아마존 예측 ML(기계 학습)을 사용하여 사전 ML 경험이 없어도 매우 정확한 예측을 생성하는 완전 관리형 서비스입니다. 예측은 재고 관리, 여행 수요 예측, 인력 계획 및 컴퓨팅 클라우드 인프라 사용에 대한 공급 및 수요 예측을 포함하여 다양한 사용 사례에 적용할 수 있습니다.
Forecast를 사용하면 가상 분석을 최대 80% 더 빠르게 원활하게 수행하여 비즈니스 수단이 수요 예측에 미치는 잠재적 영향을 분석하고 정량화할 수 있습니다. what-if 분석은 다양한 시나리오가 Forecast에서 생성한 기준선 예측에 어떤 영향을 미칠 수 있는지 조사하고 설명하는 데 도움이 됩니다. Forecast를 사용하면 프로비저닝할 서버나 수동으로 구축할 ML 모델이 없습니다. 또한 사용한 만큼만 비용을 지불하면 되며 최소 요금이나 사전 약정이 없습니다. 예측을 사용하려면 예측하려는 항목에 대한 기록 데이터와 예측에 영향을 미칠 수 있다고 생각되는 추가 데이터(선택 사항)만 제공하면 됩니다.
물 유틸리티 공급자는 여러 예측 사용 사례를 가지고 있지만 그 중 가장 중요한 것은 수요를 충족하기 위해 지역 또는 건물의 물 소비량을 예측하는 것입니다. 또한 건물에 더 많은 아파트가 추가되거나 해당 지역에 더 많은 주택이 추가되기 때문에 유틸리티 공급자가 소비 수요 증가를 예측하는 것이 중요합니다. 물 소비량을 정확하게 예측하는 것은 고객에 대한 서비스 중단을 방지하는 데 매우 중요합니다.
이 게시물에서는 과거 시계열 데이터를 사용하여 이 사용 사례를 해결하기 위해 Forecast를 사용하는 방법을 살펴봅니다.
솔루션 개요
물은 천연 자원이며 산업, 농업, 가정 및 우리의 삶에 매우 중요합니다. 정확한 물 소비량 예측은 기관이 일상 업무를 효율적으로 운영할 수 있도록 하는 데 중요합니다. 물 소비 예측은 수요가 역동적이고 계절적 날씨 변화가 영향을 미칠 수 있기 때문에 특히 어렵습니다. 물 사용량을 정확하게 예측하는 것은 고객이 서비스 중단을 겪지 않고 저렴한 가격을 유지하면서 안정적인 서비스를 제공하기 위해 중요합니다. 개선된 예측을 통해 보다 비용 효율적인 향후 계약을 구성하기 위해 미리 계획할 수 있습니다. 다음은 가장 일반적인 두 가지 사용 사례입니다.
- 더 나은 수요 관리 – 유틸리티 제공 기관으로서 물 수요와 공급 사이의 균형을 찾아야 합니다. 기관은 서비스를 제공하기 전에 아파트에 거주하는 사람 수 및 건물의 아파트 수와 같은 정보를 수집합니다. 유틸리티 기관은 총 공급과 수요의 균형을 유지해야 합니다. 수요를 충족하려면 충분한 물을 저장해야 합니다. 또한 다음과 같은 이유로 수요 예측이 더욱 어려워졌습니다.
- 수요는 항상 안정적이지 않으며 하루 종일 변동합니다. 예를 들어 자정의 물 소비량은 아침에 비해 훨씬 적습니다.
- 날씨도 전체 소비에 영향을 미칠 수 있습니다. 예를 들어 북반구에서는 겨울보다 여름에 물 소비량이 많고 남반구에서는 그 반대입니다.
- 강수량이 충분하지 않거나 물 저장 메커니즘(호수, 저수지)이 없거나 물 여과가 불충분합니다. 여름에는 수요가 항상 공급을 따라갈 수 없습니다. 수자원 관리국은 더 비쌀 수 있는 다른 출처를 확보하기 위해 신중하게 예측해야 합니다. 따라서 유틸리티 기관은 빗물 수집, 공기 처리 장치에서 응결물 수집 또는 폐수 재생과 같은 대체 수원을 찾는 것이 중요합니다.
- 수요 증가에 대한 what-if 분석 수행 – 물에 대한 수요는 여러 가지 이유로 증가하고 있습니다. 여기에는 인구 증가, 경제 발전 및 변화하는 소비 패턴의 조합이 포함됩니다. 기존 아파트 건물이 증축되어 가구와 인구가 일정 비율 증가하는 시나리오를 상상해 봅시다. 이제 수요 증가에 대한 공급을 예측하기 위한 분석을 수행해야 합니다. 이것은 또한 증가된 수요에 대해 비용 효율적인 계약을 체결하는 데 도움이 됩니다.
먼저 수요를 예측하기 위한 정확한 모델이 필요하고 다양한 시나리오에서 예측을 재현하는 빠르고 간단한 방법이 필요하기 때문에 예측이 어려울 수 있습니다.
이 게시물은 물 소비량 예측 및 what-if 분석을 수행하는 솔루션에 중점을 둡니다. 이 게시물은 모델 학습을 위한 날씨 데이터를 고려하지 않습니다. 그러나 물 소비량과의 상관 관계를 고려하여 날씨 데이터를 추가할 수 있습니다.
사전 조건
시작하기 전에 리소스를 설정합니다. 이 게시물에서는 us-east-1 리전을 사용합니다.
- 를 생성 아마존 단순 스토리지 서비스 (Amazon S3) 기록 시계열 데이터를 저장하기 위한 버킷. 지침은 다음을 참조하십시오. 첫 번째 S3 버킷 생성.
- 에서 데이터 파일 다운로드 GitHub 레포 새로 생성된 S3 버킷에 업로드합니다.
- 새 항목 만들기 AWS 자격 증명 및 액세스 관리 (나는) 역할. 지침은 Amazon Forecast에 대한 권한 설정. S3 버킷의 이름을 제공해야 합니다.
데이터 세트 그룹 및 데이터 세트 만들기
이 게시물은 물 수요 예측과 관련된 두 가지 사용 사례를 보여줍니다. 과거 물 소비량을 기반으로 물 수요를 예측하고 수요 증가에 대한 가상 분석을 수행합니다.
Forecast는 대상 시계열(TTS), 관련 시계열(RTS) 및 항목 메타데이터(IM)의 세 가지 유형의 데이터 세트를 허용할 수 있습니다. 대상 시계열 데이터는 예측 중인 리소스에 대한 과거 수요를 정의합니다. 대상 시계열 데이터 세트는 필수입니다. 관련 시계열 데이터 세트에는 대상 시계열 데이터 세트에 포함되지 않은 시계열 데이터가 포함되며 예측기의 정확도를 향상시킬 수 있습니다.
이 예에서 대상 시계열 데이터 세트에는 item_id 및 타임스탬프 차원이 포함되고 보완 관련 시계열 데이터 세트에는 no_of_consumer가 포함됩니다. 이 데이터 세트의 중요한 참고 사항: TTS는 2023-01-01에 종료되고 RTS는 2023-01-15에 종료됩니다. 가상 시나리오를 수행할 때 TTS에서 알려진 시간 범위를 넘어 RTS 변수를 조작하는 것이 중요합니다.
가상 분석을 수행하려면 대상 시계열 데이터와 관련 시계열 데이터를 나타내는 두 개의 CSV 파일을 가져와야 합니다. 예제 대상 시계열 파일에는 item_id, 타임스탬프 및 수요가 포함되어 있고 관련 시계열 파일에는 제품 item_id, 타임스탬프 및 no_of consumer가 포함되어 있습니다.
데이터를 가져오려면 다음 단계를 완료하십시오.
- Forecast 콘솔에서 데이터 세트 그룹을 봅니다.
- 왼쪽 메뉴에서 데이터 세트 그룹을 생성합니다.
- 럭셔리 데이터 세트 그룹 이름, 이름을 입력하십시오 (이 게시물의 경우
water_consumption_datasetgroup
). - 럭셔리 예측 도메인, 예측 도메인을 선택합니다(이 게시물의 경우 관습).
- 왼쪽 메뉴에서 다음 보기.
- 에 대상 시계열 데이터 세트 생성 페이지에서 데이터세트 이름, 데이터 빈도 및 데이터 스키마를 제공합니다.
- 에 데이터 세트 가져 오기 세부 정보 페이지에서 데이터세트 가져오기 이름을 입력합니다.
- 럭셔리 가져오기 파일 형식, 고르다 CSV 데이터 위치를 입력합니다.
- 앞서 생성한 IAM 역할을 전제 조건으로 선택합니다.
- 왼쪽 메뉴에서 스타트.
진행 상황을 추적하는 데 사용할 수 있는 대시보드로 리디렉션됩니다.
- 관련 시계열 파일을 가져오려면 대시보드에서 다음을 선택합니다. 수입.
- 에 관련 시계열 데이터 세트 생성 페이지에서 데이터세트 이름과 데이터 스키마를 제공합니다.
- 에 데이터 세트 가져 오기 세부 정보 페이지에서 데이터세트 가져오기 이름을 입력합니다.
- 럭셔리 가져오기 파일 형식, 고르다 CSV 데이터 위치를 입력합니다.
- 이전에 생성한 IAM 역할을 선택합니다.
- 왼쪽 메뉴에서 스타트.
예측 자 훈련
다음으로 예측자를 훈련합니다.
- 대시보드에서 다음을 선택합니다. 스타트 아래에 예측 자 훈련.
- 에 기차 예측기 페이지에서 예측 변수의 이름을 입력합니다.
- 예측할 미래의 기간과 빈도를 지정합니다.
- 예측하려는 분위수 수를 지정합니다.
Forecast는 AutoPredictor를 사용하여 예측자를 생성합니다. 자세한 내용은 다음을 참조하십시오. 훈련 예측자.
- 왼쪽 메뉴에서 만들기.
예측 만들기
예측자가 훈련된 후(약 3.5시간 소요) 예측을 생성합니다. 다음을 볼 때 예측자가 훈련되었음을 알 수 있습니다. 예측 변수 보기 버튼을 클릭합니다.
- 왼쪽 메뉴에서 스타트 아래에 예측 생성 대시 보드에서.
- 에 예측 만들기 페이지에서 예측 이름을 입력합니다.
- 럭셔리 Predictor에서 생성한 예측자를 선택합니다.
- 선택적으로 예측 분위수를 지정합니다.
- 예측을 생성할 항목을 지정합니다.
- 왼쪽 메뉴에서 스타트.
예측 쿼리
다음을 사용하여 예측을 쿼리할 수 있습니다. 검색어 예측 옵션. 기본적으로 예측의 전체 범위가 반환됩니다. 전체 예측 내에서 특정 날짜 범위를 요청할 수 있습니다. 예측을 쿼리할 때 필터링 기준을 지정해야 합니다. 필터는 키-값 쌍입니다. 키는 예측을 생성하는 데 사용된 데이터 세트 중 하나의 스키마 속성 이름(예측 차원 포함) 중 하나입니다. 값은 지정된 키에 유효한 값입니다. 여러 키-값 쌍을 지정할 수 있습니다. 반환된 예측에는 모든 기준을 충족하는 항목만 포함됩니다.
- 왼쪽 메뉴에서 검색어 예측 대시 보드에서.
- 시작 날짜 및 종료 날짜에 대한 필터 기준을 제공합니다.
- 예측 키와 값을 지정합니다.
- 왼쪽 메뉴에서 예측 받기.
다음 스크린샷은 예측 모델을 사용하여 동일한 아파트(항목 ID A_10001)에 대한 예상 에너지 소비량을 보여줍니다.
가정 분석 만들기
이 시점에서 우리는 기본 예측을 생성하여 가상 분석을 수행할 수 있습니다. 기존 아파트 건물에 증축이 추가되어 가구와 인구가 20% 증가하는 시나리오를 상상해 봅시다. 이제 수요 증가를 기반으로 공급 증가를 예측하기 위한 분석을 수행해야 합니다.
what-if 분석을 수행하는 데는 분석 설정, 시나리오에서 변경된 내용을 정의하여 what-if 예측 생성, 결과 비교의 세 단계가 있습니다.
- 분석을 설정하려면 다음을 선택하십시오. 가정 분석 살펴보기 대시 보드에서.
- 왼쪽 메뉴에서 만들기.
- 고유한 이름을 입력하고 베이스라인 예측을 선택합니다.
- 가정 분석을 수행하려는 데이터 세트의 항목을 선택합니다. 두 가지 옵션이 있습니다.
- 모든 항목 선택 이 게시물에서 선택하는 기본값입니다.
- 특정 항목을 선택하려면 다음을 선택하십시오. 파일로 항목 선택 해당 항목 및 관련 측정기준의 고유 식별자가 포함된 CSV 파일을 가져옵니다.
- 왼쪽 메뉴에서 가정 분석 생성.
가정 예측 생성
다음으로 분석하려는 시나리오를 정의하기 위해 가정 예측을 생성합니다.
- . 가상 예측 섹션 선택 만들기.
- 시나리오 이름을 입력합니다.
- 두 가지 옵션을 통해 시나리오를 정의할 수 있습니다.
- 변환 함수 사용 – 변환 빌더를 사용하여 가져온 관련 시계열 데이터를 변환하십시오. 이 연습에서는 기준선 예측의 가격과 비교할 때 소비자 수가 20% 증가할 때 데이터 세트의 항목에 대한 수요가 어떻게 변하는지 평가합니다.
- 대체 데이터 세트로 가정 예측 정의 – 가져온 관련 시계열 데이터 세트를 교체합니다.
이 예에서는 증가하는 시나리오를 만듭니다. no_of_consumer
아이템 ID에 20% 적용 A_10001
및 no_of_consumer
데이터 세트의 기능입니다. 수요 증가에 대한 물 공급을 예측하고 충족하려면 이 분석이 필요합니다. 이 분석은 또한 물 수요 예측을 기반으로 비용 효율적인 계약을 체결하는 데 도움이 됩니다.
- 럭셔리 What-if 예측 정의 방법, 고르다 변환 함수 사용.
- 왼쪽 메뉴에서 곱하다 연산자로 no_of_consumer를 시계열로 사용하고 1.2를 입력합니다.
- 왼쪽 메뉴에서 조건 추가.
- 왼쪽 메뉴에서 같음 작업으로 item_id에 A_10001을 입력합니다.
- 왼쪽 메뉴에서 만들기.
예측 비교
이제 소비자의 20% 증가를 기본 수요와 비교하여 두 시나리오에 대한 가상 예측을 비교할 수 있습니다.
- 분석 통찰력 페이지에서 가정 예측 비교 안내
- 럭셔리 item_id, 분석할 항목을 입력합니다(이 시나리오에서는 다음을 입력합니다.
A_10001
). - 럭셔리 가정 예측선택한다.
water_demand_whatif_analyis
. - 왼쪽 메뉴에서 만약을 비교하라.
- 분석을 위한 기준선 예측을 선택할 수 있습니다.
다음 그래프는 시나리오에 대한 결과 수요를 보여줍니다. 빨간색 선은 20% 증가한 인구에 대한 향후 물 소비 예측을 보여줍니다. P90 예측 유형은 실제 값이 시간의 90%에서 예측 값보다 낮을 것으로 예상됨을 나타냅니다. 이 수요 예측을 사용하여 수요 증가에 따라 물 공급을 효과적으로 관리하고 서비스 중단을 방지할 수 있습니다.
데이터 내보내기
데이터를 CSV로 내보내려면 다음 단계를 완료하십시오.
- 왼쪽 메뉴에서 내보내기 만들기.
- 내보내기 파일의 이름을 입력하십시오(이 게시물의 경우,
water_demand_export
). - 에서 시나리오를 선택하여 내보낼 시나리오를 지정합니다. 가정 예측 드롭 다운 메뉴.
결합된 파일에서 한 번에 여러 시나리오를 내보낼 수 있습니다.
- 럭셔리 내보내기 위치, Amazon S3 위치를 지정합니다.
- 내보내기를 시작하려면 내보내기 생성.
- 내보내기를 다운로드하려면 Amazon S3 콘솔에서 S3 파일 경로 위치로 이동하여 파일을 선택하고 다운로드.
내보내기 파일에는 timestamp
, item_id
및 forecasts
선택한 모든 시나리오의 각 분위수(기본 시나리오 포함).
리소스 정리
향후 비용이 발생하지 않도록 하려면 이 솔루션에서 생성된 리소스를 제거하십시오.
결론
이 게시물에서는 물 소비 데이터를 사용하여 물 수요를 예측하기 위해 Forecast 및 기본 시스템 아키텍처를 사용하는 방법을 쉽게 보여주었습니다. 가상 시나리오 분석은 비즈니스의 불확실성을 탐색하는 데 도움이 되는 중요한 도구입니다. 이는 아이디어를 스트레스 테스트할 수 있는 통찰력과 메커니즘을 제공하여 기업이 더 탄력적이고 더 잘 준비되며 미래를 통제할 수 있도록 합니다. 전기 또는 가스 공급업체와 같은 다른 유틸리티 공급업체는 Forecast를 사용하여 비용 효율적인 방식으로 솔루션을 구축하고 유틸리티 수요를 충족할 수 있습니다.
이 게시물의 단계에서는 솔루션을 구축하는 방법을 보여주었습니다. AWS 관리 콘솔. 솔루션 구축을 위해 Forecast API를 직접 사용하려면 다음의 노트북을 따르십시오. GitHub 레포.
우리는 당신이 방문하여 더 많은 것을 배울 것을 권장합니다 Amazon Forecast 개발자 안내서 비즈니스 KPI와 관련된 데이터 세트를 사용하여 이러한 서비스에서 지원하는 엔드 투 엔드 솔루션을 사용해 보십시오.
저자에 관하여
디 라즈 타쿠 르 Amazon Web Services의 솔루션 설계자입니다. 그는 AWS 고객 및 파트너와 협력하여 엔터프라이즈 클라우드 채택, 마이그레이션 및 전략에 대한 지침을 제공합니다. 그는 기술에 대한 열정이 있으며 분석 및 AI / ML 공간에서 구축하고 실험하는 것을 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- 소개
- 수락
- ACCESS
- 정확한
- 정확히
- 얻다
- 가로질러
- 추가
- 추가
- 또한
- 주소
- 추가
- 양자
- 영향을
- 기관
- 정부 기관
- 농업
- 앞으로
- AI / ML
- AIR
- All
- 대안
- 항상
- 아마존
- 아마존 예측
- Amazon Web Services
- 중
- 분석
- 분석
- 분석하다
- 과
- 아파트
- apartments
- API
- 응용할 수 있는
- 대략
- 아키텍처
- 지역
- 약
- 관련
- 피하기
- AWS
- 잔액
- 기지
- 기반으로
- 기준
- 때문에
- 가
- 전에
- 믿으세요
- 더 나은
- 사이에
- 그 너머
- 빌드
- 건축업자
- 건물
- 빌드
- 사업
- 사업
- 단추
- 캡처
- 면밀히
- 케이스
- 가지 경우
- 어떤
- 도전
- 변경
- 변화
- 요금
- 왼쪽 메뉴에서
- 클라우드
- 클라우드 채택
- 클라우드 인프라
- 수집하다
- 결합
- 결합 된
- 헌신
- 공통의
- 비교
- 비교
- 비교
- 보완적인
- 완전한
- 컴퓨팅
- 행위
- 전도
- 고려
- 콘솔에서
- 소비자
- 소비자
- 소비
- 이 포함되어 있습니다
- 계약
- 계약
- 제어
- 상관 관계
- 동
- 비용 효율적인
- 만들
- 만든
- 만들기
- 기준
- 임계
- 고객
- 고객
- 계기반
- 데이터
- 데이터 세트
- 날짜
- 일
- 태만
- 정의
- 정의
- 수요
- 수요 예측
- 시연
- 개발자
- 개발
- 다른
- 치수
- 직접
- 하지 않습니다
- 도메인
- 말라
- 다운로드
- ...동안
- 동적
- 마다
- 이전
- 간결한
- 경제 개발
- 효과적으로
- 효율적으로
- 전기
- 사용 가능
- 수
- 격려
- 끝으로 종료
- 종료
- 에너지
- 에너지 소비
- 충분히
- 엔터 버튼
- Enterprise
- 에테르 (ETH)
- 평가
- 예
- 현존하는
- 기대하는
- 비싼
- 경험
- 설명
- 수출
- 확장자
- 페이스메이크업
- 빠른
- 특색
- 보수
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- 필터링
- 필터링
- Find
- 먼저,
- 집중
- 따라
- 수행원
- 예보
- 진동수
- 에
- 충분히
- 기능
- 미래
- 가스
- 생성
- 점점
- 주어진
- 그래프
- 그룹
- 여러 떼
- 성장
- 처리
- 수확
- 도움
- 도움이
- 더 높은
- 고도로
- 역사적인
- 수평선
- 진료 시간
- 가정
- 집들이
- 방법
- How To
- 그러나
- HTML
- HTTPS
- IAM
- 아이디어
- 식별자
- 통합 인증
- 영향
- import
- 중대한
- 개선
- 개선하는
- in
- 포함
- 포함
- 포함
- 증가
- 증가
- 증가
- 표시
- 산업
- 정보
- 인프라
- 통찰력
- 명령
- 목록
- 재고 관리
- 조사
- IT
- 항목
- 유지
- 키
- 알아
- 알려진
- 배우다
- 배우기
- 출발
- 라인
- 삶
- 생활
- 위치
- 긴
- 낮은
- 낮은 가격
- 기계
- 기계 학습
- 확인
- 관리
- 관리
- 구축
- 필수
- 수동으로
- 기구
- 소개
- 메뉴
- 메타 데이터
- 수도
- 이주
- 최저한의
- ML
- 모델
- 모델
- 배우기
- 아침
- 가장
- 여러
- name
- 이름
- 자연의
- 이동
- 필요
- 신제품
- 수첩
- 번호
- ONE
- 조작
- 행정부
- 연산자
- 선택권
- 옵션
- 주문
- 기타
- 전체
- 쌍
- 특별히
- 파트너
- 열렬한
- 과거
- 통로
- 패턴
- 지불
- 사람들
- tỷ lệ phần trăm
- 수행
- 실행할 수 있는
- 권한
- 선택
- 계획
- 계획
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 포인트 적립
- 인구
- 게시하다
- 가능성
- 예측
- 예측
- 예측
- Predictor
- 준비
- 가격
- 학비 안내
- 일차
- 이전에
- 프로덕트
- 진행
- 제공
- 공급자
- 제공
- 제공
- 제공
- 규정
- 빠른
- 범위
- 이유
- 빨간색
- 지방
- 관련
- 관련된
- 제거
- 교체
- 대표
- 의뢰
- 탄력
- 의지
- 자료
- 결과
- 결과
- 상승
- 직위별
- 달리기
- 같은
- 시나리오
- 완벽하게
- 섹션
- 선택된
- 선택
- 연속
- 서비스
- 서비스
- 세트
- 설정
- 몇몇의
- 쇼
- 단순, 간단, 편리
- So
- 해결책
- 솔루션
- 지우면 좋을거같음 . SM
- 남쪽의
- 스페이스 버튼
- 구체적인
- 지정
- 안정된
- 단계
- 스타트
- 시작
- 단계
- 저장
- 저장
- 전략
- 구조
- 충분한
- 여름
- 공급
- 수요와 공급
- 체계
- 받아
- 목표
- Technology
- XNUMXD덴탈의
- 지역
- 미래
- 그들의
- 따라서
- 세
- 을 통하여
- 도처에
- 시간
- 시계열
- 시대
- 따라서 오른쪽 하단에
- 에
- 수단
- 선로
- Train
- 훈련 된
- 트레이닝
- 변환
- 변환
- 여행
- 참된
- 참값
- 유형
- 불확실성
- 아래에
- 밑에 있는
- 유일한
- 단위
- 용법
- 사용
- 유스 케이스
- 유틸리티
- 가치
- 종류
- 연습
- 물
- 날씨
- 웹
- 웹 서비스
- 뭐
- 어느
- 동안
- 넓은
- 의지
- 겨울
- 이내
- 없이
- 인력
- 일
- 너의
- 제퍼 넷