Previsioni Amazon è un servizio completamente gestito che utilizza l'apprendimento automatico (ML) per generare previsioni altamente accurate, senza richiedere alcuna precedente esperienza di ML. La previsione è applicabile in un'ampia varietà di casi d'uso, tra cui la stima della domanda e dell'offerta per la gestione dell'inventario, la previsione della domanda di viaggio, la pianificazione della forza lavoro e l'utilizzo dell'infrastruttura cloud informatica.
Puoi utilizzare Forecast per condurre senza problemi analisi what-if fino all'80% più veloci per analizzare e quantificare il potenziale impatto delle leve di business sulle tue previsioni della domanda. Un'analisi what-if ti aiuta a indagare e spiegare in che modo i diversi scenari potrebbero influenzare la previsione di base creata da Forecast. Con Forecast, non ci sono server di cui eseguire il provisioning o modelli ML da creare manualmente. Inoltre, paghi solo per ciò che usi e non ci sono costi minimi o impegni anticipati. Per utilizzare Previsione, devi solo fornire i dati storici per ciò che desideri prevedere e, facoltativamente, eventuali dati aggiuntivi che ritieni possano influire sulle tue previsioni.
I fornitori di servizi idrici hanno diversi casi d'uso di previsione, ma il principale tra questi è la previsione del consumo di acqua in un'area o in un edificio per soddisfare la domanda. Inoltre, è importante che i fornitori di servizi pubblici prevedano l'aumento della domanda di consumo a causa di più appartamenti aggiunti in un edificio o più case nell'area. Prevedere con precisione il consumo di acqua è fondamentale per evitare qualsiasi interruzione del servizio al cliente.
Questo post esplora l'utilizzo di Forecast per affrontare questo caso d'uso utilizzando i dati delle serie temporali storiche.
Panoramica della soluzione
L'acqua è una risorsa naturale e molto critica per l'industria, l'agricoltura, le famiglie e le nostre vite. La previsione accurata del consumo idrico è fondamentale per garantire che un'agenzia possa eseguire le operazioni quotidiane in modo efficiente. La previsione del consumo idrico è particolarmente impegnativa perché la domanda è dinamica e i cambiamenti climatici stagionali possono avere un impatto. Prevedere con precisione il consumo di acqua è importante in modo che i clienti non debbano affrontare alcuna interruzione del servizio e al fine di fornire un servizio stabile mantenendo prezzi bassi. Le previsioni migliorate consentono di pianificare in anticipo per strutturare contratti futuri più convenienti. Di seguito sono riportati i due casi d'uso più comuni:
- Migliore gestione della domanda – In qualità di agenzia fornitrice di servizi pubblici, è necessario trovare un equilibrio tra domanda e offerta idrica. L'agenzia raccoglie informazioni come il numero di persone che vivono in un appartamento e il numero di appartamenti in un edificio prima di fornire il servizio. In qualità di agenzia di servizi pubblici, devi bilanciare la domanda e l'offerta aggregata. È necessario immagazzinare acqua sufficiente per soddisfare la domanda. Inoltre, la previsione della domanda è diventata più impegnativa per i seguenti motivi:
- La domanda non è sempre stabile e varia durante il giorno. Ad esempio, il consumo di acqua a mezzanotte è molto inferiore rispetto al mattino.
- Anche le condizioni meteorologiche possono avere un impatto sul consumo complessivo. Ad esempio, il consumo di acqua è più elevato in estate che in inverno nell'emisfero settentrionale e viceversa nell'emisfero meridionale.
- Non ci sono abbastanza precipitazioni o meccanismi di immagazzinamento dell'acqua (laghi, serbatoi) o il filtraggio dell'acqua è insufficiente. Durante l'estate, la domanda non riesce sempre a tenere il passo con l'offerta. Le agenzie idriche devono fare previsioni accurate per acquisire altre fonti, che potrebbero essere più costose. Pertanto, è fondamentale che le agenzie di servizi pubblici trovino fonti idriche alternative come la raccolta dell'acqua piovana, la cattura della condensa dalle unità di trattamento dell'aria o il recupero delle acque reflue.
- Conduzione di un'analisi what-if per l'aumento della domanda – La domanda di acqua è in aumento per molteplici motivi. Ciò include una combinazione di crescita della popolazione, sviluppo economico e modelli di consumo in evoluzione. Immaginiamo uno scenario in cui un condominio esistente costruisce un ampliamento e il numero di famiglie e persone aumenta di una certa percentuale. Ora è necessario eseguire un'analisi per prevedere l'offerta per l'aumento della domanda. Questo ti aiuta anche a stipulare un contratto conveniente per l'aumento della domanda.
La previsione può essere impegnativa perché prima sono necessari modelli accurati per prevedere la domanda e quindi un modo rapido e semplice per riprodurre la previsione in una vasta gamma di scenari.
Questo post si concentra su una soluzione per eseguire la previsione del consumo di acqua e un'analisi what-if. Questo post non considera i dati meteorologici per l'addestramento del modello. Tuttavia, puoi aggiungere dati meteorologici, data la loro correlazione con il consumo di acqua.
Prerequisiti
Prima di iniziare, impostiamo le nostre risorse. Per questo post, usiamo la regione us-east-1.
- Creare un Servizio di archiviazione semplice Amazon (Amazon S3) bucket per l'archiviazione dei dati delle serie temporali storiche. Per le istruzioni, fare riferimento a Crea il tuo primo bucket S3.
- Scarica i file di dati da Repository GitHub e carica nel bucket S3 appena creato.
- Crea un nuovo Gestione dell'identità e dell'accesso di AWS (SONO) ruolo. Per istruzioni, vedere Imposta le autorizzazioni per Amazon Forecast. Assicurati di fornire il nome del tuo bucket S3.
Creare un gruppo di set di dati e set di dati
Questo post illustra due casi d'uso relativi alla previsione della domanda idrica: la previsione della domanda idrica basata sul consumo idrico passato e l'esecuzione di un'analisi ipotetica per l'aumento della domanda.
Forecast può accettare tre tipi di set di dati: serie temporali target (TTS), serie temporali correlate (RTS) e metadati elemento (IM). I dati delle serie temporali target definiscono la domanda storica per le risorse che stai prevedendo. Il set di dati delle serie temporali target è obbligatorio. Un set di dati di serie temporali correlato include dati di serie temporali che non sono inclusi in un set di dati di serie temporali target e potrebbe migliorare la precisione del predittore.
Nel nostro esempio, il set di dati delle serie temporali di destinazione contiene le dimensioni item_id e timestamp e il set di dati delle serie temporali correlato complementare include no_of_consumer. Una nota importante con questo set di dati: il TTS termina il 2023-01-01 e l'RTS termina il 2023-01-15. Quando si eseguono scenari what-if, è importante manipolare le variabili RTS oltre l'orizzonte temporale noto in TTS.
Per condurre un'analisi what-if, dobbiamo importare due file CSV che rappresentano i dati delle serie temporali di destinazione e i relativi dati delle serie temporali. Il nostro file di serie temporali target di esempio contiene item_id, timestamp e demand, mentre il nostro file di serie temporali correlato contiene item_id prodotto, timestamp e no_of consumer.
Per importare i tuoi dati, completa i seguenti passaggi:
- Nella console Previsioni, scegli Visualizza gruppi di set di dati.
- Scegli Crea gruppo di set di dati.
- Nel Nome del gruppo del set di dati, inserisci un nome (per questo post,
water_consumption_datasetgroup
). - Nel Dominio di previsione, scegli un dominio di previsione (per questo post, Custom).
- Scegli Avanti.
- Sulla Crea set di dati di serie temporali target pagina, fornire il nome del set di dati, la frequenza dei dati e lo schema dei dati.
- Sulla Dettagli sull'importazione del set di dati pagina, immettere un nome di importazione del set di dati.
- Nel Importa il tipo di file, selezionare CSV e inserire la posizione dei dati.
- Scegli il ruolo IAM che hai creato in precedenza come prerequisito.
- Scegli Inizio.
Verrai reindirizzato alla dashboard che puoi utilizzare per tenere traccia dei progressi.
- Per importare il file delle serie temporali correlato, nella dashboard, scegli Importare.
- Sulla Crea set di dati di serie temporali correlati pagina, fornire il nome del set di dati e lo schema dei dati.
- Sulla Dettagli sull'importazione del set di dati pagina, immettere un nome di importazione del set di dati.
- Nel Importa il tipo di file, selezionare CSV e inserire la posizione dei dati.
- Scegli il ruolo IAM che hai creato in precedenza.
- Scegli Inizio.
Addestra un predittore
Successivamente, formiamo un predittore.
- Nella dashboard, scegli Inizio per Addestra un predittore.
- Sulla Predittore del treno pagina, inserisci un nome per il tuo predittore.
- Specifica per quanto tempo nel futuro vuoi fare previsioni e con quale frequenza.
- Specificare il numero di quantili per i quali si desidera effettuare la previsione.
Forecast utilizza AutoPredictor per creare predittori. Per ulteriori informazioni, fare riferimento a Predittori di formazione.
- Scegli Creare.
Crea una previsione
Dopo che il nostro predittore è stato addestrato (questo può richiedere circa 3.5 ore), creiamo una previsione. Saprai che il tuo predittore è allenato quando vedi il Visualizza i predittori pulsante sulla dashboard.
- Scegli Inizio per Genera previsioni sul cruscotto.
- Sulla Crea una previsione pagina, inserire un nome per la previsione.
- Nel Predictor, scegli il predittore che hai creato.
- Facoltativamente, specificare i quantili di previsione.
- Specificare gli elementi per i quali generare una previsione.
- Scegli Inizio.
Richiedi la tua previsione
È possibile interrogare una previsione utilizzando il file Previsione query opzione. Per impostazione predefinita, viene restituito l'intervallo completo della previsione. Puoi richiedere un intervallo di date specifico all'interno della previsione completa. Quando si esegue una query su una previsione, è necessario specificare i criteri di filtro. Un filtro è una coppia chiave-valore. La chiave è uno dei nomi degli attributi dello schema (comprese le dimensioni della previsione) da uno dei set di dati utilizzati per creare la previsione. Il valore è un valore valido per la chiave specificata. Puoi specificare più coppie chiave-valore. La previsione restituita conterrà solo elementi che soddisfano tutti i criteri.
- Scegli Previsione query sul cruscotto.
- Fornire i criteri di filtro per la data di inizio e la data di fine.
- Specifica la chiave e il valore di previsione.
- Scegli Ottieni previsioni.
La schermata seguente mostra il consumo energetico previsto per lo stesso appartamento (ID articolo A_10001) utilizzando il modello di previsione.
Crea un'analisi what-if
A questo punto, abbiamo creato la nostra previsione di base, ora possiamo condurre un'analisi what-if. Immaginiamo uno scenario in cui un condominio esistente aggiunge un'estensione e il numero di famiglie e persone aumenta del 20%. Ora è necessario eseguire un'analisi per prevedere un aumento dell'offerta in base all'aumento della domanda.
Ci sono tre fasi per condurre un'analisi what-if: impostare l'analisi, creare la previsione what-if definendo cosa è cambiato nello scenario e confrontare i risultati.
- Per impostare la tua analisi, scegli Esplora l'analisi what-if sul cruscotto.
- Scegli Creare.
- Inserisci un nome univoco e scegli la previsione di base.
- Scegli gli elementi nel tuo set di dati per i quali desideri condurre un'analisi di simulazione. Hai due opzioni:
- Seleziona tutti gli articoli è l'impostazione predefinita, che scegliamo in questo post.
- Se vuoi selezionare articoli specifici, scegli Seleziona gli elementi con un file e importare un file CSV contenente l'identificativo univoco per l'articolo corrispondente e le eventuali dimensioni associate.
- Scegli Crea analisi what-if.
Crea una previsione ipotetica
Successivamente, creiamo una previsione what-if per definire lo scenario che vogliamo analizzare.
- Nel Previsione what-if sezione, scegliere Creare.
- Inserisci un nome per il tuo scenario.
- Puoi definire il tuo scenario attraverso due opzioni:
- Usa le funzioni di trasformazione – Utilizzare il generatore di trasformazioni per trasformare i dati relativi alle serie temporali importati. Per questa procedura dettagliata, valutiamo come cambia la domanda di un articolo nel nostro set di dati quando il numero di consumatori aumenta del 20% rispetto al prezzo nella previsione di base.
- Definisci la previsione what-if con un set di dati sostitutivo – Sostituisci il set di dati relativo alle serie temporali importato.
Per il nostro esempio, creiamo uno scenario in cui aumentiamo no_of_consumer
del 20% applicabile all'ID oggetto A_10001
e no_of_consumer
è una funzionalità nel set di dati. Questa analisi è necessaria per prevedere e soddisfare l'approvvigionamento idrico per l'aumento della domanda. Questa analisi ti aiuta anche a stipulare un contratto conveniente in base alla previsione della domanda di acqua.
- Nel Metodo di definizione delle previsioni what-if, selezionare Usa le funzioni di trasformazione.
- Scegli Moltiplicare come nostro operatore, no_of_consumer come nostra serie temporale, e inserisci 1.2.
- Scegli Aggiungi condizione.
- Scegli Equivale come operazione e inserisci A_10001 per item_id.
- Scegli Creare.
Confronta le previsioni
Ora possiamo confrontare le previsioni what-if per entrambi i nostri scenari, confrontando un aumento del 20% dei consumatori con la domanda di base.
- Nella pagina delle informazioni dettagliate sull'analisi, vai a Confronta le previsioni ipotetiche .
- Nel numero identificativo dell'oggetto, inserisci l'elemento da analizzare (nel nostro scenario, inserisci
A_10001
). - Nel Previsioni What-ifscegli
water_demand_whatif_analyis
. - Scegli Confronta what-if.
- È possibile scegliere la previsione di base per l'analisi.
Il grafico seguente mostra la domanda risultante per il nostro scenario. La linea rossa mostra la previsione del futuro consumo di acqua per un aumento della popolazione del 20%. Il tipo di previsione P90 indica che il valore reale dovrebbe essere inferiore al valore previsto il 90% delle volte. È possibile utilizzare questa previsione della domanda per gestire in modo efficace l'approvvigionamento idrico in caso di aumento della domanda ed evitare eventuali interruzioni del servizio.
Esporta i tuoi dati
Per esportare i tuoi dati in CSV, completa i seguenti passaggi:
- Scegli Crea esportazione.
- Inserisci un nome per il tuo file di esportazione (per questo post,
water_demand_export
). - Specificare gli scenari da esportare selezionando gli scenari sul file Previsioni What-If menu a discesa.
Puoi esportare più scenari contemporaneamente in un file combinato.
- Nel Posizione di esportazione, specifica la posizione Amazon S3.
- Per iniziare l'esportazione, scegli Crea Esporta.
- Per scaricare l'esportazione, vai al percorso del file S3 sulla console Amazon S3, seleziona il file e scegli Scaricare.
Il file di esportazione conterrà il file timestamp
, item_id
e forecasts
per ogni quantile per tutti gli scenari selezionati (compreso lo scenario di base).
Pulisci le risorse
Per evitare di incorrere in futuri addebiti, rimuovi le risorse create da questa soluzione:
- Elimina le risorse di previsione hai creato.
- Elimina il bucket S3.
Conclusione
In questo post, ti abbiamo mostrato quanto è facile utilizzare Forecast e la sua architettura di sistema sottostante per prevedere la domanda di acqua utilizzando i dati sul consumo di acqua. Un'analisi di scenario what-if è uno strumento fondamentale per aiutare a navigare attraverso le incertezze del business. Fornisce lungimiranza e un meccanismo per testare le idee, lasciando le aziende più resilienti, meglio preparate e in controllo del proprio futuro. Altri fornitori di utenze come i fornitori di elettricità o gas possono utilizzare Forecast per creare soluzioni e soddisfare la domanda di utenze in modo conveniente.
I passaggi in questo post hanno dimostrato come costruire la soluzione su Console di gestione AWS. Per utilizzare direttamente le API di previsione per creare la soluzione, segui il notebook nel nostro Repository GitHub.
Ti invitiamo a saperne di più visitando il Guida per gli sviluppatori di Amazon Forecast e prova la soluzione end-to-end abilitata da questi servizi con un set di dati rilevante per i tuoi KPI aziendali.
L'autore
Dhiraj Thakur è un Solutions Architect con Amazon Web Services. Collabora con clienti e partner AWS per fornire indicazioni sull'adozione, la migrazione e la strategia del cloud aziendale. È appassionato di tecnologia e ama costruire e sperimentare nello spazio di analisi e AI/ML.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Chi siamo
- Accetta
- accesso
- precisione
- preciso
- con precisione
- acquisire
- operanti in
- aggiunto
- aggiuntivo
- Inoltre
- indirizzo
- Aggiunge
- Adozione
- influenzare
- agenzie
- agenzia
- agricoltura
- avanti
- AI / ML
- ARIA
- Tutti
- alternativa
- sempre
- Amazon
- Previsioni Amazon
- Amazon Web Services
- tra
- .
- analitica
- analizzare
- ed
- Appartamento
- appartamenti
- API
- applicabile
- circa
- architettura
- RISERVATA
- in giro
- associato
- evitare
- AWS
- Equilibrio
- base
- basato
- Linea di base
- perché
- diventare
- prima
- CREDIAMO
- Meglio
- fra
- Al di là di
- costruire
- costruttore
- Costruzione
- costruisce
- affari
- aziende
- pulsante
- Catturare
- attentamente
- Custodie
- casi
- certo
- impegnativo
- Modifiche
- cambiando
- oneri
- Scegli
- Cloud
- adozione del cloud
- infrastruttura cloud
- raccoglie
- combinazione
- combinato
- impegno
- Uncommon
- confrontare
- rispetto
- confronto
- complementare
- completamento di una
- informatica
- Segui il codice di Condotta
- conduzione
- Prendere in considerazione
- consolle
- Consumer
- Consumatori
- consumo
- contiene
- contratto
- contratti
- di controllo
- Correlazione
- Corrispondente
- costo effettivo
- creare
- creato
- Creazione
- criteri
- critico
- cliente
- Clienti
- cruscotto
- dati
- dataset
- Data
- giorno
- Predefinito
- definisce
- definizione
- Richiesta
- Previsione della domanda
- dimostrato
- Costruttori
- Mercato
- diverso
- dimensioni
- direttamente
- non
- dominio
- Dont
- scaricare
- durante
- dinamico
- ogni
- In precedenza
- Economico
- Sviluppo economico
- in maniera efficace
- in modo efficiente
- elettricità
- abilitato
- Abilita
- incoraggiare
- da un capo all'altro
- finisce
- energia
- Consumo di energia
- abbastanza
- entrare
- Impresa
- Etere (ETH)
- valutare
- esempio
- esistente
- previsto
- costoso
- esperienza
- Spiegare
- export
- estensione
- Faccia
- più veloce
- caratteristica
- tassa
- Compila il
- File
- filtro
- filtraggio
- Trovare
- Nome
- si concentra
- seguire
- i seguenti
- Previsione
- Frequenza
- da
- completamente
- funzioni
- futuro
- GAS
- generare
- ottenere
- dato
- grafico
- Gruppo
- Gruppo
- Crescita
- Manovrabilità
- Raccolta
- Aiuto
- aiuta
- superiore
- vivamente
- storico
- orizzonte
- ORE
- famiglie
- case
- Come
- Tutorial
- Tuttavia
- HTML
- HTTPS
- IAM
- idee
- identificatore
- Identità
- Impact
- importare
- importante
- competenze
- migliorata
- in
- incluso
- inclusi
- Compreso
- Aumento
- è aumentato
- Aumenta
- indica
- industria
- informazioni
- Infrastruttura
- intuizioni
- istruzioni
- inventario
- Gestione magazzino
- indagare
- IT
- elementi
- mantenere
- Le
- Sapere
- conosciuto
- IMPARARE
- apprendimento
- partenza
- linea
- Lives
- vita
- località
- Lunghi
- Basso
- prezzi bassi
- macchina
- machine learning
- make
- gestire
- gestito
- gestione
- obbligatorio
- manualmente
- meccanismo
- Soddisfare
- Menu
- Metadati
- forza
- migrazione
- ordine
- ML
- modello
- modelli
- Scopri di più
- mattina
- maggior parte
- multiplo
- Nome
- nomi
- Naturale
- Navigare
- Bisogno
- New
- taccuino
- numero
- ONE
- operazione
- Operazioni
- operatore
- Opzione
- Opzioni
- minimo
- Altro
- complessivo
- coppie
- particolarmente
- partner
- appassionato
- passato
- sentiero
- modelli
- Paga le
- Persone
- percentuale
- eseguire
- esecuzione
- permessi
- scegliere
- piano
- pianificazione
- Platone
- Platone Data Intelligence
- PlatoneDati
- punto
- popolazione
- Post
- potenziale
- predire
- previsto
- previsione
- Predictor
- preparato
- prezzo
- Prezzi
- primario
- Precedente
- Prodotto
- Progressi
- fornire
- fornitore
- fornitori
- fornisce
- fornitura
- fornitura
- Presto
- gamma
- motivi
- Rosso
- regione
- relazionato
- pertinente
- rimuovere
- sostituire
- che rappresenta
- richiesta
- elastico
- risorsa
- Risorse
- risultante
- Risultati
- crescita
- Ruolo
- Correre
- stesso
- Scenari
- senza soluzione di continuità
- Sezione
- selezionato
- Selezione
- Serie
- servizio
- Servizi
- set
- regolazione
- alcuni
- Spettacoli
- Un'espansione
- So
- soluzione
- Soluzioni
- fonti
- Meridionale
- lo spazio
- specifico
- specificato
- stabile
- tappe
- inizia a
- iniziato
- Passi
- conservazione
- Tornare al suo account
- Strategia
- La struttura
- sufficiente
- estate
- fornire
- Domanda e offerta
- sistema
- Fai
- Target
- Tecnologia
- I
- L'area
- Il futuro
- loro
- perciò
- tre
- Attraverso
- per tutto
- tempo
- Serie storiche
- volte
- timestamp
- a
- pista
- Treni
- allenato
- Training
- Trasformare
- Trasformazione
- viaggiare
- vero
- vero valore
- Tipi di
- incertezze
- per
- sottostante
- unico
- unità
- Impiego
- uso
- caso d'uso
- utilità
- APPREZZIAMO
- varietà
- walkthrough
- Water
- Tempo
- sito web
- servizi web
- Che
- Che cosa è l'
- quale
- while
- largo
- volere
- Inverno
- entro
- senza
- Forza lavoro
- lavori
- Trasferimento da aeroporto a Sharm
- zefiro