Amazon voorspelling is een volledig beheerde service die machine learning (ML) gebruikt om zeer nauwkeurige prognoses te genereren, zonder voorafgaande ML-ervaring. Forecast is toepasbaar in een breed scala aan gebruiksscenario's, waaronder het schatten van vraag en aanbod voor voorraadbeheer, prognoses van de reisvraag, personeelsplanning en het gebruik van cloudinfrastructuur.
U kunt Forecast gebruiken om naadloos wat-als-analyses uit te voeren tot 80% sneller om de potentiรซle impact van zakelijke hefbomen op uw vraagprognoses te analyseren en te kwantificeren. Een wat-als-analyse helpt u te onderzoeken en uit te leggen hoe verschillende scenario's de basisprognose van Forecast kunnen beรฏnvloeden. Met Forecast zijn er geen servers om in te richten of ML-modellen om handmatig te bouwen. Bovendien betaalt u alleen voor wat u gebruikt en is er geen minimumtarief of verplichting vooraf. Om Forecast te gebruiken, hoeft u alleen historische gegevens op te geven voor wat u wilt voorspellen, en eventueel aanvullende gegevens waarvan u denkt dat deze van invloed kunnen zijn op uw prognoses.
Aanbieders van waterbedrijven hebben verschillende use-cases voor prognoses, maar de belangrijkste daarvan is het voorspellen van het waterverbruik in een gebied of gebouw om aan de vraag te voldoen. Het is ook belangrijk voor nutsbedrijven om de toegenomen consumptievraag te voorspellen vanwege meer appartementen die in een gebouw zijn toegevoegd of meer huizen in het gebied. Het nauwkeurig voorspellen van het waterverbruik is van cruciaal belang om serviceonderbrekingen voor de klant te voorkomen.
Dit bericht onderzoekt het gebruik van Forecast om deze use case aan te pakken door historische tijdreeksgegevens te gebruiken.
Overzicht oplossingen
Water is een natuurlijke hulpbron en zeer cruciaal voor de industrie, landbouw, huishoudens en ons leven. Nauwkeurige prognoses van het waterverbruik zijn van cruciaal belang om ervoor te zorgen dat een bureau de dagelijkse werkzaamheden efficiรซnt kan uitvoeren. Het voorspellen van het waterverbruik is bijzonder uitdagend omdat de vraag dynamisch is en seizoensgebonden weersveranderingen een impact kunnen hebben. Het nauwkeurig voorspellen van het waterverbruik is belangrijk, zodat klanten geen serviceonderbrekingen krijgen en een stabiele service kunnen bieden tegen lage prijzen. Dankzij verbeterde prognoses kunt u vooruit plannen om meer kosteneffectieve toekomstige contracten te structureren. Dit zijn de twee meest voorkomende use cases:
- Beter vraagmanagement โ Als nutsbedrijf moet u een balans vinden tussen vraag en aanbod van water. Het bureau verzamelt informatie zoals het aantal mensen dat in een appartement woont en het aantal appartementen in een gebouw voordat het service verleent. Als nutsbedrijf moet u vraag en aanbod in evenwicht brengen. Je moet voldoende water opslaan om aan de vraag te voldoen. Bovendien is vraagvoorspelling een grotere uitdaging geworden om de volgende redenen:
- De vraag is niet altijd stabiel en varieert gedurende de dag. Zo is het waterverbruik om middernacht veel lager dan in de ochtend.
- Ook het weer kan een impact hebben op het totale verbruik. Zo is het waterverbruik in de zomer hoger dan in de winter op het noordelijk halfrond en andersom op het zuidelijk halfrond.
- Er valt niet genoeg regen of wateropslagmechanismen (meren, reservoirs) of het filteren van water is onvoldoende. In de zomer kan de vraag het aanbod niet altijd bijhouden. De wateragentschappen moeten zorgvuldig prognoses maken om andere bronnen te verwerven, die duurder kunnen zijn. Daarom is het van cruciaal belang voor nutsbedrijven om alternatieve waterbronnen te vinden, zoals het opvangen van regenwater, het opvangen van condensatie uit luchtbehandelingskasten of het terugwinnen van afvalwater.
- Het uitvoeren van een wat-als-analyse voor een grotere vraag โ De vraag naar water stijgt om meerdere redenen. Dit omvat een combinatie van bevolkingsgroei, economische ontwikkeling en veranderende consumptiepatronen. Laten we ons een scenario voorstellen waarin een bestaand flatgebouw een uitbreiding bouwt en het aantal huishoudens en mensen met een bepaald percentage toeneemt. Nu moet u een analyse uitvoeren om het aanbod voor een grotere vraag te voorspellen. Dit helpt u ook bij het maken van een kosteneffectief contract voor een grotere vraag.
Prognoses kunnen een uitdaging zijn, omdat u eerst nauwkeurige modellen nodig hebt om de vraag te voorspellen en vervolgens een snelle en eenvoudige manier om de prognose voor een reeks scenario's te reproduceren.
Dit bericht richt zich op een oplossing om waterverbruikvoorspellingen en een wat-als-analyse uit te voeren. Dit bericht houdt geen rekening met weergegevens voor modeltraining. Wel kunt u weergegevens toevoegen, gezien de correlatie met het waterverbruik.
Voorwaarden
Voordat we aan de slag gaan, stellen we onze middelen in. Voor dit bericht gebruiken we de us-east-1-regio.
- Maak een Amazon eenvoudige opslagservice (Amazon S3) bucket voor het opslaan van de historische tijdreeksgegevens. Raadpleeg voor instructies Maak je eerste S3-bucket.
- Download gegevensbestanden van de GitHub repo en upload naar de nieuw gemaakte S3-bucket.
- Maak een nieuw AWS Identiteits- en toegangsbeheer (IAM) rol. Voor instructies, zie Machtigingen instellen voor Amazon Forecast. Zorg ervoor dat u de naam van uw S3-bucket opgeeft.
Maak een datasetgroep en datasets
Dit bericht demonstreert twee gebruiksscenario's met betrekking tot de voorspelling van de vraag naar water: het voorspellen van de vraag naar water op basis van het waterverbruik in het verleden en het uitvoeren van een wat-als-analyse voor een grotere vraag.
Forecast kan drie soorten datasets accepteren: target time series (TTS), related time series (RTS) en item metadata (IM). Doeltijdreeksgegevens definiรซren de historische vraag naar de resources die u voorspelt. De doeltijdreeksgegevensset is verplicht. Een gerelateerde tijdreeksgegevensset bevat tijdreeksgegevens die niet zijn opgenomen in een doeltijdreeksgegevensset en kan de nauwkeurigheid van uw voorspelling verbeteren.
In ons voorbeeld bevat de doeltijdreeksgegevensset item_id- en tijdstempeldimensies, en bevat de complementaire gerelateerde tijdreeksgegevensset no_of_consumer. Een belangrijke opmerking bij deze dataset: de TTS eindigt op 2023-01-01 en de RTS eindigt op 2023-01-15. Bij het uitvoeren van wat-als-scenario's is het belangrijk om RTS-variabelen buiten de bekende tijdshorizon in TTS te manipuleren.
Om een โโwat-als-analyse uit te voeren, moeten we twee CSV-bestanden importeren die de beoogde tijdreeksgegevens en de gerelateerde tijdreeksgegevens vertegenwoordigen. Ons voorbeeld van een doeltijdreeksbestand bevat de item_id, tijdstempel en vraag, en ons gerelateerde tijdreeksbestand bevat de product item_id, tijdstempel en no_of consumer.
Voer de volgende stappen uit om uw gegevens te importeren:
- Kies in de prognoseconsole Bekijk datasetgroepen.
- Kies Datasetgroep maken.
- Voor Naam gegevensgroep, voer een naam in (voor dit bericht,
water_consumption_datasetgroup
). - Voor Voorspellingsdomein, kies een prognosedomein (voor dit bericht, Eigen).
- Kies Volgende.
- Op de Doeltijdreeksgegevensset maken pagina, geeft u de naam van de gegevensset, de frequentie van uw gegevens en het gegevensschema op.
- Op de Gegevens importeren gegevensset pagina, voert u een importnaam voor de gegevensset in.
- Voor Bestandstype importerenselecteer CSV en voer de gegevenslocatie in.
- Kies als vereiste de IAM-rol die u eerder hebt gemaakt.
- Kies Start.
U wordt omgeleid naar het dashboard dat u kunt gebruiken om de voortgang bij te houden.
- Om het gerelateerde tijdreeksbestand te importeren, kiest u op het dashboard import.
- Op de Maak een gerelateerde tijdreeksgegevensset pagina, geeft u de naam van de dataset en het dataschema op.
- Op de Gegevens importeren gegevensset pagina, voert u een importnaam voor de gegevensset in.
- Voor Bestandstype importerenselecteer CSV en voer de gegevenslocatie in.
- Kies de IAM-rol die u eerder hebt gemaakt.
- Kies Start.
Train een voorspeller
Vervolgens trainen we een voorspeller.
- Kies op het dashboard Start voor Train een voorspeller.
- Op de Train voorspeller pagina, voer een naam in voor uw voorspelling.
- Geef aan hoe lang in de toekomst u wilt voorspellen en met welke frequentie.
- Geef het aantal kwantielen op waarvoor u een prognose wilt maken.
Forecast gebruikt AutoPredictor om voorspellers te maken. Voor meer informatie, zie Voorspellers trainen.
- Kies creรซren.
Maak een prognose
Nadat onze predictor getraind is (dit kan ongeveer 3.5 uur duren), maken we een forecast. U zult weten dat uw voorspeller is getraind wanneer u de Bekijk voorspellers knop op uw dashboard.
- Kies Start voor Prognoses genereren op het dashboard.
- Op de Maak een prognose pagina, voert u een prognosenaam in.
- Voor predictor, kies de voorspelling die u hebt gemaakt.
- Geef desgewenst de prognosekwantielen op.
- Geef de artikelen op waarvoor u een prognose wilt genereren.
- Kies Start.
Vraag uw prognose op
U kunt een prognose opvragen met behulp van de Query prognose optie. Standaard wordt het volledige bereik van de prognose geretourneerd. Binnen de volledige prognose kunt u een specifiek datumbereik aanvragen. Wanneer u een prognose opvraagt, moet u filtercriteria opgeven. Een filter is een sleutel-waardepaar. De sleutel is een van de schemakenmerknamen (inclusief prognosedimensies) uit een van de gegevenssets die zijn gebruikt om de prognose te maken. De waarde is een geldige waarde voor de opgegeven sleutel. U kunt meerdere sleutel-waardeparen opgeven. De geretourneerde prognose bevat alleen artikelen die aan alle criteria voldoen.
- Kies Query prognose op het dashboard.
- Geef de filtercriteria voor startdatum en einddatum op.
- Geef uw prognosesleutel en -waarde op.
- Kies Ontvang prognose.
De volgende schermafbeelding toont het voorspelde energieverbruik voor hetzelfde appartement (item-ID A_10001) met behulp van het prognosemodel.
Maak een wat-als-analyse
Op dit punt hebben we onze basisprognose gemaakt en kunnen we nu een wat-als-analyse uitvoeren. Laten we ons een scenario voorstellen waarin een bestaand appartementengebouw een uitbreiding toevoegt en het aantal huishoudens en mensen met 20% toeneemt. Nu moet u een analyse uitvoeren om een โโgroter aanbod te voorspellen op basis van een grotere vraag.
Er zijn drie fasen voor het uitvoeren van een wat-als-analyse: het opzetten van de analyse, het maken van de wat-als-voorspelling door te definiรซren wat er in het scenario is veranderd, en het vergelijken van de resultaten.
- Kies om uw analyse in te stellen Verken wat-als-analyse op het dashboard.
- Kies creรซren.
- Voer een unieke naam in en kies de basislijnprognose.
- Kies de items in uw dataset waarvoor u een wat-als-analyse wilt uitvoeren. Je hebt twee opties:
- Selecteer alle artikelen is de standaard, die we in dit bericht kiezen.
- Als u specifieke items wilt kiezen, kiest u Selecteer items met een bestand en importeer een CSV-bestand met de unieke identificatie voor het overeenkomstige item en eventuele bijbehorende dimensies.
- Kies Maak een wat-als-analyse.
Maak een wat-als-prognose
Vervolgens maken we een wat-als-voorspelling om het scenario te definiรซren dat we willen analyseren.
- In het Wat-als-voorspelling sectie, kies creรซren.
- Voer een naam in voor uw scenario.
- U kunt uw scenario op twee manieren definiรซren:
- Gebruik transformatiefuncties โ Gebruik de transformatiebouwer om de gerelateerde tijdreeksgegevens die u hebt geรฏmporteerd te transformeren. Voor deze walkthrough evalueren we hoe de vraag naar een item in onze dataset verandert wanneer het aantal consumenten met 20% toeneemt in vergelijking met de prijs in de basisprognose.
- Definieer de wat-als-prognose met een vervangende dataset โ Vervang de gerelateerde tijdreeksgegevensset die u hebt geรฏmporteerd.
Voor ons voorbeeld creรซren we een scenario waarin we verhogen no_of_consumer
met 20% van toepassing op item-ID A_10001
en no_of_consumer
is een functie in de dataset. U hebt deze analyse nodig om de watervoorziening voor een grotere vraag te voorspellen en eraan te voldoen. Deze analyse helpt u ook om een โโkosteneffectief contract te maken op basis van de prognose van de watervraag.
- Voor What-if-voorspellingsdefinitiemethodeselecteer Gebruik transformatiefuncties.
- Kies Vermenigvuldigen als onze operator, no_of_consumer als onze tijdreeks, en voer 1.2.
- Kies Voorwaarde toevoegen.
- Kies Is gelijk aan als bewerking en voer A_10001 in voor item_id.
- Kies creรซren.
Vergelijk de prognoses
We kunnen nu de wat-als-prognoses voor onze beide scenario's vergelijken, waarbij we een toename van 20% van het aantal consumenten vergelijken met de basisvraag.
- Navigeer op de pagina met analyse-inzichten naar de Vergelijk wat-als-prognoses pagina.
- Voor item_id, voer het item in dat u wilt analyseren (in ons scenario voert u
A_10001
). - Voor Wat-als-voorspellingen, kiezen
water_demand_whatif_analyis
. - Kies Vergelijk wat-als.
- U kunt de basislijnprognose voor de analyse kiezen.
De volgende grafiek toont de resulterende vraag voor ons scenario. De rode lijn toont de voorspelling van het toekomstige waterverbruik voor een bevolking die met 20% is toegenomen. Het prognosetype P90 geeft aan dat de werkelijke waarde naar verwachting 90% van de tijd lager zal zijn dan de voorspelde waarde. U kunt deze vraagprognose gebruiken om de watervoorziening effectief te beheren voor een grotere vraag en om serviceonderbrekingen te voorkomen.
Exporteer uw gegevens
Voer de volgende stappen uit om uw gegevens naar CSV te exporteren:
- Kies Export maken.
- Voer een naam in voor uw exportbestand (voor dit bericht,
water_demand_export
). - Geef de te exporteren scenario's op door de scenario's op het Wat-als-voorspelling drop-down menu.
U kunt meerdere scenario's tegelijk exporteren in een gecombineerd bestand.
- Voor Locatie exporteren, geeft u de Amazon S3-locatie op.
- Kies om te beginnen met exporteren Exporteren maken.
- Om de export te downloaden, navigeert u naar de locatie van het S3-bestandspad op de Amazon S3-console, selecteert u het bestand en kiest u Downloaden.
Het exportbestand bevat de timestamp
, item_id
en forecasts
voor elk kwantiel voor alle geselecteerde scenario's (inclusief het basisscenario).
Ruim de middelen op
Om te voorkomen dat er in de toekomst kosten in rekening worden gebracht, verwijdert u de bronnen die door deze oplossing zijn gemaakt:
- Verwijder de prognosebronnen jij hebt gemaakt.
- Verwijder de S3-bucket.
Conclusie
In dit bericht hebben we je laten zien hoe eenvoudig je Forecast en de onderliggende systeemarchitectuur kunt gebruiken om de watervraag te voorspellen met behulp van waterverbruiksgegevens. Een wat-als-scenarioanalyse is een essentieel hulpmiddel om door de onzekerheden van het bedrijfsleven te navigeren. Het biedt een vooruitziende blik en een mechanisme om ideeรซn te stresstesten, waardoor bedrijven veerkrachtiger, beter voorbereid en controle over hun toekomst krijgen. Andere nutsbedrijven, zoals elektriciteits- of gasaanbieders, kunnen Forecast gebruiken om oplossingen te bouwen en op een kosteneffectieve manier aan de vraag naar nutsvoorzieningen te voldoen.
De stappen in dit bericht laten zien hoe de oplossing op de AWS-beheerconsole. Om Forecast API's direct te gebruiken voor het bouwen van de oplossing, volgt u het notitieboekje in onze GitHub repo.
We moedigen u aan om meer te leren door een bezoek te brengen aan de Handleiding voor ontwikkelaars van Amazon-voorspellingen en probeer de end-to-end-oplossing van deze services uit met een dataset die relevant is voor uw zakelijke KPI's.
Over de auteur
Dhiraj Thakuro is een Solutions Architect bij Amazon Web Services. Hij werkt samen met AWS-klanten en -partners om advies te geven over de acceptatie, migratie en strategie van enterprise-cloud. Hij is gepassioneerd door technologie en geniet van het bouwen en experimenteren op het gebied van analyse en AI / ML.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Over
- ACCEPTEREN
- toegang
- nauwkeurigheid
- accuraat
- nauwkeurig
- verwerven
- over
- toegevoegd
- Extra
- Daarnaast
- adres
- Voegt
- Adoptie
- invloed hebben op
- agentschappen
- agentschap
- landbouw
- vooruit
- AI / ML
- AIR
- Alles
- alternatief
- altijd
- Amazone
- Amazon voorspelling
- Amazon Web Services
- onder
- analyse
- analytics
- analyseren
- en
- Appartement
- appartementen
- APIs
- toepasselijk
- ongeveer
- architectuur
- GEBIED
- rond
- geassocieerd
- vermijd
- AWS
- Balance
- baseren
- gebaseerde
- Baseline
- omdat
- worden
- vaardigheden
- geloofd wie en wat je bent
- Betere
- tussen
- Verder
- bouw
- bouwer
- Gebouw
- bouwt
- bedrijfsdeskundigen
- ondernemingen
- Het vastleggen
- voorzichtig
- geval
- gevallen
- zeker
- uitdagend
- Wijzigingen
- veranderende
- lasten
- Kies
- Cloud
- cloud adoptie
- cloud infrastructuur
- verzamelt
- combinatie van
- gecombineerde
- verplichting
- Gemeen
- vergelijken
- vergeleken
- vergelijken
- complementair
- compleet
- computergebruik
- Gedrag
- uitvoeren
- Overwegen
- troosten
- consument
- Consumenten
- consumptie
- bevat
- contract
- contracten
- onder controle te houden
- Correlatie
- Overeenkomend
- kostenefficient
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- criteria
- kritisch
- klant
- Klanten
- dashboards
- gegevens
- datasets
- Datum
- dag
- Standaard
- definieert
- het definiรซren van
- Vraag
- Eis voorspelling
- gedemonstreerd
- Ontwikkelaar
- Ontwikkeling
- anders
- Afmeting
- direct
- Nee
- domein
- Dont
- Download
- gedurende
- dynamisch
- elk
- Vroeger
- Economisch
- Economische ontwikkeling
- effectief
- efficiรซnt
- elektriciteit
- ingeschakeld
- maakt
- aanmoedigen
- eind tot eind
- eindigt
- energie-niveau
- Energieverbruik
- genoeg
- Enter
- Enterprise
- Ether (ETH)
- schatten
- voorbeeld
- bestaand
- verwacht
- duur
- ervaring
- Verklaren
- exporteren
- uitbreiding
- Gezicht
- sneller
- Kenmerk
- honorarium
- Dien in
- Bestanden
- filter
- filtering
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- richt
- volgen
- volgend
- Voorspelling
- Frequentie
- oppompen van
- geheel
- functies
- toekomst
- GAS
- voortbrengen
- het krijgen van
- gegeven
- diagram
- Groep
- Groep
- Behandeling
- oogst
- hulp
- helpt
- hoger
- zeer
- historisch
- horizont
- HOURS
- huishoudens
- huizen
- Hoe
- How To
- Echter
- HTML
- HTTPS
- IAM
- ideeรซn
- identificatie
- Identiteit
- Impact
- importeren
- belangrijk
- verbeteren
- verbeterd
- in
- inclusief
- omvat
- Inclusief
- Laat uw omzet
- meer
- Verhoogt
- geeft aan
- -industrie
- informatie
- Infrastructuur
- inzichten
- instructies
- inventaris
- Voorraadbeheer
- onderzoeken
- IT
- artikelen
- Houden
- sleutel
- blijven
- bekend
- LEARN
- leren
- verlaten
- Lijn
- Lives
- leven
- plaats
- lang
- Laag
- lage prijzen
- machine
- machine learning
- maken
- beheer
- beheerd
- management
- verplicht
- handmatig
- mechanisme
- Maak kennis met
- Menu
- Metadata
- macht
- migratie
- minimum
- ML
- model
- modellen
- meer
- ochtend
- meest
- meervoudig
- naam
- namen
- Naturel
- OP DEZE WEBSITE VIND JE
- Noodzaak
- New
- notitieboekje
- aantal
- EEN
- operatie
- Operations
- operator
- Keuze
- Opties
- bestellen
- Overige
- totaal
- paren
- vooral
- partners
- hartstochtelijk
- verleden
- pad
- patronen
- Betaal
- Mensen
- percentage
- uitvoeren
- uitvoerend
- permissies
- kiezen
- plan
- planning
- Plato
- Plato gegevensintelligentie
- PlatoData
- punt
- bevolking
- Post
- potentieel
- voorspellen
- voorspeld
- het voorspellen van
- predictor
- bereid
- prijs
- Prijzen
- primair
- Voorafgaand
- Product
- Voortgang
- zorgen voor
- leverancier
- providers
- biedt
- het verstrekken van
- voorziening
- Quick
- reeks
- redenen
- Rood
- regio
- verwant
- relevante
- verwijderen
- vervangen
- vertegenwoordigen
- te vragen
- veerkrachtig
- hulpbron
- Resources
- verkregen
- Resultaten
- stijgende
- Rol
- lopen
- dezelfde
- scenario's
- naadloos
- sectie
- gekozen
- selecteren
- -Series
- service
- Diensten
- reeks
- het instellen van
- verscheidene
- Shows
- Eenvoudig
- So
- oplossing
- Oplossingen
- bronnen
- Zuidelijk
- Tussenruimte
- specifiek
- gespecificeerd
- stabiel
- stadia
- begin
- gestart
- Stappen
- mediaopslag
- shop
- Strategie
- structuur
- voldoende
- zomer
- leveren
- Vraag en aanbod
- system
- Nemen
- doelwit
- Technologie
- De
- De omgeving
- De toekomst
- hun
- daarom
- drie
- Door
- overal
- niet de tijd of
- Tijdreeksen
- keer
- tijdstempel
- naar
- tools
- spoor
- Trainen
- getraind
- Trainingen
- Transformeren
- Transformatie
- reizen
- waar
- echte waarde
- types
- onzekerheden
- voor
- die ten grondslag liggen
- unieke
- eenheden
- Gebruik
- .
- use case
- utility
- waarde
- variรซteit
- walkthrough
- Water
- Weer
- web
- webservices
- Wat
- Wat is
- welke
- en
- breed
- wil
- Winter
- binnen
- zonder
- Workforce
- Bedrijven
- Your
- zephyrnet