Amazon Prognose er en fullstendig administrert tjeneste som bruker maskinlæring (ML) for å generere svært nøyaktige prognoser, uten å kreve noen tidligere ML-erfaring. Prognose kan brukes i et bredt spekter av brukstilfeller, inkludert estimering av tilbud og etterspørsel for lagerstyring, prognoser for reisebehov, planlegging av arbeidsstyrke og bruk av dataskyinfrastruktur.
Du kan bruke Forecast til sømløst å utføre hva-hvis-analyser opptil 80 % raskere for å analysere og kvantifisere den potensielle effekten av forretningshendelser på etterspørselsprognosene dine. En hva-hvis-analyse hjelper deg med å undersøke og forklare hvordan ulike scenarier kan påvirke grunnprognosen opprettet av Forecast. Med Forecast er det ingen servere å klargjøre eller ML-modeller å bygge manuelt. I tillegg betaler du bare for det du bruker, og det er ingen minimumsavgift eller forhåndsavtale. For å bruke prognose trenger du bare å oppgi historiske data for det du vil spå, og eventuelt tilleggsdata som du tror kan påvirke prognosene dine.
Vannverksleverandører har flere prognosebrukstilfeller, men primært blant dem er å forutsi vannforbruk i et område eller en bygning for å møte etterspørselen. Det er også viktig for forsyningsleverandører å forutsi det økte forbruksbehovet på grunn av flere leiligheter lagt til i en bygning eller flere hus i området. Det er avgjørende å forutsi vannforbruk nøyaktig for å unngå eventuelle serviceavbrudd for kunden.
Dette innlegget utforsker bruken av Forecast for å adressere denne brukssaken ved å bruke historiske tidsseriedata.
Løsningsoversikt
Vann er en naturressurs og svært kritisk for industri, landbruk, husholdninger og våre liv. Nøyaktig prognoser for vannforbruk er avgjørende for å sikre at et byrå kan drive den daglige driften effektivt. Vannforbruksprognoser er spesielt utfordrende fordi etterspørselen er dynamisk, og sesongmessige værendringer kan ha innvirkning. Det er viktig å forutsi vannforbruk nøyaktig slik at kundene ikke møter noen tjenesteavbrudd og for å kunne tilby en stabil tjeneste samtidig som de opprettholder lave priser. Forbedret prognose lar deg planlegge fremover for å strukturere mer kostnadseffektive fremtidige kontrakter. Følgende er de to vanligste brukstilfellene:
- Bedre etterspørselsstyring – Som et forsyningsbyrå må du finne en balanse mellom vannbehov og tilgang. Byrået samler inn informasjon som antall personer som bor i en leilighet og antall leiligheter i en bygning før tjenesten ytes. Som et energibyrå må du balansere samlet tilbud og etterspørsel. Du må lagre nok vann for å dekke behovet. Dessuten har etterspørselsprognoser blitt mer utfordrende av følgende grunner:
- Etterspørselen er ikke stabil til enhver tid og varierer i løpet av dagen. For eksempel er vannforbruket ved midnatt mye mindre sammenlignet med om morgenen.
- Været kan også ha innvirkning på det totale forbruket. For eksempel er vannforbruket høyere om sommeren enn om vinteren på den nordlige halvkule, og omvendt på den sørlige halvkule.
- Det er ikke nok nedbør eller vannlagringsmekanismer (innsjøer, reservoarer), eller vannfiltreringen er utilstrekkelig. Om sommeren kan etterspørselen ikke alltid følge med tilbudet. Vannetatene må spå nøye for å skaffe andre kilder, som kan være dyrere. Derfor er det avgjørende for forsyningsselskaper å finne alternative vannkilder som å høste regnvann, fange opp kondens fra luftbehandlingsenheter eller gjenvinne avløpsvann.
- Gjennomføre en hva-hvis-analyse for økt etterspørsel – Etterspørselen etter vann øker av flere årsaker. Dette inkluderer en kombinasjon av befolkningsvekst, økonomisk utvikling og endrede forbruksmønstre. La oss forestille oss et scenario der en eksisterende bygård bygger et tilbygg og antall husstander og personer øker med en viss prosentandel. Nå må du gjøre en analyse for å forutsi tilbudet for økt etterspørsel. Dette hjelper deg også med å lage en kostnadseffektiv kontrakt for økt etterspørsel.
Prognoser kan være utfordrende fordi du først trenger nøyaktige modeller for å forutsi etterspørsel og deretter en rask og enkel måte å reprodusere prognosen på tvers av en rekke scenarier.
Dette innlegget fokuserer på en løsning for å utføre prognoser om vannforbruk og en hva-hvis-analyse. Dette innlegget tar ikke hensyn til værdata for modelltrening. Du kan imidlertid legge til værdata, gitt deres korrelasjon til vannforbruk.
Forutsetninger
Før vi begynner, setter vi opp ressursene våre. For dette innlegget bruker vi us-east-1-regionen.
- Lag en Amazon enkel lagringstjeneste (Amazon S3) bøtte for lagring av historiske tidsseriedata. For instruksjoner, se Lag din første S3-bøtte.
- Last ned datafiler fra GitHub repo og last opp til den nyopprettede S3-bøtten.
- Lage en ny AWS identitets- og tilgangsadministrasjon (JEG ER) rolle. For instruksjoner, se Sett opp tillatelser for Amazon Forecast. Sørg for å oppgi navnet på S3-bøtten din.
Opprett en datasettgruppe og datasett
Dette innlegget demonstrerer to brukstilfeller knyttet til prognose for vannbehov: prognoser for vannbehov basert på tidligere vannforbruk, og gjennomføring av en hva-hvis-analyse for økt etterspørsel.
Forecast kan godta tre typer datasett: måltidsserier (TTS), relaterte tidsserier (RTS) og elementmetadata (IM). Måltidsseriedata definerer den historiske etterspørselen etter ressursene du forutsier. Måltidsseriedatasettet er obligatorisk. Et relatert tidsseriedatasett inkluderer tidsseriedata som ikke er inkludert i et måltidsseriedatasett og kan forbedre nøyaktigheten til prediktoren din.
I vårt eksempel inneholder måltidsseriedatasettet item_id og tidsstempeldimensjoner, og det komplementære relaterte tidsseriedatasettet inkluderer no_of_consumer. En viktig merknad med dette datasettet: TTS slutter 2023-01-01, og RTS slutter 2023-01-15. Når du utfører hva-hvis-scenarier, er det viktig å manipulere RTS-variabler utover din kjente tidshorisont i TTS.
For å utføre en hva-hvis-analyse, må vi importere to CSV-filer som representerer måltidsseriedataene og de relaterte tidsseriedataene. Vår eksempelmåltidsseriefil inneholder item_id, timestamp og demand, og vår relaterte tidsseriefil inneholder product item_id, timestamp og no_of consumer.
For å importere dataene dine, fullfør følgende trinn:
- På prognosekonsollen velger du Se datasettgrupper.
- Velg Opprett datasettgruppe.
- Til Datasettgruppenavn, skriv inn et navn (for dette innlegget,
water_consumption_datasetgroup
). - Til Prognosedomen, velg et prognosedomene (for dette innlegget, Custom).
- Velg neste.
- På Opprett måltidsseriedatasett side, oppgi datasettnavnet, frekvensen til dataene dine og dataskjemaet.
- På Detaljer om datasettimport side, skriv inn et datasettimportnavn.
- Til Importer filtype, plukke ut CSV og angi dataplasseringen.
- Velg IAM-rollen du opprettet tidligere som en forutsetning.
- Velg Start.
Du blir omdirigert til dashbordet som du kan bruke til å spore fremdriften.
- For å importere den relaterte tidsseriefilen, velg på dashbordet Import.
- På Opprett relatert tidsseriedatasett side, oppgi datasettnavnet og dataskjemaet.
- På Detaljer om datasettimport side, skriv inn et datasettimportnavn.
- Til Importer filtype, plukke ut CSV og angi dataplasseringen.
- Velg IAM-rollen du opprettet tidligere.
- Velg Start.
Tren en prediktor
Deretter trener vi en prediktor.
- Velg på dashbordet Start etter Tren en prediktor.
- På Tog prediktor side, skriv inn et navn for prediktoren din.
- Spesifiser hvor lang tid i fremtiden du vil spå og med hvilken frekvens.
- Spesifiser antall kvantiler du vil spå for.
Forecast bruker AutoPredictor for å lage prediktorer. For mer informasjon, se Treningsprediktorer.
- Velg Opprett.
Lag en prognose
Etter at prediktoren vår er trent (dette kan ta ca. 3.5 timer), lager vi en prognose. Du vil vite at prediktoren din er trent når du ser Se prediktorer knappen på dashbordet.
- Velg Start etter Generer prognoser på dashbordet.
- På Lag en prognose side, skriv inn et prognosenavn.
- Til Predictor, velg prediktoren du opprettet.
- Spesifiser eventuelt prognosekvantilene.
- Spesifiser elementene som skal genereres en prognose for.
- Velg Start.
Spør prognosen din
Du kan spørre etter en prognose ved å bruke Spør prognose alternativ. Som standard returneres hele området for prognosen. Du kan be om en bestemt datoperiode innenfor hele prognosen. Når du spør etter en prognose, må du spesifisere filtreringskriterier. Et filter er et nøkkelverdi-par. Nøkkelen er ett av skjemaattributtnavnene (inkludert prognosedimensjoner) fra et av datasettene som brukes til å lage prognosen. Verdien er en gyldig verdi for den angitte nøkkelen. Du kan spesifisere flere nøkkelverdi-par. Den returnerte prognosen vil kun inneholde elementer som tilfredsstiller alle kriteriene.
- Velg Spør prognose på dashbordet.
- Oppgi filterkriteriene for startdato og sluttdato.
- Spesifiser prognosenøkkelen og verdien.
- Velg Få prognose.
Følgende skjermbilde viser forventet energiforbruk for samme leilighet (vare-ID A_10001) ved bruk av prognosemodellen.
Lag en hva-hvis-analyse
På dette tidspunktet har vi laget vår baseline prognose kan nå utføre en hva-hvis-analyse. La oss tenke oss et scenario der en eksisterende bygård legger til en utvidelse, og antallet husstander og personer øker med 20 %. Nå må du gjøre en analyse for å forutsi økt tilbud basert på økt etterspørsel.
Det er tre stadier for å gjennomføre en hva-hvis-analyse: sette opp analysen, lage hva-hvis-prognosen ved å definere hva som endres i scenariet, og sammenligne resultatene.
- For å sette opp analysen, velg Utforsk hva-hvis-analyse på dashbordet.
- Velg Opprett.
- Skriv inn et unikt navn og velg grunnprognosen.
- Velg elementene i datasettet du vil utføre en hva hvis-analyse for. Du har to alternativer:
- Velg alle elementer er standard, som vi velger i dette innlegget.
- Hvis du vil velge spesifikke elementer, velg Velg elementer med en fil og importere en CSV-fil som inneholder den unike identifikatoren for den tilsvarende varen og eventuelle tilknyttede dimensjoner.
- Velg Lag hva-hvis-analyse.
Lag en hva-hvis-prognose
Deretter lager vi en hva-hvis-prognose for å definere scenariet vi ønsker å analysere.
- på Hva-hvis-prognose delen velger Opprett.
- Skriv inn et navn på scenariet ditt.
- Du kan definere scenarioet ditt gjennom to alternativer:
- Bruk transformasjonsfunksjoner – Bruk transformasjonsbyggeren til å transformere de relaterte tidsseriedataene du importerte. For denne gjennomgangen evaluerer vi hvordan etterspørselen etter en vare i datasettet vårt endres når antallet forbrukere øker med 20 % sammenlignet med prisen i grunnprognosen.
- Definer hva-hvis-prognosen med et erstatningsdatasett – Erstatt det relaterte tidsseriedatasettet du importerte.
For vårt eksempel lager vi et scenario der vi øker no_of_consumer
med 20 % gjeldende for vare-ID A_10001
og no_of_consumer
er en funksjon i datasettet. Du trenger denne analysen for å forutsi og møte vannforsyningen for økt etterspørsel. Denne analysen hjelper deg også med å lage en kostnadseffektiv kontrakt basert på vannbehovsprognosen.
- Til Hva om prognosedefinisjonsmetode, plukke ut Bruk transformasjonsfunksjoner.
- Velg Multipliser som vår operatør, no_of_consumer som vår tidsserie, og skriv inn 1.2.
- Velg Legg til betingelse.
- Velg Er lik som operasjonen og skriv inn A_10001 for item_id.
- Velg Opprett.
Sammenlign prognosene
Vi kan nå sammenligne hva-hvis-prognosene for begge scenariene våre, og sammenligne en 20 % økning i forbrukere med basisetterspørselen.
- Naviger til siden for analyseinnsikt Sammenlign hva-hvis-prognoser seksjon.
- Til ITEM_ID, skriv inn elementet som skal analyseres (i vårt scenario, enter
A_10001
). - Til Hva hvis-prognoser, velg
water_demand_whatif_analyis
. - Velg Sammenlign hva-hvis.
- Du kan velge grunnprognosen for analysen.
Følgende graf viser den resulterende etterspørselen for vårt scenario. Den røde linjen viser prognosen for fremtidig vannforbruk for 20 % økt befolkning. P90-prognosetypen indikerer at den sanne verdien forventes å være lavere enn den anslåtte verdien 90 % av tiden. Du kan bruke denne etterspørselsprognosen for å effektivt administrere vannforsyningen for økt etterspørsel og unngå eventuelle tjenesteavbrudd.
Eksporter dataene dine
For å eksportere dataene dine til CSV, fullfør følgende trinn:
- Velg Lag eksport.
- Skriv inn et navn for eksportfilen din (for dette innlegget,
water_demand_export
). - Spesifiser scenariene som skal eksporteres ved å velge scenariene på Hva-hvis-prognose nedtrekksmenyen.
Du kan eksportere flere scenarier samtidig i en kombinert fil.
- Til Eksporter sted, spesifiser Amazon S3-plasseringen.
- For å starte eksporten, velg Opprett eksport.
- For å laste ned eksporten, naviger til S3-filbanen på Amazon S3-konsollen, velg filen og velg Last ned.
Eksportfilen vil inneholde timestamp
, item_id
og forecasts
for hver kvantil for alle valgte scenarier (inkludert basisscenarioet).
Rydd opp i ressursene
For å unngå fremtidige kostnader, fjern ressursene som er opprettet av denne løsningen:
- Slett prognoseressursene du opprettet.
- Slett S3-bøtten.
konklusjonen
I dette innlegget viste vi deg hvor enkelt å bruke hvordan du bruker Forecast og dens underliggende systemarkitektur for å forutsi vannbehov ved hjelp av vannforbruksdata. En hva-hvis-scenarioanalyse er et kritisk verktøy for å hjelpe deg med å navigere gjennom usikkerhetene i virksomheten. Det gir framsyn og en mekanisme for å stressteste ideer, og etterlater bedrifter mer robuste, bedre forberedt og i kontroll over fremtiden. Andre forsyningsleverandører som elektrisitets- eller gassleverandører kan bruke Forecast til å bygge løsninger og møte forsyningsbehovet på en kostnadseffektiv måte.
Trinnene i dette innlegget demonstrerte hvordan du bygger løsningen på AWS-administrasjonskonsoll. For å bruke Forecast API-er direkte for å bygge løsningen, følg notatboken i vår GitHub repo.
Vi oppfordrer deg til å lære mer ved å besøke Amazon Forecast-utviklerveiledning og prøv ut ende-til-ende-løsningen aktivert av disse tjenestene med et datasett som er relevant for bedriftens KPIer.
om forfatteren
Dhiraj Thakur er en løsningsarkitekt med Amazon Web Services. Han jobber med AWS-kunder og partnere for å gi veiledning om cloud-adopsjon, migrasjon og strategi for enterprise. Han er lidenskapelig opptatt av teknologi og liker å bygge og eksperimentere i analytics og AI / ML-rommet.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Om oss
- Aksepterer
- adgang
- nøyaktighet
- nøyaktig
- nøyaktig
- erverve
- tvers
- la til
- Ytterligere
- I tillegg
- adresse
- Legger
- Adopsjon
- påvirke
- byråer
- byrå
- landbruk
- fremover
- AI / ML
- AIR
- Alle
- alternativ
- alltid
- Amazon
- Amazon Prognose
- Amazon Web Services
- blant
- analyse
- analytics
- analysere
- og
- Leilighet
- Leilighetene
- APIer
- aktuelt
- ca
- arkitektur
- AREA
- rundt
- assosiert
- unngå
- AWS
- Balansere
- basen
- basert
- Baseline
- fordi
- bli
- før du
- tro
- Bedre
- mellom
- Beyond
- bygge
- bygger
- Bygning
- bygger
- virksomhet
- bedrifter
- knapp
- fange
- nøye
- saken
- saker
- viss
- utfordrende
- Endringer
- endring
- avgifter
- Velg
- Cloud
- skyadopsjon
- sky infrastruktur
- innsamler
- kombinasjon
- kombinert
- engasjement
- Felles
- sammenligne
- sammenlignet
- sammenligne
- utfyllende
- fullføre
- databehandling
- Gjennomføre
- gjennomføre
- Vurder
- Konsoll
- forbruker
- Forbrukere
- forbruk
- inneholder
- kontrakt
- kontrakter
- kontroll
- Korrelasjon
- Tilsvarende
- kostnadseffektiv
- skape
- opprettet
- Opprette
- kriterier
- kritisk
- kunde
- Kunder
- dashbord
- dato
- datasett
- Dato
- dag
- Misligholde
- definerer
- definere
- Etterspørsel
- Forespørsel om etterspørsel
- demonstrert
- Utvikler
- Utvikling
- forskjellig
- dimensjoner
- direkte
- ikke
- domene
- ikke
- nedlasting
- under
- dynamisk
- hver enkelt
- Tidligere
- økonomisk
- Economic Development
- effektivt
- effektivt
- elektrisitet
- aktivert
- muliggjør
- oppmuntre
- ende til ende
- slutter
- energi
- Energiforbruk
- nok
- Enter
- Enterprise
- Eter (ETH)
- evaluere
- eksempel
- eksisterende
- forventet
- dyrt
- erfaring
- Forklar
- eksportere
- forlengelse
- Face
- raskere
- Trekk
- gebyr
- filet
- Filer
- filtrere
- filtrering
- Finn
- Først
- fokuserer
- følge
- etter
- Varsel
- Frekvens
- fra
- fullt
- funksjoner
- framtid
- GAS
- generere
- få
- gitt
- graf
- Gruppe
- Gruppens
- Vekst
- Håndtering
- høsting
- hjelpe
- hjelper
- høyere
- svært
- historisk
- horisont
- TIMER
- husholdninger
- hus
- Hvordan
- Hvordan
- Men
- HTML
- HTTPS
- IAM
- Ideer
- identifikator
- Identitet
- Påvirkning
- importere
- viktig
- forbedre
- forbedret
- in
- inkludert
- inkluderer
- Inkludert
- Øke
- økt
- øker
- indikerer
- industri
- informasjon
- Infrastruktur
- innsikt
- instruksjoner
- inventar
- Inventory Management
- undersøke
- IT
- varer
- Hold
- nøkkel
- Vet
- kjent
- LÆRE
- læring
- forlater
- linje
- Bor
- levende
- plassering
- Lang
- Lav
- lave priser
- maskin
- maskinlæring
- gjøre
- administrer
- fikk til
- ledelse
- obligatorisk
- manuelt
- mekanisme
- Møt
- Meny
- metadata
- kunne
- migrasjon
- minimum
- ML
- modell
- modeller
- mer
- morgen
- mest
- flere
- navn
- navn
- Naturlig
- Naviger
- Trenger
- Ny
- bærbare
- Antall
- ONE
- drift
- Drift
- operatør
- Alternativ
- alternativer
- rekkefølge
- Annen
- samlet
- par
- spesielt
- partnere
- lidenskapelig
- Past
- banen
- mønstre
- Betale
- porsjoner
- prosent
- utføre
- utfører
- tillatelser
- plukke
- fly
- planlegging
- plato
- Platon Data Intelligence
- PlatonData
- Point
- befolkningen
- Post
- potensiell
- forutsi
- spådd
- forutsi
- Predictor
- forberedt
- pris
- Prisene
- primære
- Før
- Produkt
- Progress
- gi
- leverandør
- tilbydere
- gir
- gi
- forsyning
- Rask
- område
- grunner
- Rød
- region
- i slekt
- relevant
- fjerne
- erstatte
- representerer
- anmode
- spenstig
- ressurs
- Ressurser
- resulterende
- Resultater
- stiger
- Rolle
- Kjør
- samme
- scenarier
- sømløst
- Seksjon
- valgt
- velge
- Serien
- tjeneste
- Tjenester
- sett
- innstilling
- flere
- Viser
- Enkelt
- So
- løsning
- Solutions
- Kilder
- Southern
- Rom
- spesifikk
- spesifisert
- stabil
- stadier
- Begynn
- startet
- Steps
- lagring
- oppbevare
- Strategi
- struktur
- tilstrekkelig
- sommer
- levere
- Tilbud og etterspørsel
- system
- Ta
- Target
- Teknologi
- De
- Området
- Fremtiden
- deres
- derfor
- tre
- Gjennom
- hele
- tid
- Tidsserier
- ganger
- tidsstempel
- til
- verktøy
- spor
- Tog
- trent
- Kurs
- Transform
- Transformation
- reiser
- sant
- sann verdi
- typer
- usikkerheter
- etter
- underliggende
- unik
- lomper
- bruk
- bruke
- bruk sak
- verktøyet
- verdi
- variasjon
- walkthrough
- Vann
- Vær
- web
- webtjenester
- Hva
- Hva er
- hvilken
- mens
- bred
- vil
- Vinter
- innenfor
- uten
- arbeidsstyrke
- virker
- Din
- zephyrnet