Pronóstico del Amazonas es un servicio completamente administrado que utiliza el aprendizaje automático (ML) para generar pronósticos de alta precisión, sin necesidad de experiencia previa en ML. El pronóstico es aplicable en una amplia variedad de casos de uso, incluida la estimación de la oferta y la demanda para la gestión de inventario, el pronóstico de la demanda de viajes, la planificación de la fuerza laboral y el uso de la infraestructura informática en la nube.
Puede usar Forecast para realizar análisis hipotéticos hasta un 80 % más rápido para analizar y cuantificar el impacto potencial de las palancas comerciales en sus pronósticos de demanda. Un análisis hipotético lo ayuda a investigar y explicar cómo los diferentes escenarios podrían afectar el pronóstico de referencia creado por Forecast. Con Forecast, no hay servidores para aprovisionar ni modelos ML para construir manualmente. Además, solo paga por lo que usa y no hay una tarifa mínima ni un compromiso inicial. Para usar Pronóstico, solo necesita proporcionar datos históricos de lo que desea pronosticar y, opcionalmente, cualquier dato adicional que crea que puede afectar sus pronósticos.
Los proveedores de servicios públicos de agua tienen varios casos de uso de pronósticos, pero el principal de ellos es predecir el consumo de agua en un área o edificio para satisfacer la demanda. Además, es importante que los proveedores de servicios pronostiquen el aumento de la demanda de consumo debido a la adición de más apartamentos en un edificio o más casas en el área. Predecir con precisión el consumo de agua es fundamental para evitar cualquier interrupción del servicio al cliente.
Esta publicación explora el uso de Forecast para abordar este caso de uso mediante el uso de datos históricos de series temporales.
Resumen de la solución
El agua es un recurso natural y muy crítico para la industria, la agricultura, los hogares y nuestras vidas. La previsión precisa del consumo de agua es fundamental para garantizar que una agencia pueda ejecutar las operaciones diarias de manera eficiente. La previsión del consumo de agua es particularmente desafiante porque la demanda es dinámica y los cambios climáticos estacionales pueden tener un impacto. Predecir el consumo de agua con precisión es importante para que los clientes no sufran interrupciones en el servicio y para brindar un servicio estable manteniendo precios bajos. La previsión mejorada le permite planificar con anticipación para estructurar contratos futuros más rentables. Los siguientes son los dos casos de uso más comunes:
- Mejor gestión de la demanda – Como agencia proveedora de servicios públicos, debe encontrar un equilibrio entre la demanda y el suministro de agua. La agencia recopila información como la cantidad de personas que viven en un apartamento y la cantidad de apartamentos en un edificio antes de brindar el servicio. Como agencia de servicios públicos, debe equilibrar la oferta y la demanda agregadas. Es necesario almacenar suficiente agua para satisfacer la demanda. Además, la previsión de la demanda se ha vuelto más desafiante por las siguientes razones:
- La demanda no es estable en todo momento y varía a lo largo del día. Por ejemplo, el consumo de agua a medianoche es mucho menor en comparación con la mañana.
- El clima también puede tener un impacto en el consumo general. Por ejemplo, el consumo de agua es mayor en verano que en invierno en el hemisferio norte, y al revés en el hemisferio sur.
- No hay suficientes precipitaciones o mecanismos de almacenamiento de agua (lagos, embalses), o la filtración del agua es insuficiente. Durante el verano, la demanda no siempre puede seguir el ritmo de la oferta. Las agencias de agua tienen que prever cuidadosamente para adquirir otras fuentes, que pueden ser más caras. Por lo tanto, es fundamental que las agencias de servicios públicos encuentren fuentes de agua alternativas, como recolectar agua de lluvia, capturar la condensación de las unidades de tratamiento de aire o recuperar aguas residuales.
- Realización de un análisis hipotético para una mayor demanda – La demanda de agua está aumentando debido a múltiples razones. Esto incluye una combinación de crecimiento de la población, desarrollo económico y cambios en los patrones de consumo. Imaginemos un escenario en el que un edificio de apartamentos existente construye una extensión y el número de hogares y personas aumenta en un cierto porcentaje. Ahora necesita hacer un análisis para pronosticar el suministro para una mayor demanda. Esto también lo ayuda a hacer un contrato rentable para una mayor demanda.
Pronosticar puede ser un desafío porque primero necesita modelos precisos para pronosticar la demanda y luego una forma rápida y sencilla de reproducir el pronóstico en una variedad de escenarios.
Esta publicación se centra en una solución para realizar pronósticos de consumo de agua y un análisis hipotético. Esta publicación no considera los datos meteorológicos para el entrenamiento del modelo. Sin embargo, puede agregar datos meteorológicos, dada su correlación con el consumo de agua.
Requisitos previos
Antes de comenzar, configuramos nuestros recursos. Para esta publicación, usamos la región us-east-1.
- Crear una Servicio de almacenamiento simple de Amazon (Amazon S3) cubeta para almacenar los datos históricos de series temporales. Para obtener instrucciones, consulte Cree su primer depósito S3.
- Descargar archivos de datos de la Repositorio GitHub y cárguelo en el depósito S3 recién creado.
- Crear un nuevo Gestión de identidades y accesos de AWS (YO SOY) papel. Para instrucciones, vea Configurar permisos para Amazon Forecast. Asegúrese de proporcionar el nombre de su depósito S3.
Crear un grupo de conjuntos de datos y conjuntos de datos
Esta publicación muestra dos casos de uso relacionados con el pronóstico de la demanda de agua: pronosticar la demanda de agua en función del consumo de agua anterior y realizar un análisis hipotético para una mayor demanda.
Forecast puede aceptar tres tipos de conjuntos de datos: serie temporal objetivo (TTS), serie temporal relacionada (RTS) y metadatos de elementos (IM). Los datos de la serie temporal objetivo definen la demanda histórica de los recursos que está pronosticando. El conjunto de datos de la serie temporal de destino es obligatorio. Un conjunto de datos de serie temporal relacionado incluye datos de serie temporal que no están incluidos en un conjunto de datos de serie temporal de destino y podría mejorar la precisión de su predictor.
En nuestro ejemplo, el conjunto de datos de la serie temporal de destino contiene las dimensiones item_id y timestamp, y el conjunto de datos de la serie temporal relacionado complementario incluye no_of_consumer. Una nota importante con este conjunto de datos: el TTS finaliza el 2023-01-01 y el RTS finaliza el 2023-01-15. Al realizar escenarios hipotéticos, es importante manipular las variables RTS más allá de su horizonte de tiempo conocido en TTS.
Para realizar un análisis hipotético, necesitamos importar dos archivos CSV que representen los datos de la serie temporal objetivo y los datos de la serie temporal relacionados. Nuestro archivo de serie de tiempo de destino de ejemplo contiene el item_id, la marca de tiempo y la demanda, y nuestro archivo de serie de tiempo relacionado contiene el producto item_id, la marca de tiempo y no_of consumidor.
Para importar sus datos, complete los siguientes pasos:
- En la consola de Previsión, elija Ver grupos de conjuntos de datos.
- Elige Crear grupo de conjunto de datos.
- Nombre del grupo de conjunto de datos, ingrese un nombre (para esta publicación,
water_consumption_datasetgroup
). - Dominio de pronóstico, elija un dominio de previsión (para esta publicación, Personalizado).
- Elige Siguiente.
- En Crear un conjunto de datos de serie temporal de destino página, proporcione el nombre del conjunto de datos, la frecuencia de sus datos y el esquema de datos.
- En Detalles de importación del conjunto de datos página, ingrese un nombre de importación de conjunto de datos.
- Importar tipo de archivo, seleccione CSV e ingrese la ubicación de los datos.
- Elija el rol de IAM que creó anteriormente como requisito previo.
- Elige Inicio.
Se le redirigirá al panel que puede usar para realizar un seguimiento del progreso.
- Para importar el archivo de serie temporal relacionado, en el tablero, seleccione Importa.
- En Crear un conjunto de datos de serie temporal relacionado página, proporcione el nombre del conjunto de datos y el esquema de datos.
- En Detalles de importación del conjunto de datos página, ingrese un nombre de importación de conjunto de datos.
- Importar tipo de archivo, seleccione CSV e ingrese la ubicación de los datos.
- Elija el rol de IAM que creó anteriormente.
- Elige Inicio.
Entrenar a un predictor
A continuación, entrenamos un predictor.
- En el tablero, elija Inicio bajo Entrenar a un predictor.
- En Predictor de trenes página, ingrese un nombre para su predictor.
- Especifique cuánto tiempo en el futuro desea pronosticar y con qué frecuencia.
- Especifique el número de cuantiles que desea pronosticar.
Forecast utiliza AutoPredictor para crear predictores. Para obtener más información, consulte Predictores de entrenamiento.
- Elige Crear.
Crea un pronóstico
Después de entrenar nuestro predictor (esto puede llevar aproximadamente 3.5 horas), creamos un pronóstico. Sabrá que su predictor está entrenado cuando vea el Ver predictores botón en su tablero.
- Elige Inicio bajo Generar pronósticos en el tablero.
- En Crea un pronóstico página, ingrese un nombre de pronóstico.
- Predictor, elija el predictor que creó.
- Opcionalmente, especifique los cuantiles de pronóstico.
- Especifique los artículos para los que generar un pronóstico.
- Elige Inicio.
Consulta tu pronóstico
Puede consultar un pronóstico usando el Previsión de consulta opción. De forma predeterminada, se devuelve el rango completo del pronóstico. Puede solicitar un rango de fechas específico dentro del pronóstico completo. Cuando consulta un pronóstico, debe especificar criterios de filtrado. Un filtro es un par clave-valor. La clave es uno de los nombres de atributo del esquema (incluidas las dimensiones de previsión) de uno de los conjuntos de datos utilizados para crear la previsión. El valor es un valor válido para la clave especificada. Puede especificar varios pares clave-valor. El pronóstico devuelto solo contendrá elementos que satisfagan todos los criterios.
- Elige Previsión de consulta en el tablero.
- Proporcione los criterios de filtro para la fecha de inicio y la fecha de finalización.
- Especifique su clave y valor de previsión.
- Elige Obtener pronóstico.
La siguiente captura de pantalla muestra el consumo de energía previsto para el mismo apartamento (artículo ID A_10001) utilizando el modelo de previsión.
Crear un análisis hipotético
En este punto, hemos creado nuestro pronóstico de referencia y ahora podemos realizar un análisis hipotético. Imaginemos un escenario donde un edificio de apartamentos existente agrega una extensión y el número de hogares y personas aumenta en un 20%. Ahora debe realizar un análisis para pronosticar un aumento de la oferta en función del aumento de la demanda.
Hay tres etapas para realizar un análisis hipotético: configurar el análisis, crear el pronóstico hipotético definiendo qué cambia en el escenario y comparar los resultados.
- Para configurar su análisis, elija Explore el análisis hipotético en el tablero.
- Elige Crear.
- Ingrese un nombre único y elija el pronóstico de referencia.
- Elija los elementos de su conjunto de datos para los que desea realizar un análisis hipotético. Tienes dos opciones:
- Seleccionar todos los elementos es el valor predeterminado, que elegimos en esta publicación.
- Si desea seleccionar artículos específicos, elija Seleccionar elementos con un archivo e importe un archivo CSV que contenga el identificador único del artículo correspondiente y las dimensiones asociadas.
- Elige Crear análisis hipotéticos.
Crear un pronóstico hipotético
A continuación, creamos un pronóstico hipotético para definir el escenario que queremos analizar.
- En Pronóstico hipotético sección, elija Crear.
- Introduzca un nombre para su escenario.
- Puedes definir tu escenario a través de dos opciones:
- Usar funciones de transformación – Utilice el generador de transformaciones para transformar los datos de series temporales relacionados que importó. Para este tutorial, evaluamos cómo cambia la demanda de un artículo en nuestro conjunto de datos cuando la cantidad de consumidores aumenta en un 20 % en comparación con el precio en el pronóstico de referencia.
- Definir el pronóstico hipotético con un conjunto de datos de reemplazo – Reemplace el conjunto de datos de serie temporal relacionado que importó.
Para nuestro ejemplo, creamos un escenario donde aumentamos no_of_consumer
por 20% aplicable a la identificación del artículo A_10001
y no_of_consumer
es una característica en el conjunto de datos. Necesita este análisis para pronosticar y cumplir con el suministro de agua para una mayor demanda. Este análisis también lo ayuda a realizar un contrato rentable basado en el pronóstico de demanda de agua.
- Método de definición de previsión hipotética, seleccione Usar funciones de transformación.
- Elige Multiplicar como nuestro operador, no_of_consumer como nuestra serie temporal e ingrese 1.2.
- Elige Agregar condición.
- Elige Equivale como la operación e ingrese A_10001 para item_id.
- Elige Crear.
Compara las previsiones
Ahora podemos comparar los pronósticos hipotéticos para nuestros dos escenarios, comparando un aumento del 20 % en los consumidores con la demanda de referencia.
- En la página de información del análisis, vaya a la Comparar pronósticos hipotéticos .
- item_id, ingrese el elemento a analizar (en nuestro escenario, ingrese
A_10001
). - Pronósticos hipotéticos, escoger
water_demand_whatif_analyis
. - Elige Compara qué pasaría si.
- Puede elegir la previsión de referencia para el análisis.
El siguiente gráfico muestra la demanda resultante para nuestro escenario. La línea roja muestra la previsión del consumo futuro de agua para un aumento del 20 % en la población. El tipo de pronóstico P90 indica que se espera que el valor verdadero sea más bajo que el valor pronosticado el 90 % del tiempo. Puede usar este pronóstico de demanda para administrar de manera efectiva el suministro de agua para una mayor demanda y evitar interrupciones en el servicio.
Exporta tus datos
Para exportar sus datos a CSV, complete los siguientes pasos:
- Elige Crear exportación.
- Ingrese un nombre para su archivo de exportación (para esta publicación,
water_demand_export
). - Especifique los escenarios que se exportarán seleccionando los escenarios en la Pronóstico hipotético Menú desplegable.
Puede exportar varios escenarios a la vez en un archivo combinado.
- Exportar ubicación, especifique la ubicación de Amazon S3.
- Para comenzar la exportación, elija Crear exportar.
- Para descargar la exportación, vaya a la ubicación de la ruta del archivo S3 en la consola de Amazon S3, seleccione el archivo y elija Descargar.
El archivo de exportación contendrá el timestamp
, item_id
y forecasts
para cada cuantil para todos los escenarios seleccionados (incluido el escenario base).
Limpiar los recursos
Para evitar incurrir en cargos futuros, elimine los recursos creados por esta solución:
Conclusión
En esta publicación, le mostramos lo fácil que es usar Forecast y su arquitectura de sistema subyacente para predecir la demanda de agua utilizando datos de consumo de agua. Un análisis de escenarios hipotéticos es una herramienta crítica para ayudar a navegar a través de las incertidumbres de los negocios. Proporciona previsión y un mecanismo para poner a prueba las ideas, dejando a las empresas más resistentes, mejor preparadas y en control de su futuro. Otros proveedores de servicios públicos, como los proveedores de electricidad o gas, pueden usar Forecast para crear soluciones y satisfacer la demanda de servicios públicos de manera rentable.
Los pasos en esta publicación demostraron cómo construir la solución en el Consola de administración de AWS. Para usar directamente las API de Forecast para construir la solución, siga el cuaderno en nuestro Repositorio GitHub.
Le animamos a que obtenga más información visitando el Guía para desarrolladores de Amazon Forecast y pruebe la solución integral habilitada por estos servicios con un conjunto de datos relevante para los KPI de su negocio.
Sobre la autora
Dhiraj Thakur es un arquitecto de soluciones con Amazon Web Services. Trabaja con los clientes y socios de AWS para proporcionar orientación sobre la adopción, la migración y la estrategia de la nube empresarial. Es un apasionado de la tecnología y disfruta construyendo y experimentando en el espacio analítico y AI / ML.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Sobre
- Aceptar
- de la máquina
- la exactitud
- preciso
- precisamente
- adquirir
- a través de
- adicional
- Adicionales
- Adicionalmente
- dirección
- Añade
- Adopción
- afectar
- agencias
- agricultura
- adelante
- AI / ML
- AIRE
- Todos
- alternativa
- hacerlo
- Amazon
- Pronóstico del Amazonas
- Amazon Web Services
- entre
- análisis
- Analytics
- analizar
- y
- Apartamento
- apartamentos
- API
- aplicable
- aproximadamente
- arquitectura
- Reservada
- en torno a
- asociado
- evitar
- AWS
- Balance
- bases
- basado
- Base
- porque
- a las que has recomendado
- antes
- CREEMOS
- mejores
- entre
- Más allá de
- build
- constructor
- Construir la
- construye
- negocios
- .
- Capturando
- estudiar cuidadosamente
- case
- cases
- a ciertos
- desafiante
- Cambios
- cambio
- cargos
- Elige
- Soluciones
- adopción en la nube
- infraestructura de nube
- colecciona
- combinación
- combinado
- compromiso
- Algunos
- comparar
- en comparación con
- comparar
- complementario
- completar
- informática
- Conducir
- conductible
- Considerar
- Consola
- consumidor
- Clientes
- consumo
- contiene
- contrato
- contratos
- control
- La correlación
- Correspondiente
- rentable
- Para crear
- creado
- Creamos
- criterios
- crítico
- cliente
- Clientes
- página de información de sus operaciones
- datos
- conjuntos de datos
- Fecha
- día
- Predeterminado
- Define
- definir
- Demanda
- Previsión de la demanda
- demostrado
- Developer
- Desarrollo
- una experiencia diferente
- dimensiones
- directamente
- No
- dominio
- No
- descargar
- durante
- lugar de trabajo dinámico
- cada una
- Más temprano
- Economic
- Desarrollo económico
- de manera eficaz
- eficiente.
- electricidad
- facilita
- permite
- fomentar
- de extremo a extremo
- termina
- energía
- Consumo de energía
- suficientes
- Participar
- Empresa
- Éter (ETH)
- evaluar
- ejemplo
- existente
- esperado
- costoso
- experience
- Explicar
- exportar
- extensión
- Cara
- más rápida
- Feature
- cuota
- Archive
- archivos
- filtrar
- filtración
- Encuentre
- Nombre
- se centra
- seguir
- siguiendo
- Pronóstico
- Frecuencia
- en
- completamente
- funciones
- futuras
- GAS
- generar
- conseguir
- dado
- gráfica
- Grupo procesos
- Grupo
- Crecimiento
- Manejo
- Cosecha
- ayuda
- ayuda
- más alto
- altamente
- histórico
- horizonte
- HORAS
- hogares
- casas
- Cómo
- Como Hacer
- Sin embargo
- HTML
- HTTPS
- AMI
- ideas
- identificador
- Identidad
- Impacto
- importar
- importante
- mejorar
- mejorado
- in
- incluido
- incluye
- Incluye
- aumente
- aumentado
- Los aumentos
- Indica
- energético
- información
- EN LA MINA
- Insights
- Instrucciones
- inventario
- La gestión del inventario
- investigar
- IT
- artículos
- Guardar
- Clave
- Saber
- conocido
- APRENDE:
- aprendizaje
- dejarlo
- línea
- Vidas
- alga viva
- Ubicación
- Largo
- Baja
- precios bajos
- máquina
- máquina de aprendizaje
- para lograr
- gestionan
- gestionado
- Management
- obligatorio
- a mano
- mecanismo
- Conoce a
- Menú
- metadatos
- podría
- migración
- mínimo
- ML
- modelo
- modelos
- más,
- sabah
- MEJOR DE TU
- múltiples
- nombre
- nombres
- Natural
- Navegar
- ¿ Necesita ayuda
- Nuevo
- cuaderno
- número
- ONE
- Inteligente
- Operaciones
- operador
- Optión
- Opciones
- solicite
- Otro
- total
- pares
- particularmente
- socios
- apasionado
- pasado
- camino
- .
- Pagar
- Personas
- porcentaje
- realizar
- realizar
- permisos
- recoger
- plan
- planificar
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- punto
- población
- Publicación
- posible
- predecir
- previsto
- predecir
- Predictor
- preparado
- precio
- Precios
- primario
- Anterior
- Producto
- Progreso
- proporcionar
- proveedor
- los proveedores
- proporciona un
- proporcionando
- provisión
- Búsqueda
- distancia
- razones
- Rojo
- región
- relacionado
- remove
- reemplazar
- que representa
- solicita
- resistente
- Recurso
- Recursos
- resultante
- Resultados
- creciente
- Función
- Ejecutar
- mismo
- escenarios
- sin problemas
- Sección
- seleccionado
- seleccionar
- Serie
- de coches
- Servicios
- set
- pólipo
- Varios
- Shows
- sencillos
- So
- a medida
- Soluciones
- Fuentes
- Del Sur
- Espacio
- soluciones y
- especificado
- estable
- etapas
- comienzo
- fundó
- pasos
- STORAGE
- tienda
- Estrategia
- estructura
- suficiente
- verano
- suministro
- Oferta y demanda
- te
- ¡Prepárate!
- Target
- Tecnología
- El
- El Área
- El futuro de las
- su
- por lo tanto
- Tres
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- a lo largo de
- equipo
- Series de tiempo
- veces
- fecha y hora
- a
- del IRS
- seguir
- Entrenar
- entrenado
- Formación
- Transformar
- viajes
- verdadero
- verdadero valor
- tipos
- incertidumbres
- bajo
- subyacente
- único
- unidades que
- Uso
- utilizan el
- caso de uso
- utilidad
- propuesta de
- variedad
- tutorial
- Agua
- Tiempo
- web
- servicios web
- ¿
- Que es
- que
- mientras
- amplio
- seguirá
- Invierno
- dentro de
- sin
- Empleados
- funciona
- tú
- zephyrnet