Prakiraan Amazon adalah layanan terkelola sepenuhnya yang menggunakan pembelajaran mesin (ML) untuk menghasilkan prakiraan yang sangat akurat, tanpa memerlukan pengalaman ML sebelumnya. Prakiraan berlaku dalam berbagai kasus penggunaan, termasuk memperkirakan penawaran dan permintaan untuk manajemen inventaris, perkiraan permintaan perjalanan, perencanaan tenaga kerja, dan komputasi penggunaan infrastruktur cloud.
Anda dapat menggunakan Prakiraan untuk melakukan analisis bagaimana-jika dengan mulus hingga 80% lebih cepat untuk menganalisis dan mengukur potensi dampak pengungkit bisnis pada prakiraan permintaan Anda. Analisis bagaimana-jika membantu Anda menyelidiki dan menjelaskan bagaimana berbagai skenario dapat memengaruhi perkiraan dasar yang dibuat oleh Prakiraan. Dengan Forecast, tidak ada server untuk disediakan atau model ML untuk dibuat secara manual. Selain itu, Anda hanya membayar apa yang Anda gunakan, dan tidak ada biaya minimum atau komitmen di muka. Untuk menggunakan Prakiraan, Anda hanya perlu memberikan data historis untuk hal yang ingin Anda prakirakan, dan, secara opsional, data tambahan apa pun yang Anda yakini dapat memengaruhi perkiraan Anda.
Penyedia utilitas air memiliki beberapa kasus penggunaan peramalan, tetapi yang utama di antara mereka adalah memprediksi konsumsi air di suatu area atau bangunan untuk memenuhi permintaan. Selain itu, penting bagi penyedia utilitas untuk memperkirakan permintaan konsumsi yang meningkat karena lebih banyak apartemen yang ditambahkan dalam sebuah gedung atau lebih banyak rumah di area tersebut. Memprediksi konsumsi air secara akurat sangat penting untuk menghindari gangguan layanan kepada pelanggan.
Posting ini mengeksplorasi menggunakan Prakiraan untuk mengatasi kasus penggunaan ini dengan menggunakan data deret waktu historis.
Ikhtisar solusi
Air merupakan sumber daya alam dan sangat penting bagi industri, pertanian, rumah tangga, dan kehidupan kita. Peramalan konsumsi air yang akurat sangat penting untuk memastikan bahwa suatu lembaga dapat menjalankan operasi sehari-hari secara efisien. Peramalan konsumsi air sangat menantang karena permintaan bersifat dinamis, dan perubahan cuaca musiman dapat berdampak. Memprediksi konsumsi air secara akurat penting agar pelanggan tidak menghadapi gangguan layanan dan untuk memberikan layanan yang stabil dengan tetap mempertahankan harga yang rendah. Peramalan yang ditingkatkan memungkinkan Anda merencanakan ke depan untuk menyusun kontrak masa depan yang lebih hemat biaya. Berikut ini adalah dua kasus penggunaan yang paling umum:
- Manajemen permintaan yang lebih baik โ Sebagai agen penyedia utilitas, Anda perlu menemukan keseimbangan antara permintaan dan pasokan air. Agensi mengumpulkan informasi seperti jumlah orang yang tinggal di apartemen dan jumlah apartemen di gedung sebelum memberikan layanan. Sebagai agen utilitas, Anda harus menyeimbangkan penawaran dan permintaan agregat. Anda perlu menyimpan air yang cukup untuk memenuhi permintaan. Selain itu, peramalan permintaan menjadi lebih menantang karena alasan berikut:
- Permintaan tidak stabil setiap saat dan bervariasi sepanjang hari. Misalnya, konsumsi air pada tengah malam jauh lebih sedikit dibandingkan pada pagi hari.
- Cuaca juga dapat berdampak pada konsumsi secara keseluruhan. Misalnya, konsumsi air lebih tinggi pada musim panas daripada musim dingin di belahan bumi utara, dan sebaliknya di belahan bumi selatan.
- Tidak ada cukup curah hujan atau mekanisme penyimpanan air (danau, waduk), atau penyaringan air tidak mencukupi. Selama musim panas, permintaan tidak selalu dapat mengimbangi pasokan. Badan pengairan harus memperkirakan dengan hati-hati untuk mendapatkan sumber lain, yang mungkin lebih mahal. Oleh karena itu, sangat penting bagi lembaga utilitas untuk menemukan sumber air alternatif seperti memanen air hujan, menangkap kondensasi dari unit penanganan udara, atau mereklamasi air limbah.
- Melakukan analisis bagaimana-jika untuk peningkatan permintaan โ Permintaan air meningkat karena berbagai alasan. Ini termasuk kombinasi dari pertumbuhan penduduk, pembangunan ekonomi, dan perubahan pola konsumsi. Bayangkan sebuah skenario di mana gedung apartemen yang ada membangun perluasan dan jumlah rumah tangga serta orang bertambah dengan persentase tertentu. Sekarang Anda perlu melakukan analisis untuk meramalkan pasokan untuk permintaan yang meningkat. Ini juga membantu Anda membuat kontrak hemat biaya untuk permintaan yang meningkat.
Peramalan dapat menjadi tantangan karena pertama-tama Anda memerlukan model yang akurat untuk memperkirakan permintaan, lalu cara cepat dan sederhana untuk mereproduksi perkiraan di berbagai skenario.
Posting ini berfokus pada solusi untuk melakukan peramalan konsumsi air dan analisis bagaimana-jika. Posting ini tidak mempertimbangkan data cuaca untuk pelatihan model. Namun, Anda bisa menambahkan data cuaca, mengingat korelasinya dengan konsumsi air.
Prasyarat
Sebelum memulai, kami menyiapkan sumber daya kami. Untuk postingan ini, kami menggunakan Wilayah us-east-1.
- Buat Layanan Penyimpanan Sederhana Amazon (Amazon S3) bucket untuk menyimpan data deret waktu historis. Untuk instruksi, lihat Buat ember S3 pertama Anda.
- Unduh file data dari GitHub repo dan unggah ke bucket S3 yang baru dibuat.
- Buat yang baru Identitas AWS dan Manajemen Akses (IAM) peran. Untuk instruksi, lihat Mengatur Izin untuk Prakiraan Amazon. Pastikan untuk memberikan nama bucket S3 Anda.
Buat grup dataset dan dataset
Posting ini menunjukkan dua kasus penggunaan yang terkait dengan perkiraan permintaan air: memperkirakan permintaan air berdasarkan konsumsi air sebelumnya, dan melakukan analisis bagaimana-jika untuk permintaan yang meningkat.
Prakiraan dapat menerima tiga jenis kumpulan data: deret waktu target (TTS), deret waktu terkait (RTS), dan metadata item (IM). Data deret waktu target menentukan permintaan historis untuk sumber daya yang Anda prediksi. Dataset deret waktu target bersifat wajib. Set data deret waktu terkait mencakup data deret waktu yang tidak termasuk dalam set data deret waktu target dan dapat meningkatkan akurasi prediktor Anda.
Dalam contoh kita, set data deret waktu target berisi dimensi item_id dan stempel waktu, dan set data deret waktu terkait pelengkap menyertakan no_of_consumer. Catatan penting dengan kumpulan data ini: TTS berakhir pada 2023-01-01, dan RTS berakhir pada 2023-01-15. Saat melakukan skenario bagaimana-jika, penting untuk memanipulasi variabel RTS di luar cakrawala waktu yang diketahui di TTS.
Untuk melakukan analisis bagaimana-jika, kita perlu mengimpor dua file CSV yang mewakili data deret waktu target dan data deret waktu terkait. Contoh file deret waktu target kami berisi item_id, stempel waktu, dan permintaan, dan file deret waktu terkait kami berisi item_id produk, stempel waktu, dan no_konsumen.
Untuk mengimpor data Anda, selesaikan langkah-langkah berikut:
- Di konsol Forecast, pilih Lihat grup set data.
- Pilih Buat grup kumpulan data.
- Untuk Nama grup kumpulan data, masukkan nama (untuk posting ini,
water_consumption_datasetgroup
). - Untuk Perkiraan domain, pilih domain perkiraan (untuk postingan ini, Kustom).
- Pilih Selanjutnya.
- pada Buat kumpulan data deret waktu target halaman, berikan nama set data, frekuensi data Anda, dan skema data.
- pada Detail impor kumpulan data halaman, masukkan nama impor set data.
- Untuk Jenis file impor, pilih CSV dan masukkan lokasi data.
- Pilih peran IAM yang Anda buat sebelumnya sebagai prasyarat.
- Pilih Start.
Anda dialihkan ke dasbor yang dapat Anda gunakan untuk melacak kemajuan.
- Untuk mengimpor file deret waktu terkait, di dasbor, pilih impor.
- pada Buat kumpulan data deret waktu terkait halaman, berikan nama set data dan skema data.
- pada Detail impor kumpulan data halaman, masukkan nama impor set data.
- Untuk Jenis file impor, pilih CSV dan masukkan lokasi data.
- Pilih peran IAM yang Anda buat sebelumnya.
- Pilih Start.
Latih seorang prediktor
Selanjutnya, kami melatih seorang prediktor.
- Di dasbor, pilih Start bawah Latih seorang prediktor.
- pada Latih prediktor halaman, masukkan nama untuk prediktor Anda.
- Tentukan berapa lama di masa mendatang yang ingin Anda ramalkan dan pada frekuensi berapa.
- Tentukan jumlah kuantil yang ingin Anda perkirakan.
Prakiraan menggunakan AutoPredictor untuk membuat prediktor. Untuk informasi lebih lanjut, lihat Pelatihan Prediktor.
- Pilih membuat.
Buat perkiraan
Setelah prediktor kami dilatih (ini bisa memakan waktu sekitar 3.5 jam), kami membuat perkiraan. Anda akan tahu bahwa prediktor Anda terlatih ketika Anda melihat Lihat prediktor tombol di dasbor Anda.
- Pilih Start bawah Menghasilkan prakiraan di dasbor.
- pada Buat perkiraan halaman, masukkan nama perkiraan.
- Untuk Predictor, pilih prediktor yang Anda buat.
- Secara opsional, tentukan kuantil perkiraan.
- Tentukan item untuk menghasilkan perkiraan.
- Pilih Start.
Tanya perkiraan Anda
Anda dapat meminta perkiraan menggunakan Perkiraan kueri pilihan. Secara default, rentang lengkap perkiraan dikembalikan. Anda dapat meminta rentang tanggal tertentu dalam perkiraan lengkap. Saat Anda meminta perkiraan, Anda harus menentukan kriteria pemfilteran. Filter adalah pasangan nilai kunci. Kuncinya adalah salah satu nama atribut skema (termasuk dimensi prakiraan) dari salah satu kumpulan data yang digunakan untuk membuat prakiraan. Nilai adalah nilai yang valid untuk kunci yang ditentukan. Anda dapat menentukan beberapa key-value pair. Perkiraan yang dikembalikan hanya akan berisi item yang memenuhi semua kriteria.
- Pilih Perkiraan kueri di dasbor.
- Berikan kriteria filter untuk tanggal mulai dan tanggal akhir.
- Tentukan kunci dan nilai perkiraan Anda.
- Pilih Dapatkan Prakiraan.
Tangkapan layar berikut menunjukkan perkiraan konsumsi energi untuk apartemen yang sama (item ID A_10001) menggunakan model perkiraan.
Buat analisis bagaimana-jika
Pada titik ini, kami telah membuat perkiraan dasar kami sekarang dapat melakukan analisis bagaimana-jika. Mari kita bayangkan sebuah skenario di mana gedung apartemen yang ada menambah perluasan, dan jumlah rumah tangga serta orang meningkat sebesar 20%. Sekarang Anda perlu melakukan analisis untuk memperkirakan peningkatan pasokan berdasarkan peningkatan permintaan.
Ada tiga tahap untuk melakukan analisis bagaimana-jika: menyiapkan analisis, membuat perkiraan bagaimana-jika dengan menentukan apa yang diubah dalam skenario, dan membandingkan hasilnya.
- Untuk menyiapkan analisis Anda, pilih Jelajahi analisis bagaimana-jika di dasbor.
- Pilih membuat.
- Masukkan nama unik dan pilih perkiraan garis dasar.
- Pilih item dalam kumpulan data Anda yang ingin Anda lakukan analisis bagaimana-jika. Anda memiliki dua opsi:
- Pilih semua item adalah default, yang kita pilih dalam posting ini.
- Jika Anda ingin memilih item tertentu, pilih Pilih item dengan file dan impor file CSV yang berisi pengidentifikasi unik untuk item terkait dan dimensi apa pun yang terkait.
- Pilih Buat analisis bagaimana-jika.
Buat perkiraan bagaimana-jika
Selanjutnya, kami membuat perkiraan bagaimana-jika untuk menentukan skenario yang ingin kami analisis.
- Dalam majalah Perkiraan bagaimana-jika bagian, pilih membuat.
- Masukkan nama skenario Anda.
- Anda dapat menentukan skenario Anda melalui dua opsi:
- Gunakan fungsi transformasi โ Gunakan pembuat transformasi untuk mengubah data deret waktu terkait yang Anda impor. Untuk panduan ini, kami mengevaluasi bagaimana permintaan suatu item dalam kumpulan data kami berubah saat jumlah konsumen meningkat sebesar 20% jika dibandingkan dengan harga dalam perkiraan dasar.
- Tentukan perkiraan bagaimana-jika dengan set data pengganti โ Ganti set data deret waktu terkait yang Anda impor.
Sebagai contoh kami, kami membuat skenario di mana kami meningkat no_of_consumer
sebesar 20% berlaku untuk ID item A_10001
, dan no_of_consumer
adalah fitur dalam kumpulan data. Anda memerlukan analisis ini untuk memperkirakan dan memenuhi pasokan air untuk permintaan yang meningkat. Analisis ini juga membantu Anda membuat kontrak hemat biaya berdasarkan perkiraan permintaan air.
- Untuk Metode definisi perkiraan bagaimana-jika, pilih Gunakan fungsi transformasi.
- Pilih Mengalikan sebagai operator kami, no_of_consumer sebagai deret waktu kami, dan masukkan 1.2.
- Pilih Tambahkan ketentuan.
- Pilih sama sebagai operasi dan masukkan A_10001 untuk item_id.
- Pilih membuat.
Bandingkan perkiraan
Kami sekarang dapat membandingkan prakiraan bagaimana-jika untuk kedua skenario kami, membandingkan peningkatan konsumen sebesar 20% dengan permintaan dasar.
- Pada halaman wawasan analisis, navigasikan ke Bandingkan prakiraan bagaimana-jika bagian.
- Untuk item_id, masukkan item untuk dianalisis (dalam skenario kami, masukkan
A_10001
). - Untuk Prakiraan bagaimana-jika, pilih
water_demand_whatif_analyis
. - Pilih Bandingkan bagaimana-jika.
- Anda dapat memilih perkiraan dasar untuk analisis.
Grafik berikut menunjukkan permintaan yang dihasilkan untuk skenario kami. Garis merah menunjukkan prakiraan konsumsi air masa depan untuk 20% peningkatan populasi. Jenis perkiraan P90 menunjukkan nilai sebenarnya diharapkan lebih rendah dari nilai prediksi 90% dari waktu. Anda dapat menggunakan prakiraan permintaan ini untuk mengelola pasokan air secara efektif untuk permintaan yang meningkat dan menghindari gangguan layanan apa pun.
Ekspor data Anda
Untuk mengekspor data Anda ke CSV, selesaikan langkah-langkah berikut:
- Pilih Buat ekspor.
- Masukkan nama untuk file ekspor Anda (untuk posting ini,
water_demand_export
). - Tentukan skenario yang akan diekspor dengan memilih skenario di Bagaimana-Jika Prakiraan menu drop down.
Anda dapat mengekspor beberapa skenario sekaligus dalam file gabungan.
- Untuk Lokasi ekspor, tentukan lokasi Amazon S3.
- Untuk memulai ekspor, pilih Buat Ekspor.
- Untuk mengunduh ekspor, navigasikan ke lokasi jalur file S3 di konsol Amazon S3, pilih file, dan pilih Unduh.
File ekspor akan berisi timestamp
, item_id
, dan forecasts
untuk setiap kuantil untuk semua skenario yang dipilih (termasuk skenario dasar).
Membersihkan sumber daya
Untuk menghindari timbulnya biaya di masa mendatang, hapus sumber daya yang dibuat oleh solusi ini:
- Hapus perkiraan sumber daya Anda buat.
- Hapus keranjang S3.
Kesimpulan
Dalam posting ini, kami menunjukkan kepada Anda betapa mudahnya menggunakan Forecast dan arsitektur sistem yang mendasarinya untuk memprediksi permintaan air menggunakan data konsumsi air. Analisis skenario bagaimana-jika adalah alat penting untuk membantu menavigasi melalui ketidakpastian bisnis. Ini memberikan pandangan ke depan dan mekanisme untuk menguji ide, membuat bisnis lebih tangguh, lebih siap, dan mengendalikan masa depan mereka. Penyedia utilitas lain seperti penyedia listrik atau gas dapat menggunakan Forecast untuk membuat solusi dan memenuhi permintaan utilitas dengan cara yang hemat biaya.
Langkah-langkah dalam posting ini menunjukkan bagaimana membangun solusi pada Konsol Manajemen AWS. Untuk langsung menggunakan API Prakiraan untuk membuat solusi, ikuti buku catatan di kami GitHub repo.
Kami mendorong Anda untuk belajar lebih banyak dengan mengunjungi Panduan Pengembang Amazon Forecast dan coba solusi ujung ke ujung yang diaktifkan oleh layanan ini dengan kumpulan data yang relevan dengan KPI bisnis Anda.
tentang Penulis
Dhiraj Thakur adalah Arsitek Solusi dengan Amazon Web Services. Dia bekerja dengan pelanggan dan mitra AWS untuk memberikan panduan tentang adopsi cloud perusahaan, migrasi, dan strategi. Dia sangat menyukai teknologi dan suka membangun serta bereksperimen dalam ruang analitik dan AI / ML.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Tentang Kami
- Setuju
- mengakses
- ketepatan
- tepat
- akurat
- memperoleh
- di seluruh
- menambahkan
- Tambahan
- Selain itu
- alamat
- Menambahkan
- Adopsi
- mempengaruhi
- lembaga
- badan
- pertanian
- di depan
- AI / ML
- UDARA
- Semua
- alternatif
- selalu
- Amazon
- Prakiraan Amazon
- Amazon Web Services
- antara
- analisis
- analisis
- menganalisa
- dan
- Apartemen
- apartemen
- Lebah
- berlaku
- sekitar
- arsitektur
- DAERAH
- sekitar
- terkait
- menghindari
- AWS
- Saldo
- mendasarkan
- berdasarkan
- Dasar
- karena
- menjadi
- sebelum
- Percaya
- Lebih baik
- antara
- Luar
- membangun
- pembangun
- Bangunan
- membangun
- bisnis
- bisnis
- tombol
- Menangkap
- hati-hati
- kasus
- kasus
- tertentu
- menantang
- Perubahan
- mengubah
- beban
- Pilih
- awan
- adopsi cloud
- infrastruktur cloud
- mengumpulkan
- kombinasi
- bergabung
- komitmen
- Umum
- membandingkan
- dibandingkan
- pembandingan
- komplementer
- lengkap
- komputasi
- Mengadakan
- melakukan
- Mempertimbangkan
- konsul
- konsumen
- Konsumen
- konsumsi
- mengandung
- kontrak
- kontrak
- kontrol
- Korelasi
- Sesuai
- hemat biaya
- membuat
- dibuat
- membuat
- kriteria
- kritis
- pelanggan
- pelanggan
- dasbor
- data
- kumpulan data
- Tanggal
- hari
- Default
- Mendefinisikan
- mendefinisikan
- Permintaan
- Peramalan permintaan
- menunjukkan
- Pengembang
- Pengembangan
- berbeda
- ukuran
- langsung
- Tidak
- domain
- Dont
- Download
- selama
- dinamis
- setiap
- Terdahulu
- Ekonomis
- Pertumbuhan ekonomi
- efektif
- efisien
- listrik
- diaktifkan
- memungkinkan
- mendorong
- ujung ke ujung
- berakhir
- energi
- Konsumsi Energi
- cukup
- Enter
- Enterprise
- Eter (ETH)
- mengevaluasi
- contoh
- ada
- diharapkan
- mahal
- pengalaman
- Menjelaskan
- ekspor
- perpanjangan
- Menghadapi
- lebih cepat
- Fitur
- biaya
- File
- File
- menyaring
- penyaringan
- Menemukan
- Pertama
- berfokus
- mengikuti
- berikut
- Ramalan
- Frekuensi
- dari
- sepenuhnya
- fungsi
- masa depan
- GAS
- menghasilkan
- mendapatkan
- diberikan
- grafik
- Kelompok
- Grup
- Pertumbuhan
- Penanganan
- Panen
- membantu
- membantu
- lebih tinggi
- sangat
- historis
- horison
- JAM
- rumah tangga
- rumah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- IAM
- ide-ide
- identifier
- identitas
- Dampak
- mengimpor
- penting
- memperbaiki
- ditingkatkan
- in
- termasuk
- termasuk
- Termasuk
- Meningkatkan
- Pada meningkat
- Meningkatkan
- menunjukkan
- industri
- informasi
- Infrastruktur
- wawasan
- instruksi
- inventaris
- Inventarisasi Manajemen
- menyelidiki
- IT
- item
- Menjaga
- kunci
- Tahu
- dikenal
- BELAJAR
- pengetahuan
- meninggalkan
- baris
- hidup
- hidup
- tempat
- Panjang
- Rendah
- Murah
- mesin
- Mesin belajar
- membuat
- mengelola
- berhasil
- pengelolaan
- wajib
- manual
- mekanisme
- Pelajari
- menu
- Metadata
- mungkin
- migrasi
- minimum
- ML
- model
- model
- lebih
- pagi
- paling
- beberapa
- nama
- nama
- Alam
- Arahkan
- Perlu
- New
- buku catatan
- jumlah
- ONE
- operasi
- Operasi
- operator
- pilihan
- Opsi
- urutan
- Lainnya
- secara keseluruhan
- pasang
- khususnya
- rekan
- bergairah
- lalu
- path
- pola
- Membayar
- Konsultan Ahli
- persentase
- melakukan
- melakukan
- Izin
- memilih
- rencana
- perencanaan
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- populasi
- Pos
- potensi
- meramalkan
- diprediksi
- memprediksi
- Predictor
- siap
- harga pompa cor beton mini
- harga
- primer
- Sebelumnya
- Produk
- Kemajuan
- memberikan
- pemberi
- penyedia
- menyediakan
- menyediakan
- ketentuan
- Cepat
- jarak
- alasan
- Merah
- wilayah
- terkait
- relevan
- menghapus
- menggantikan
- mewakili
- permintaan
- tabah
- sumber
- Sumber
- dihasilkan
- Hasil
- kenaikan
- Peran
- Run
- sama
- skenario
- mulus
- Bagian
- terpilih
- memilih
- Seri
- layanan
- Layanan
- set
- pengaturan
- beberapa
- Pertunjukkan
- Sederhana
- So
- larutan
- Solusi
- sumber
- Selatan
- Space
- tertentu
- ditentukan
- stabil
- magang
- awal
- mulai
- Tangga
- penyimpanan
- menyimpan
- Penyelarasan
- struktur
- cukup
- musim panas
- menyediakan
- Penawaran dan Permintaan
- sistem
- Mengambil
- target
- Teknologi
- Grafik
- Daerah
- Masa depan
- mereka
- karena itu
- tiga
- Melalui
- di seluruh
- waktu
- Seri waktu
- kali
- timestamp
- untuk
- alat
- jalur
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- Transformasi
- perjalanan
- benar
- nilai asli
- jenis
- ketidakpastian
- bawah
- pokok
- unik
- unit
- penggunaan
- menggunakan
- gunakan case
- kegunaan
- nilai
- variasi
- walkthrough
- air
- Cuaca
- jaringan
- layanan web
- Apa
- Apa itu
- yang
- sementara
- lebar
- akan
- Musim dingin
- dalam
- tanpa
- Tenaga kerja
- bekerja
- Anda
- zephyrnet.dll