अमेज़न का पूर्वानुमान एक पूरी तरह से प्रबंधित सेवा है जो बिना किसी पूर्व एमएल अनुभव की आवश्यकता के अत्यधिक सटीक पूर्वानुमान उत्पन्न करने के लिए मशीन लर्निंग (एमएल) का उपयोग करती है। पूर्वानुमान विभिन्न प्रकार के उपयोग मामलों में लागू होता है, जिसमें इन्वेंट्री प्रबंधन के लिए आपूर्ति और मांग का अनुमान लगाना, यात्रा की मांग का पूर्वानुमान, कार्यबल की योजना बनाना और क्लाउड इंफ्रास्ट्रक्चर उपयोग की गणना करना शामिल है।
आप अपने मांग पूर्वानुमानों पर व्यावसायिक लीवरों के संभावित प्रभाव का विश्लेषण और मात्रा निर्धारित करने के लिए 80% तक तेजी से विश्लेषण करने के लिए व्हाट-इफ विश्लेषण करने के लिए पूर्वानुमान का उपयोग कर सकते हैं। एक क्या-अगर विश्लेषण आपको यह जाँचने और समझाने में मदद करता है कि विभिन्न परिदृश्य पूर्वानुमान द्वारा बनाए गए आधारभूत पूर्वानुमान को कैसे प्रभावित कर सकते हैं। पूर्वानुमान के साथ, मैन्युअल रूप से बनाने के लिए प्रावधान या एमएल मॉडल के लिए कोई सर्वर नहीं हैं। इसके अतिरिक्त, आप केवल उसी के लिए भुगतान करते हैं जिसका आप उपयोग करते हैं, और कोई न्यूनतम शुल्क या अग्रिम प्रतिबद्धता नहीं है। पूर्वानुमान का उपयोग करने के लिए, आपको केवल उस चीज़ के लिए ऐतिहासिक डेटा प्रदान करने की आवश्यकता होती है जिसका आप पूर्वानुमान लगाना चाहते हैं, और, वैकल्पिक रूप से, कोई भी अतिरिक्त डेटा जो आपको लगता है कि आपके पूर्वानुमानों को प्रभावित कर सकता है।
जल उपयोगिता प्रदाताओं के पास कई पूर्वानुमान उपयोग के मामले हैं, लेकिन उनमें से प्राथमिक मांग को पूरा करने के लिए किसी क्षेत्र या भवन में पानी की खपत की भविष्यवाणी कर रहा है। इसके अलावा, उपयोगिता प्रदाताओं के लिए यह महत्वपूर्ण है कि वे किसी भवन में अधिक अपार्टमेंट या क्षेत्र में अधिक घरों के कारण बढ़ी हुई खपत की मांग का पूर्वानुमान लगाएं। ग्राहक के लिए किसी भी सेवा रुकावट से बचने के लिए पानी की खपत का सटीक अनुमान लगाना महत्वपूर्ण है।
यह पोस्ट ऐतिहासिक समय श्रृंखला डेटा का उपयोग करके इस उपयोग के मामले को संबोधित करने के लिए पूर्वानुमान का उपयोग करती है।
समाधान अवलोकन
पानी एक प्राकृतिक संसाधन है और उद्योग, कृषि, घरों और हमारे जीवन के लिए बहुत महत्वपूर्ण है। पानी की खपत का सटीक पूर्वानुमान यह सुनिश्चित करने के लिए महत्वपूर्ण है कि कोई एजेंसी दिन-प्रतिदिन के कार्यों को कुशलता से चला सके। पानी की खपत का पूर्वानुमान विशेष रूप से चुनौतीपूर्ण है क्योंकि मांग गतिशील है, और मौसमी मौसम परिवर्तन का प्रभाव हो सकता है। पानी की खपत का सटीक अनुमान लगाना महत्वपूर्ण है ताकि ग्राहकों को सेवा में किसी रुकावट का सामना न करना पड़े और कम कीमत बनाए रखते हुए एक स्थिर सेवा प्रदान की जा सके। बेहतर पूर्वानुमान आपको अधिक लागत प्रभावी भविष्य के अनुबंधों की संरचना के लिए आगे की योजना बनाने में सक्षम बनाता है। निम्नलिखित दो सबसे आम उपयोग के मामले हैं:
- बेहतर मांग प्रबंधन - उपयोगिता प्रदाता एजेंसी के रूप में, आपको पानी की मांग और आपूर्ति के बीच संतुलन खोजने की जरूरत है। एजेंसी सेवा प्रदान करने से पहले एक अपार्टमेंट में रहने वाले लोगों की संख्या और एक इमारत में अपार्टमेंट की संख्या जैसी जानकारी एकत्र करती है। उपयोगिता एजेंसी के रूप में, आपको कुल आपूर्ति और मांग को संतुलित करना चाहिए। मांग को पूरा करने के लिए आपको पर्याप्त पानी का भंडारण करना होगा। इसके अलावा, निम्नलिखित कारणों से मांग का पूर्वानुमान अधिक चुनौतीपूर्ण हो गया है:
- मांग हर समय स्थिर नहीं रहती है और पूरे दिन बदलती रहती है। उदाहरण के लिए, आधी रात को पानी की खपत सुबह की तुलना में बहुत कम होती है।
- मौसम का समग्र खपत पर भी प्रभाव पड़ सकता है। उदाहरण के लिए, उत्तरी गोलार्ध में सर्दियों की तुलना में गर्मियों में पानी की खपत अधिक होती है, और इसके विपरीत दक्षिणी गोलार्ध में।
- पर्याप्त वर्षा या जल भंडारण तंत्र (झीलें, जलाशय) नहीं हैं, या जल फ़िल्टरिंग अपर्याप्त है। गर्मियों के दौरान, मांग हमेशा आपूर्ति के साथ नहीं रह सकती। जल एजेंसियों को अन्य स्रोतों का अधिग्रहण करने के लिए सावधानी से पूर्वानुमान लगाना होगा, जो अधिक महंगा हो सकता है। इसलिए, उपयोगिता एजेंसियों के लिए यह महत्वपूर्ण है कि वे वैकल्पिक जल स्रोतों की तलाश करें जैसे कि वर्षा जल संचयन, एयर हैंडलिंग इकाइयों से संघनन पर कब्जा करना, या अपशिष्ट जल को पुनः प्राप्त करना।
- बढ़ी हुई मांग के लिए क्या-क्या विश्लेषण करना - कई कारणों से पानी की मांग बढ़ रही है। इसमें जनसंख्या वृद्धि, आर्थिक विकास और बदलते खपत पैटर्न का संयोजन शामिल है। आइए एक ऐसे परिदृश्य की कल्पना करें जहां एक मौजूदा अपार्टमेंट इमारत एक विस्तार का निर्माण करती है और घरों और लोगों की संख्या में एक निश्चित प्रतिशत की वृद्धि होती है। अब आपको बढ़ी हुई मांग के लिए आपूर्ति का पूर्वानुमान लगाने के लिए एक विश्लेषण करने की आवश्यकता है। इससे आपको बढ़ी हुई मांग के लिए लागत प्रभावी अनुबंध करने में भी मदद मिलती है।
पूर्वानुमान लगाना चुनौतीपूर्ण हो सकता है क्योंकि आपको पहले मांग का पूर्वानुमान लगाने के लिए सटीक मॉडल की आवश्यकता होती है और फिर विभिन्न प्रकार के परिदृश्यों में पूर्वानुमान को पुन: पेश करने का एक त्वरित और सरल तरीका।
यह पोस्ट पानी की खपत के पूर्वानुमान और क्या होगा अगर विश्लेषण करने के समाधान पर केंद्रित है। यह पोस्ट मॉडल प्रशिक्षण के लिए मौसम संबंधी आंकड़ों पर विचार नहीं करती है। हालाँकि, आप पानी की खपत से इसके संबंध को देखते हुए, मौसम डेटा जोड़ सकते हैं।
.. पूर्वापेक्षाएँ
आरंभ करने से पहले, हम अपने संसाधन स्थापित करते हैं। इस पद के लिए, हम us-east-1 क्षेत्र का उपयोग करते हैं।
- एक बनाएं अमेज़न सरल भंडारण सेवा (अमेज़न S3) बाल्टी ऐतिहासिक समय श्रृंखला डेटा संग्रहीत करने के लिए। निर्देशों के लिए, देखें अपना पहला S3 बकेट बनाएं.
- से डेटा फ़ाइलें डाउनलोड करें गीथहब रेपो और नव निर्मित S3 बकेट पर अपलोड करें।
- कोई नया बनाएं AWS पहचान और अभिगम प्रबंधन (मैं हूँ) भूमिका। निर्देशों के लिए, देखें अमेज़न पूर्वानुमान के लिए अनुमतियाँ सेट करें. अपनी S3 बकेट का नाम देना सुनिश्चित करें।
डेटासेट समूह और डेटासेट बनाएँ
यह पोस्ट पानी की मांग के पूर्वानुमान से संबंधित दो उपयोग मामलों को प्रदर्शित करती है: पिछले पानी की खपत के आधार पर पानी की मांग का पूर्वानुमान लगाना, और बढ़ी हुई मांग के लिए क्या-क्या विश्लेषण करना।
पूर्वानुमान तीन प्रकार के डेटासेट स्वीकार कर सकता है: लक्ष्य समय श्रृंखला (टीटीएस), संबंधित समय श्रृंखला (आरटीएस), और आइटम मेटाडेटा (आईएम)। लक्ष्य समय श्रृंखला डेटा उन संसाधनों की ऐतिहासिक मांग को परिभाषित करता है जिनका आप अनुमान लगा रहे हैं। लक्ष्य समय श्रृंखला डेटासेट अनिवार्य है। संबंधित समय श्रृंखला डेटासेट में समय-श्रृंखला डेटा शामिल होता है जो लक्षित समय श्रृंखला डेटासेट में शामिल नहीं होता है और आपके भविष्यवक्ता की सटीकता में सुधार कर सकता है।
हमारे उदाहरण में, लक्ष्य समय श्रृंखला डेटासेट में item_id और टाइमस्टैम्प आयाम शामिल हैं, और पूरक संबंधित समय श्रृंखला डेटासेट में no_of_consumer शामिल है। इस डेटासेट के साथ एक महत्वपूर्ण नोट: टीटीएस 2023-01-01 को समाप्त होता है, और आरटीएस 2023-01-15 को समाप्त होता है। क्या-क्या परिदृश्यों का प्रदर्शन करते समय, टीटीएस में आपके ज्ञात समय क्षितिज से परे आरटीएस चर में हेरफेर करना महत्वपूर्ण है।
क्या-अगर विश्लेषण करने के लिए, हमें लक्ष्य समय श्रृंखला डेटा और संबंधित समय श्रृंखला डेटा का प्रतिनिधित्व करने वाली दो CSV फ़ाइलों को आयात करने की आवश्यकता है। हमारे उदाहरण लक्ष्य समय श्रृंखला फ़ाइल में आइटम_आईडी, टाइमस्टैम्प और मांग शामिल है, और हमारी संबंधित समय श्रृंखला फ़ाइल में उत्पाद आइटम_आईडी, टाइमस्टैम्प और उपभोक्ता की संख्या शामिल है।
अपना डेटा आयात करने के लिए, निम्न चरणों को पूरा करें:
- पूर्वानुमान कंसोल पर, चुनें डेटासेट समूह देखें।
- चुनें डेटासेट समूह बनाएँ।
- के लिए डेटासेट समूह का नाम, एक नाम दर्ज करें (इस पद के लिए,
water_consumption_datasetgroup
). - के लिए पूर्वानुमान डोमेन, एक पूर्वानुमान डोमेन चुनें (इस पोस्ट के लिए, रिवाज).
- चुनें अगला.
- पर लक्ष्य समय श्रृंखला डेटासेट बनाएं पृष्ठ, डेटासेट का नाम, अपने डेटा की आवृत्ति और डेटा स्कीमा प्रदान करें।
- पर डेटासेट आयात विवरण पृष्ठ, एक डेटासेट आयात नाम दर्ज करें।
- के लिए फ़ाइल प्रकार आयात करें, चुनते हैं CSV और डेटा स्थान दर्ज करें।
- एक पूर्वापेक्षा के रूप में आपके द्वारा पहले बनाई गई IAM भूमिका चुनें।
- चुनें प्रारंभ.
आपको उस डैशबोर्ड पर पुनर्निर्देशित किया जाता है जिसका उपयोग आप प्रगति को ट्रैक करने के लिए कर सकते हैं।
- संबंधित समय श्रृंखला फ़ाइल आयात करने के लिए, डैशबोर्ड पर, चुनें आयात.
- पर संबंधित समय श्रृंखला डेटासेट बनाएं पृष्ठ, डेटासेट नाम और डेटा स्कीमा प्रदान करें।
- पर डेटासेट आयात विवरण पृष्ठ, एक डेटासेट आयात नाम दर्ज करें।
- के लिए फ़ाइल प्रकार आयात करें, चुनते हैं CSV और डेटा स्थान दर्ज करें।
- आपके द्वारा पहले बनाई गई IAM भूमिका चुनें।
- चुनें प्रारंभ.
एक भविष्यवक्ता को प्रशिक्षित करें
अगला, हम एक भविष्यवक्ता को प्रशिक्षित करते हैं।
- डैशबोर्ड पर, चुनें प्रारंभ के अंतर्गत एक भविष्यवक्ता को प्रशिक्षित करें.
- पर ट्रेन के भविष्यवक्ता पृष्ठ, अपने भविष्यवक्ता के लिए एक नाम दर्ज करें।
- निर्दिष्ट करें कि आप भविष्य में कितने समय का पूर्वानुमान लगाना चाहते हैं और किस आवृत्ति पर।
- उन मात्राओं की संख्या निर्दिष्ट करें जिनके लिए आप पूर्वानुमान लगाना चाहते हैं।
पूर्वानुमान भविष्यवक्ता बनाने के लिए AutoPredictor का उपयोग करता है। अधिक जानकारी के लिए, देखें प्रशिक्षण भविष्यवक्ता.
- चुनें बनाएं.
एक पूर्वानुमान बनाएँ
हमारे भविष्यवक्ता के प्रशिक्षित होने के बाद (इसमें लगभग 3.5 घंटे लग सकते हैं), हम एक पूर्वानुमान बनाते हैं। जब आप देखेंगे तो आपको पता चल जाएगा कि आपका भविष्यवक्ता प्रशिक्षित है भविष्यवक्ता देखें अपने डैशबोर्ड पर बटन।
- चुनें प्रारंभ के अंतर्गत पूर्वानुमान उत्पन्न करें डैशबोर्ड पर।
- पर एक पूर्वानुमान बनाएँ पृष्ठ, एक पूर्वानुमान नाम दर्ज करें।
- के लिए Predictor, आपके द्वारा बनाए गए भविष्यवक्ता को चुनें।
- वैकल्पिक रूप से, पूर्वानुमान मात्राएँ निर्दिष्ट करें।
- पूर्वानुमान उत्पन्न करने के लिए आइटम निर्दिष्ट करें।
- चुनें प्रारंभ.
अपना पूर्वानुमान पूछें
आप का उपयोग करके पूर्वानुमान को क्वेरी कर सकते हैं क्वेरी पूर्वानुमान विकल्प। डिफ़ॉल्ट रूप से, पूर्वानुमान की पूरी रेंज लौटा दी जाती है। आप पूरे पूर्वानुमान के भीतर एक विशिष्ट तिथि सीमा का अनुरोध कर सकते हैं। जब आप किसी पूर्वानुमान की क्वेरी करते हैं, तो आपको फ़िल्टरिंग मापदंड निर्दिष्ट करना होगा। फ़िल्टर एक की-वैल्यू पेयर है। कुंजी स्कीमा विशेषता नामों में से एक है (पूर्वानुमान आयामों सहित) पूर्वानुमान बनाने के लिए उपयोग किए जाने वाले डेटासेट में से एक से। मान निर्दिष्ट कुंजी के लिए मान्य मान है। आप एकाधिक कुंजी-मूल्य जोड़े निर्दिष्ट कर सकते हैं। लौटाए गए पूर्वानुमान में केवल वे आइटम होंगे जो सभी मानदंडों को पूरा करते हैं।
- चुनें क्वेरी पूर्वानुमान डैशबोर्ड पर।
- आरंभ तिथि और समाप्ति तिथि के लिए फ़िल्टर मानदंड प्रदान करें।
- अपनी पूर्वानुमान कुंजी और मान निर्दिष्ट करें।
- चुनें पूर्वानुमान प्राप्त करें.
निम्न स्क्रीनशॉट पूर्वानुमान मॉडल का उपयोग करके उसी अपार्टमेंट (आइटम आईडी A_10001) के लिए पूर्वानुमानित ऊर्जा खपत दिखाता है।
क्या होगा अगर विश्लेषण बनाएं
इस बिंदु पर, हमने अपना आधारभूत पूर्वानुमान बनाया है जो अब क्या-क्या विश्लेषण कर सकता है। आइए एक ऐसे परिदृश्य की कल्पना करें जहां एक मौजूदा अपार्टमेंट इमारत में विस्तार होता है, और घरों और लोगों की संख्या में 20% की वृद्धि होती है। अब आपको बढ़ी हुई मांग के आधार पर बढ़ी हुई आपूर्ति का पूर्वानुमान लगाने के लिए एक विश्लेषण करने की आवश्यकता है।
क्या-अगर विश्लेषण करने के तीन चरण हैं: विश्लेषण की स्थापना, परिदृश्य में क्या बदला है, इसे परिभाषित करके और परिणामों की तुलना करके क्या-अगर पूर्वानुमान तैयार करना।
- अपना विश्लेषण सेट करने के लिए, चुनें एक्सप्लोर करें क्या-क्या विश्लेषण डैशबोर्ड पर।
- चुनें बनाएं.
- एक अद्वितीय नाम दर्ज करें और आधारभूत पूर्वानुमान चुनें।
- अपने डेटासेट में वे आइटम चुनें जिनके लिए आप क्या-अगर विश्लेषण करना चाहते हैं। आपके पास दो विकल्प हैं:
- सभी आइटम चुनें डिफ़ॉल्ट है, जिसे हम इस पोस्ट में चुनते हैं।
- यदि आप विशिष्ट आइटम चुनना चाहते हैं, तो चुनें फ़ाइल के साथ आइटम चुनें और एक CSV फ़ाइल आयात करें जिसमें संबंधित आइटम और किसी भी संबंधित आयाम के लिए विशिष्ट पहचानकर्ता हो।
- चुनें क्या-क्या विश्लेषण बनाएं.
क्या होगा अगर पूर्वानुमान बनाएं
इसके बाद, हम उस परिदृश्य को परिभाषित करने के लिए क्या-क्या पूर्वानुमान बनाते हैं जिसका हम विश्लेषण करना चाहते हैं।
- में क्या-अगर पूर्वानुमान अनुभाग चुनते हैं, बनाएं.
- अपने परिदृश्य का नाम दर्ज करें।
- आप अपने परिदृश्य को दो विकल्पों के माध्यम से परिभाषित कर सकते हैं:
- परिवर्तन कार्यों का प्रयोग करें - आपके द्वारा आयात किए गए संबंधित समय श्रृंखला डेटा को रूपांतरित करने के लिए परिवर्तन निर्माता का उपयोग करें। इस पूर्वाभ्यास के लिए, हम मूल्यांकन करते हैं कि बेसलाइन पूर्वानुमान में कीमत की तुलना में उपभोक्ताओं की संख्या में 20% की वृद्धि होने पर हमारे डेटासेट में किसी वस्तु की मांग कैसे बदलती है।
- एक प्रतिस्थापन डेटासेट के साथ क्या-अगर पूर्वानुमान परिभाषित करें - आपके द्वारा आयात किए गए संबंधित समय श्रृंखला डेटासेट को बदलें।
हमारे उदाहरण के लिए, हम एक परिदृश्य बनाते हैं जहां हम बढ़ते हैं no_of_consumer
आइटम आईडी पर 20% लागू A_10001
, तथा no_of_consumer
डेटासेट में एक विशेषता है। बढ़ी हुई मांग के लिए जल आपूर्ति का पूर्वानुमान लगाने और उसे पूरा करने के लिए आपको इस विश्लेषण की आवश्यकता है। यह विश्लेषण आपको पानी की मांग के पूर्वानुमान के आधार पर लागत प्रभावी अनुबंध करने में भी मदद करता है।
- के लिए व्हाट-इफ फोरकास्ट डेफिनिशन मेथड, चुनते हैं परिवर्तन कार्यों का प्रयोग करें.
- चुनें गुणा करना हमारे ऑपरेटर के रूप में, no_of_consumer हमारी समय श्रृंखला के रूप में, और 1.2 दर्ज करें।
- चुनें शर्त जोड़ें.
- चुनें बराबरी ऑपरेशन के रूप में और item_id के लिए A_10001 दर्ज करें।
- चुनें बनाएं.
पूर्वानुमानों की तुलना करें
बेसलाइन मांग के साथ उपभोक्ताओं में 20% की वृद्धि की तुलना करते हुए, अब हम अपने दोनों परिदृश्यों के लिए क्या-क्या पूर्वानुमानों की तुलना कर सकते हैं।
- विश्लेषण जानकारी पृष्ठ पर, नेविगेट करें क्या-क्या पूर्वानुमानों की तुलना करें अनुभाग।
- के लिए ITEM_ID, विश्लेषण करने के लिए आइटम दर्ज करें (हमारे परिदृश्य में, दर्ज करें
A_10001
). - के लिए क्या-अगर पूर्वानुमान, चुनें
water_demand_whatif_analyis
. - चुनें क्या-अगर तुलना करें.
- आप विश्लेषण के लिए आधारभूत पूर्वानुमान चुन सकते हैं।
निम्नलिखित ग्राफ हमारे परिदृश्य के लिए परिणामी मांग को दर्शाता है। लाल रेखा 20% बढ़ी हुई जनसंख्या के लिए भविष्य में पानी की खपत का पूर्वानुमान दिखाती है। P90 पूर्वानुमान प्रकार इंगित करता है कि सही मूल्य 90% समय के अनुमानित मूल्य से कम होने की उम्मीद है। आप बढ़ी हुई मांग के लिए पानी की आपूर्ति को प्रभावी ढंग से प्रबंधित करने और किसी भी सेवा रुकावट से बचने के लिए इस मांग पूर्वानुमान का उपयोग कर सकते हैं।
अपना डेटा निर्यात करें
अपना डेटा CSV में निर्यात करने के लिए, निम्न चरणों को पूरा करें:
- चुनें निर्यात बनाएं.
- अपनी निर्यात फ़ाइल के लिए एक नाम दर्ज करें (इस पोस्ट के लिए,
water_demand_export
). - पर परिदृश्यों का चयन करके निर्यात किए जाने वाले परिदृश्यों को निर्दिष्ट करें क्या-अगर पूर्वानुमान ड्रॉप डाउन मेनू।
आप एक संयुक्त फ़ाइल में एक साथ कई परिदृश्य निर्यात कर सकते हैं।
- के लिए निर्यात स्थान, Amazon S3 स्थान निर्दिष्ट करें।
- निर्यात शुरू करने के लिए, चुनें निर्यात बनाएं.
- निर्यात डाउनलोड करने के लिए, Amazon S3 कंसोल पर S3 फ़ाइल पथ स्थान पर नेविगेट करें, फ़ाइल का चयन करें और चुनें डाउनलोड.
निर्यात फ़ाइल में शामिल होगा timestamp
, item_id
, तथा forecasts
चयनित सभी परिदृश्यों के लिए प्रत्येक क्वांटाइल के लिए (आधार परिदृश्य सहित)।
संसाधनों को साफ करें
भविष्य में होने वाले शुल्कों से बचने के लिए, इस समाधान द्वारा बनाए गए संसाधनों को हटा दें:
- पूर्वानुमान संसाधन हटाएं तुमने बनाया।
- S3 बकेट हटाएं.
निष्कर्ष
इस पोस्ट में, हमने आपको दिखाया कि पानी की खपत डेटा का उपयोग करके पानी की मांग का अनुमान लगाने के लिए पूर्वानुमान और इसके अंतर्निहित सिस्टम आर्किटेक्चर का उपयोग कैसे करना है, इसका उपयोग करना कितना आसान है। व्हाट-इफ परिदृश्य विश्लेषण व्यापार की अनिश्चितताओं के माध्यम से नेविगेट करने में मदद करने के लिए एक महत्वपूर्ण उपकरण है। यह तनाव-परीक्षण विचारों के लिए दूरदर्शिता और एक तंत्र प्रदान करता है, व्यवसायों को अधिक लचीला, बेहतर तैयार और उनके भविष्य के नियंत्रण में छोड़ देता है। बिजली या गैस प्रदाता जैसे अन्य उपयोगिता प्रदाता समाधान बनाने और लागत प्रभावी तरीके से उपयोगिता मांग को पूरा करने के लिए पूर्वानुमान का उपयोग कर सकते हैं।
इस पोस्ट के चरणों ने प्रदर्शित किया कि कैसे समाधान का निर्माण किया जाए एडब्ल्यूएस प्रबंधन कंसोल. समाधान बनाने के लिए सीधे पूर्वानुमान API का उपयोग करने के लिए, हमारे में नोटबुक का अनुसरण करें गीथहब रेपो.
हम आपको पर जाकर अधिक जानने के लिए प्रोत्साहित करते हैं अमेज़न पूर्वानुमान डेवलपर गाइड और अपने व्यवसाय केपीआई से संबंधित डेटासेट के साथ इन सेवाओं द्वारा सक्षम एंड-टू-एंड समाधान का प्रयास करें।
लेखक के बारे में
धीरज ठाकुर अमेज़ॅन वेब सेवाओं के साथ एक समाधान वास्तुकार है। वह एंटरप्राइज़ क्लाउड अपनाने, माइग्रेशन और रणनीति पर मार्गदर्शन प्रदान करने के लिए AWS ग्राहकों और भागीदारों के साथ काम करता है। उन्हें तकनीक का शौक है और उन्हें एनालिटिक्स और एआई/एमएल स्पेस में निर्माण और प्रयोग करना पसंद है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- About
- स्वीकार करें
- पहुँच
- शुद्धता
- सही
- सही रूप में
- अधिग्रहण
- के पार
- जोड़ा
- अतिरिक्त
- इसके अतिरिक्त
- पता
- जोड़ता है
- दत्तक ग्रहण
- को प्रभावित
- एजेंसियों
- एजेंसी
- कृषि
- आगे
- ऐ / एमएल
- आकाशवाणी
- सब
- वैकल्पिक
- हमेशा
- वीरांगना
- अमेज़न का पूर्वानुमान
- अमेज़ॅन वेब सेवा
- के बीच में
- विश्लेषण
- विश्लेषिकी
- विश्लेषण करें
- और
- अपार्टमेंट
- अपार्टमेंट
- एपीआई
- उपयुक्त
- लगभग
- स्थापत्य
- क्षेत्र
- चारों ओर
- जुड़े
- से बचने
- एडब्ल्यूएस
- शेष
- आधार
- आधारित
- आधारभूत
- क्योंकि
- बन
- से पहले
- मानना
- बेहतर
- के बीच
- परे
- निर्माण
- निर्माता
- इमारत
- बनाता है
- व्यापार
- व्यवसायों
- बटन
- कैप्चरिंग
- सावधानी से
- मामला
- मामलों
- कुछ
- चुनौतीपूर्ण
- परिवर्तन
- बदलना
- प्रभार
- चुनें
- बादल
- बादल को गोद लेना
- क्लाउड इन्फ्रास्ट्रक्चर
- एकत्र
- संयोजन
- संयुक्त
- प्रतिबद्धता
- सामान्य
- तुलना
- तुलना
- की तुलना
- पूरक
- पूरा
- कंप्यूटिंग
- आचरण
- का आयोजन
- विचार करना
- कंसोल
- उपभोक्ता
- उपभोक्ताओं
- खपत
- शामिल हैं
- अनुबंध
- ठेके
- नियंत्रण
- सह - संबंध
- इसी
- प्रभावी लागत
- बनाना
- बनाया
- बनाना
- मापदंड
- महत्वपूर्ण
- ग्राहक
- ग्राहक
- डैशबोर्ड
- तिथि
- डेटासेट
- तारीख
- दिन
- चूक
- परिभाषित करता है
- परिभाषित करने
- मांग
- मांग पूर्वानुमान
- साबित
- डेवलपर
- विकास
- विभिन्न
- आयाम
- सीधे
- नहीं करता है
- डोमेन
- dont
- डाउनलोड
- दौरान
- गतिशील
- से प्रत्येक
- पूर्व
- आर्थिक
- आर्थिक विकास
- प्रभावी रूप से
- कुशलता
- बिजली
- सक्षम
- सक्षम बनाता है
- प्रोत्साहित करना
- शुरू से अंत तक
- समाप्त होता है
- ऊर्जा
- ऊर्जा की खपत
- पर्याप्त
- दर्ज
- उद्यम
- ईथर (ईटीएच)
- मूल्यांकन करें
- उदाहरण
- मौजूदा
- अपेक्षित
- महंगा
- अनुभव
- समझाना
- निर्यात
- विस्तार
- चेहरा
- और तेज
- Feature
- शुल्क
- पट्टिका
- फ़ाइलें
- फ़िल्टर
- छानने
- खोज
- प्रथम
- केंद्रित
- का पालन करें
- निम्नलिखित
- पूर्वानुमान
- आवृत्ति
- से
- पूरी तरह से
- कार्यों
- भविष्य
- गैस
- उत्पन्न
- मिल रहा
- दी
- ग्राफ
- समूह
- समूह की
- विकास
- हैंडलिंग
- कटाई
- मदद
- मदद करता है
- उच्चतर
- अत्यधिक
- ऐतिहासिक
- क्षितिज
- घंटे
- घरों
- घरों
- कैसे
- How To
- तथापि
- एचटीएमएल
- HTTPS
- आई ए एम
- विचारों
- पहचानकर्ता
- पहचान
- प्रभाव
- आयात
- महत्वपूर्ण
- में सुधार
- उन्नत
- in
- शामिल
- शामिल
- सहित
- बढ़ना
- वृद्धि हुई
- बढ़ जाती है
- इंगित करता है
- उद्योग
- करें-
- इंफ्रास्ट्रक्चर
- अंतर्दृष्टि
- निर्देश
- सूची
- इन्वेंटरी प्रबंधन
- जांच
- IT
- आइटम
- रखना
- कुंजी
- जानना
- जानने वाला
- जानें
- सीख रहा हूँ
- छोड़ने
- लाइन
- लाइव्स
- जीवित
- स्थान
- लंबा
- निम्न
- कम मूल्य
- मशीन
- यंत्र अधिगम
- बनाना
- प्रबंधन
- कामयाब
- प्रबंध
- अनिवार्य
- मैन्युअल
- तंत्र
- मिलना
- मेन्यू
- मेटाडाटा
- हो सकता है
- प्रवास
- न्यूनतम
- ML
- आदर्श
- मॉडल
- अधिक
- सुबह
- अधिकांश
- विभिन्न
- नाम
- नामों
- प्राकृतिक
- नेविगेट करें
- आवश्यकता
- नया
- नोटबुक
- संख्या
- ONE
- आपरेशन
- संचालन
- ऑपरेटर
- विकल्प
- ऑप्शंस
- आदेश
- अन्य
- कुल
- जोड़े
- विशेष रूप से
- भागीदारों
- आवेशपूर्ण
- अतीत
- पथ
- पैटर्न उपयोग करें
- वेतन
- स्टाफ़
- प्रतिशतता
- निष्पादन
- प्रदर्शन
- अनुमतियाँ
- चुनना
- योजना
- की योजना बना
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- बिन्दु
- आबादी
- पद
- संभावित
- भविष्यवाणी करना
- भविष्यवाणी
- की भविष्यवाणी
- Predictor
- तैयार
- मूल्य
- मूल्य
- प्राथमिक
- पूर्व
- एस्ट्रो मॉल
- प्रगति
- प्रदान करना
- प्रदाता
- प्रदाताओं
- प्रदान करता है
- प्रदान कर
- प्रावधान
- त्वरित
- रेंज
- कारण
- लाल
- क्षेत्र
- सम्बंधित
- प्रासंगिक
- हटाना
- की जगह
- का प्रतिनिधित्व
- का अनुरोध
- लचीला
- संसाधन
- उपयुक्त संसाधन चुनें
- जिसके परिणामस्वरूप
- परिणाम
- वृद्धि
- भूमिका
- रन
- वही
- परिदृश्यों
- मूल
- अनुभाग
- चयनित
- का चयन
- कई
- सेवा
- सेवाएँ
- सेट
- की स्थापना
- कई
- दिखाता है
- सरल
- So
- समाधान
- समाधान ढूंढे
- सूत्रों का कहना है
- दक्षिण
- अंतरिक्ष
- विशिष्ट
- विनिर्दिष्ट
- स्थिर
- चरणों
- प्रारंभ
- शुरू
- कदम
- भंडारण
- की दुकान
- स्ट्रेटेजी
- संरचना
- पर्याप्त
- गर्मी
- आपूर्ति
- प्रदाय और माँग
- प्रणाली
- लेना
- लक्ष्य
- टेक्नोलॉजी
- RSI
- क्षेत्र
- भविष्य
- लेकिन हाल ही
- इसलिये
- तीन
- यहाँ
- भर
- पहर
- समय श्रृंखला
- बार
- टाइमस्टैम्प
- सेवा मेरे
- साधन
- ट्रैक
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- बदालना
- परिवर्तन
- यात्रा
- <strong>उद्देश्य</strong>
- वास्तविक मूल्य
- प्रकार
- अनिश्चितताओं
- के अंतर्गत
- आधारभूत
- अद्वितीय
- इकाइयों
- प्रयोग
- उपयोग
- उदाहरण
- उपयोगिता
- मूल्य
- विविधता
- walkthrough
- पानी
- मौसम
- वेब
- वेब सेवाओं
- क्या
- एचएमबी क्या है?
- कौन कौन से
- जब
- चौड़ा
- मर्जी
- सर्दी
- अंदर
- बिना
- कार्यबल
- कार्य
- आपका
- जेफिरनेट