- IAM
- ideer
- identifikator
- Identity
- KIMOs Succeshistorier
- importere
- vigtigt
- Forbedre
- forbedret
- in
- medtaget
- omfatter
- Herunder
- Forøg
- øget
- Stigninger
- angiver
- industrien
- oplysninger
- Infrastruktur
- indsigt
- anvisninger
- opgørelse
- Lagerstyring
- undersøge
- IT
- Varer
- Holde
- Nøgle
- Kend
- kendt
- LÆR
- læring
- forlader
- Line (linje)
- Lives
- levende
- placering
- Lang
- Lav
- lave priser
- maskine
- machine learning
- lave
- administrere
- lykkedes
- ledelse
- obligatorisk
- manuelt
- mekanisme
- Mød
- Menu
- Metadata
- måske
- migration
- minimum
- ML
- model
- modeller
- mere
- morgen
- mest
- flere
- navn
- navne
- Natural
- Naviger
- Behov
- Ny
- notesbog
- nummer
- ONE
- drift
- Produktion
- operatør
- Option
- Indstillinger
- ordrer
- Andet
- samlet
- par
- især
- partnere
- lidenskabelige
- forbi
- sti
- mønstre
- Betal
- Mennesker
- procentdel
- udføre
- udfører
- Tilladelser
- pick
- fly
- planlægning
- plato
- Platon Data Intelligence
- PlatoData
- Punkt
- befolkning
- Indlæg
- potentiale
- forudsige
- forudsagde
- forudsige
- Predictor
- forberedt
- pris
- Priser
- primære
- Forud
- Produkt
- Progress
- give
- udbyder
- udbydere
- giver
- leverer
- bestemmelse
- Hurtig
- rækkevidde
- årsager
- Rød
- region
- relaterede
- relevant
- Fjern
- erstatte
- repræsenterer
- anmode
- elastisk
- ressource
- Ressourcer
- resulterer
- Resultater
- stigende
- roller
- Kør
- samme
- scenarier
- problemfrit
- Sektion
- valgt
- udvælgelse
- Series
- tjeneste
- Tjenester
- sæt
- indstilling
- flere
- Shows
- Simpelt
- So
- løsninger
- Løsninger
- Kilder
- Syd
- Space
- specifikke
- specificeret
- stabil
- etaper
- starte
- påbegyndt
- Steps
- opbevaring
- butik
- Strategi
- struktur
- tilstrækkeligt
- sommer
- forsyne
- Udbud og efterspørgsel
- systemet
- Tag
- mål
- Teknologier
- Området
- Fremtiden
- deres
- derfor
- tre
- Gennem
- hele
- tid
- Tidsserier
- gange
- tidsstempel
- til
- værktøj
- spor
- Tog
- uddannet
- Kurser
- Transform
- Transformation
- rejse
- sand
- ægte værdi
- typer
- usikkerheder
- under
- underliggende
- enestående
- enheder
- Brug
- brug
- brug tilfælde
- nytte
- værdi
- række
- går igennem
- Vand
- Vejr
- web
- webservices
- Hvad
- Hvad er
- som
- mens
- bred
- vilje
- Vinter
- inden for
- uden
- Workforce
- virker
- Din
- zephyrnet