Previsão da Amazônia é um serviço totalmente gerenciado que usa aprendizado de máquina (ML) para gerar previsões altamente precisas, sem exigir nenhuma experiência anterior em ML. A previsão é aplicável em uma ampla variedade de casos de uso, incluindo estimativa de oferta e demanda para gerenciamento de estoque, previsão de demanda de viagens, planejamento de força de trabalho e uso de infraestrutura de nuvem de computação.
Você pode usar o Forecast para realizar análises hipotéticas até 80% mais rápidas para analisar e quantificar o impacto potencial das alavancas de negócios em suas previsões de demanda. Uma análise hipotética ajuda a investigar e explicar como diferentes cenários podem afetar a previsão de linha de base criada pelo Forecast. Com o Forecast, não há servidores para provisionar ou modelos de ML para construir manualmente. Além disso, você paga apenas pelo que usa e não há taxa mínima ou compromisso inicial. Para usar o Forecast, você só precisa fornecer dados históricos para o que deseja prever e, opcionalmente, quaisquer dados adicionais que você acredita que possam afetar suas previsões.
Os fornecedores de serviços de água têm vários casos de uso de previsão, mas o principal deles é prever o consumo de água em uma área ou edifício para atender à demanda. Além disso, é importante que os provedores de serviços públicos prevejam o aumento da demanda de consumo devido a mais apartamentos adicionados em um prédio ou mais casas na área. Prever o consumo de água com precisão é fundamental para evitar interrupções no serviço ao cliente.
Esta postagem explora o uso de Previsão para abordar esse caso de uso usando dados históricos de séries temporais.
Visão geral da solução
A água é um recurso natural e muito crítico para a indústria, agricultura, residências e nossas vidas. A previsão precisa do consumo de água é fundamental para garantir que uma agência possa executar as operações diárias com eficiência. A previsão do consumo de água é particularmente desafiadora porque a demanda é dinâmica e as mudanças climáticas sazonais podem ter um impacto. Prever o consumo de água com precisão é importante para que os clientes não enfrentem interrupções de serviço e para fornecer um serviço estável, mantendo preços baixos. A previsão aprimorada permite que você planeje com antecedência para estruturar contratos futuros com melhor custo-benefício. A seguir estão os dois casos de uso mais comuns:
- Melhor gerenciamento da demanda – Como uma agência fornecedora de serviços públicos, você precisa encontrar um equilíbrio entre a demanda e a oferta de água. A agência coleta informações como número de pessoas que moram em um apartamento e número de apartamentos em um prédio antes de fornecer o serviço. Como uma agência de serviços públicos, você deve equilibrar a oferta e a demanda agregadas. Você precisa armazenar água suficiente para atender à demanda. Além disso, a previsão de demanda tornou-se mais desafiadora pelos seguintes motivos:
- A demanda não é estável o tempo todo e varia ao longo do dia. Por exemplo, o consumo de água à meia-noite é muito menor em comparação com a manhã.
- O clima também pode ter um impacto no consumo geral. Por exemplo, o consumo de água é maior no verão do que no inverno no hemisfério norte, e vice-versa no hemisfério sul.
- Não há chuva suficiente ou mecanismos de armazenamento de água (lagos, reservatórios) ou a filtragem da água é insuficiente. Durante o verão, a demanda nem sempre consegue acompanhar a oferta. Os órgãos de água precisam se prever com cuidado para adquirir outras fontes, que podem ser mais caras. Portanto, é fundamental que as concessionárias encontrem fontes alternativas de água, como coleta de água da chuva, captura de condensação de unidades de tratamento de ar ou recuperação de águas residuais.
- Realização de uma análise hipotética para aumento da demanda – A demanda por água está aumentando devido a vários motivos. Isso inclui uma combinação de crescimento populacional, desenvolvimento econômico e mudanças nos padrões de consumo. Vamos imaginar um cenário onde um prédio de apartamentos existente constrói uma extensão e o número de residências e pessoas aumenta em uma certa porcentagem. Agora é preciso fazer uma análise para prever a oferta para o aumento da demanda. Isso também ajuda você a fazer um contrato econômico para o aumento da demanda.
A previsão pode ser desafiadora porque primeiro você precisa de modelos precisos para prever a demanda e, em seguida, uma maneira rápida e simples de reproduzir a previsão em vários cenários.
Este post se concentra em uma solução para realizar a previsão de consumo de água e uma análise hipotética. Esta postagem não considera os dados meteorológicos para o treinamento do modelo. No entanto, você pode adicionar dados meteorológicos, dada a sua correlação com o consumo de água.
Pré-requisitos
Antes de começar, configuramos nossos recursos. Para esta postagem, usamos a região us-east-1.
- Crie uma Serviço de armazenamento simples da Amazon (Amazon S3) bucket para armazenar os dados históricos de séries temporais. Para obter instruções, consulte Crie seu primeiro bucket do S3.
- Baixe os arquivos de dados do GitHub repo e faça o upload para o bucket S3 recém-criado.
- Crie um novo Gerenciamento de acesso e identidade da AWS (IAM) papel. Para obter instruções, consulte Configurar permissões para o Amazon Forecast. Certifique-se de fornecer o nome do seu bucket S3.
Criar um grupo de conjuntos de dados e conjuntos de dados
Este post demonstra dois casos de uso relacionados à previsão de demanda de água: previsão da demanda de água com base no consumo de água passado e realização de uma análise hipotética para o aumento da demanda.
A previsão pode aceitar três tipos de conjuntos de dados: série temporal de destino (TTS), série temporal relacionada (RTS) e metadados de item (IM). Os dados de série temporal de destino definem a demanda histórica dos recursos que você está prevendo. O conjunto de dados de série temporal de destino é obrigatório. Um conjunto de dados de série temporal relacionado inclui dados de série temporal que não estão incluídos em um conjunto de dados de série temporal de destino e pode melhorar a precisão do seu preditor.
Em nosso exemplo, o conjunto de dados de série temporal de destino contém as dimensões item_id e timestamp, e o conjunto de dados de série temporal relacionado complementar inclui no_of_consumer. Uma observação importante com este conjunto de dados: o TTS termina em 2023/01/01 e o RTS termina em 2023/01/15. Ao executar cenários hipotéticos, é importante manipular as variáveis RTS além do seu horizonte de tempo conhecido no TTS.
Para realizar uma análise hipotética, precisamos importar dois arquivos CSV representando os dados de série temporal de destino e os dados de série temporal relacionados. Nosso arquivo de série temporal de destino de exemplo contém item_id, carimbo de data/hora e demanda, e nosso arquivo de série temporal relacionado contém o produto item_id, carimbo de data/hora e consumidor no_of.
Para importar seus dados, conclua as seguintes etapas:
- No console do Forecast, escolha Exibir grupos de conjuntos de dados.
- Escolha Criar grupo de conjuntos de dados.
- Escolha Nome do grupo do conjunto de dados, insira um nome (para esta postagem,
water_consumption_datasetgroup
). - Escolha Domínio de previsão, escolha um domínio de previsão (para esta postagem, Personalizadas).
- Escolha Próximo.
- No Criar conjunto de dados de série temporal de destino página, forneça o nome do conjunto de dados, frequência de seus dados e esquema de dados.
- No Detalhes de importação do conjunto de dados página, insira um nome de importação de conjunto de dados.
- Escolha Tipo de arquivo de importação, selecione CSV e insira o local dos dados.
- Escolha a função do IAM que você criou anteriormente como um pré-requisito.
- Escolha Início.
Você é redirecionado para o painel que pode usar para acompanhar o progresso.
- Para importar o arquivo de série temporal relacionado, no painel, escolha importação.
- No Criar conjunto de dados de série temporal relacionado página, forneça o nome do conjunto de dados e o esquema de dados.
- No Detalhes de importação do conjunto de dados página, insira um nome de importação de conjunto de dados.
- Escolha Tipo de arquivo de importação, selecione CSV e insira o local dos dados.
- Escolha a função do IAM que você criou anteriormente.
- Escolha Início.
Treine um preditor
Em seguida, treinamos um preditor.
- No painel, escolha Início para Treine um preditor.
- No Preditor de trem página, insira um nome para seu preditor.
- Especifique quanto tempo no futuro você deseja prever e com que frequência.
- Especifique o número de quantis para os quais deseja prever.
A previsão usa o AutoPredictor para criar preditores. Para mais informações, consulte Preditores de treinamento.
- Escolha Crie.
Crie uma previsão
Depois que nosso preditor é treinado (isso pode levar aproximadamente 3.5 horas), criamos uma previsão. Você saberá que seu preditor está treinado quando vir o Ver preditores botão em seu painel.
- Escolha Início para Gerar previsões no painel.
- No Crie uma previsão página, insira um nome de previsão.
- Escolha Predictor, escolha o preditor que você criou.
- Opcionalmente, especifique os quantis de previsão.
- Especifique os itens para os quais gerar uma previsão.
- Escolha Início.
Consulte sua previsão
Você pode consultar uma previsão usando o previsão de consulta opção. Por padrão, o intervalo completo da previsão é retornado. Você pode solicitar um intervalo de datas específico dentro da previsão completa. Ao consultar uma previsão, você deve especificar os critérios de filtragem. Um filtro é um par chave-valor. A chave é um dos nomes de atributo do esquema (incluindo dimensões de previsão) de um dos conjuntos de dados usados para criar a previsão. O valor é um valor válido para a chave especificada. Você pode especificar vários pares chave-valor. A previsão retornada conterá apenas itens que satisfaçam todos os critérios.
- Escolha previsão de consulta no painel.
- Forneça os critérios de filtro para data de início e data de término.
- Especifique sua chave e valor de previsão.
- Escolha Obter previsão.
A captura de tela a seguir mostra o consumo de energia previsto para o mesmo apartamento (ID do item A_10001) usando o modelo de previsão.
Crie uma análise hipotética
Neste ponto, criamos nossa previsão de linha de base e agora podemos conduzir uma análise hipotética. Vamos imaginar um cenário em que um prédio de apartamentos existente adiciona uma extensão e o número de residências e pessoas aumenta em 20%. Agora você precisa fazer uma análise para prever o aumento da oferta com base no aumento da demanda.
Existem três estágios para conduzir uma análise hipotética: configurar a análise, criar a previsão hipotética definindo o que mudou no cenário e comparando os resultados.
- Para configurar sua análise, escolha Explorar a análise hipotética no painel.
- Escolha Crie.
- Insira um nome exclusivo e escolha a previsão de linha de base.
- Escolha os itens em seu conjunto de dados para os quais você deseja realizar uma análise hipotética. Você tem duas opções:
- Selecione todos os itens é o padrão, que escolhemos neste post.
- Se você quiser escolher itens específicos, escolha Selecionar itens com um arquivo e importe um arquivo CSV contendo o identificador exclusivo do item correspondente e quaisquer dimensões associadas.
- Escolha Crie uma análise hipotética.
Crie uma previsão hipotética
Em seguida, criamos uma previsão hipotética para definir o cenário que queremos analisar.
- No previsão hipotética seção, escolha Crie.
- Insira um nome para o seu cenário.
- Você pode definir seu cenário por meio de duas opções:
- Usar funções de transformação – Use o construtor de transformação para transformar os dados de série temporal relacionados que você importou. Para este passo a passo, avaliamos como a demanda por um item em nosso conjunto de dados muda quando o número de consumidores aumenta em 20% quando comparado ao preço na previsão de linha de base.
- Defina a previsão hipotética com um conjunto de dados de substituição – Substitua o conjunto de dados de série temporal relacionado que você importou.
Para o nosso exemplo, criamos um cenário onde aumentamos no_of_consumer
em 20% aplicável ao ID do item A_10001
e no_of_consumer
é um recurso no conjunto de dados. Você precisa dessa análise para prever e atender o abastecimento de água para o aumento da demanda. Essa análise também ajuda você a fazer um contrato econômico com base na previsão de demanda de água.
- Escolha Método de definição de previsão hipotética, selecione Usar funções de transformação.
- Escolha Multiplicar como nosso operador, no_of_consumer como nossa série temporal e insira 1.2.
- Escolha Adicionar condição.
- Escolha É igual a como a operação e digite A_10001 para item_id.
- Escolha Crie.
Compare as previsões
Agora podemos comparar as previsões hipotéticas para ambos os cenários, comparando um aumento de 20% nos consumidores com a demanda da linha de base.
- Na página de insights de análise, navegue até o Comparar previsões hipotéticas seção.
- Escolha item_id, insira o item a ser analisado (em nosso cenário, insira
A_10001
). - Escolha Previsões hipotéticas, escolha
water_demand_whatif_analyis
. - Escolha Comparar o que se.
- Você pode escolher a previsão de linha de base para a análise.
O gráfico a seguir mostra a demanda resultante para o nosso cenário. A linha vermelha mostra a previsão do consumo futuro de água para um aumento de 20% da população. O tipo de previsão P90 indica que se espera que o valor real seja inferior ao valor previsto 90% das vezes. Você pode usar essa previsão de demanda para gerenciar com eficiência o abastecimento de água para aumentar a demanda e evitar interrupções no serviço.
Exportar seus dados
Para exportar seus dados para CSV, conclua as etapas a seguir:
- Escolha Criar exportação.
- Digite um nome para seu arquivo de exportação (para esta postagem,
water_demand_export
). - Especifique os cenários a serem exportados selecionando os cenários no Previsão de variações hipotéticas menu suspenso.
Você pode exportar vários cenários de uma só vez em um arquivo combinado.
- Escolha Local de exportação, especifique o local do Amazon S3.
- Para iniciar a exportação, escolha Criar exportação.
- Para baixar a exportação, navegue até o local do caminho do arquivo S3 no console do Amazon S3, selecione o arquivo e escolha Baixar.
O arquivo de exportação conterá o timestamp
, item_id
e forecasts
para cada quantil para todos os cenários selecionados (incluindo o cenário base).
Limpe os recursos
Para evitar cobranças futuras, remova os recursos criados por esta solução:
- Excluir os recursos de previsão você criou.
- Excluir o balde S3.
Conclusão
Nesta postagem, mostramos como é fácil usar o Forecast e sua arquitetura de sistema subjacente para prever a demanda de água usando dados de consumo de água. Uma análise de cenários hipotéticos é uma ferramenta crítica para ajudar a navegar pelas incertezas dos negócios. Ele fornece previsão e um mecanismo para testar ideias, deixando as empresas mais resilientes, mais bem preparadas e no controle de seu futuro. Outros fornecedores de serviços públicos, como fornecedores de eletricidade ou gás, podem usar o Forecast para criar soluções e atender à demanda de serviços públicos de maneira econômica.
As etapas neste post demonstraram como construir a solução no Console de gerenciamento da AWS. Para usar APIs de previsão diretamente para criar a solução, siga o notebook em nosso GitHub repo.
Nós o encorajamos a aprender mais visitando o Guia do desenvolvedor do Amazon Forecast e experimente a solução de ponta a ponta habilitada por esses serviços com um conjunto de dados relevante para seus KPIs de negócios.
Sobre o autor
Dhiraj Thakur é arquiteto de soluções da Amazon Web Services. Ele trabalha com clientes e parceiros da AWS para fornecer orientação sobre adoção, migração e estratégia da nuvem corporativa. Ele é apaixonado por tecnologia e gosta de construir e experimentar no espaço de análise e IA/ML.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
- 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
- Sobre
- ACEITAR
- Acesso
- precisão
- preciso
- exatamente
- adquirir
- em
- adicionado
- Adicional
- Adicionalmente
- endereço
- Adiciona
- Adoção
- afetar
- agências
- agência
- agricultura
- à frente
- AI / ML
- AR
- Todos os Produtos
- alternativa
- sempre
- Amazon
- Previsão da Amazônia
- Amazon Web Services
- entre
- análise
- analítica
- analisar
- e
- Apartamento
- apartamentos
- APIs
- relevante
- aproximadamente
- arquitetura
- ÁREA
- por aí
- associado
- evitar
- AWS
- Equilíbrio
- base
- baseado
- Linha de Base
- Porque
- tornam-se
- antes
- Acreditar
- Melhor
- entre
- Pós
- construir
- construtor
- Prédio
- Constrói
- negócio
- negócios
- botão
- Capturar
- cuidadosamente
- casas
- casos
- certo
- desafiante
- Alterações
- mudança
- acusações
- Escolha
- Na nuvem
- adoção de nuvem
- infraestrutura de nuvem
- coleta
- combinação
- combinado
- compromisso
- comum
- comparar
- comparado
- comparando
- complementar
- completar
- computação
- Conduzir
- condutor
- Considerar
- cônsul
- consumidor
- Consumidores
- consumo
- contém
- contract
- contratos
- ao controle
- Correlação
- Correspondente
- relação custo-benefício
- crio
- criado
- Criar
- critérios
- crítico
- cliente
- Clientes
- painel de instrumentos
- dados,
- conjuntos de dados
- Data
- dia
- Padrão
- Define
- definição
- Demanda
- Previsão de demanda
- demonstraram
- Developer
- Desenvolvimento
- diferente
- dimensões
- diretamente
- Não faz
- domínio
- não
- download
- durante
- dinâmico
- cada
- Mais cedo
- Econômico
- Desenvolvimento Econômico
- efetivamente
- eficientemente
- eletricidade
- habilitado
- permite
- encorajar
- end-to-end
- termina
- energia
- Consumo de energia
- suficiente
- Entrar
- Empreendimento
- Éter (ETH)
- avaliar
- exemplo
- existente
- esperado
- caro
- vasta experiência
- Explicação
- exportar
- extensão
- Rosto
- mais rápido
- Característica
- taxa
- Envie o
- Arquivos
- filtro
- filtragem
- Encontre
- Primeiro nome
- concentra-se
- seguir
- seguinte
- Previsão
- Frequência
- da
- totalmente
- funções
- futuro
- GAS
- gerar
- obtendo
- dado
- gráfico
- Grupo
- Do grupo
- Growth
- Manipulação
- Colheita
- ajudar
- ajuda
- superior
- altamente
- histórico
- horizonte
- HORÁRIO
- famílias
- casas
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- HTTPS
- IAM
- idéias
- identificador
- Dados de identificação:
- Impacto
- importar
- importante
- melhorar
- melhorado
- in
- incluído
- inclui
- Incluindo
- Crescimento
- aumentou
- Aumenta
- indicam
- indústria
- INFORMAÇÕES
- Infraestrutura
- insights
- instruções
- inventário
- Gestão de Inventário
- investigar
- IT
- Unid
- Guarda
- Chave
- Saber
- conhecido
- APRENDER
- aprendizagem
- partida
- Line
- Vidas
- vida
- localização
- longo
- Baixo
- preços baixos
- máquina
- aprendizado de máquina
- fazer
- gerencia
- gerenciados
- de grupos
- obrigatório
- manualmente
- mecanismo
- Conheça
- Menu
- metadados
- poder
- migração
- mínimo
- ML
- modelo
- modelos
- mais
- manhã
- a maioria
- múltiplo
- nome
- nomes
- natural
- Navegar
- você merece...
- Novo
- caderno
- número
- ONE
- operação
- Operações
- operador
- Opção
- Opções
- ordem
- Outros
- global
- pares
- particularmente
- Parceiros
- apaixonado
- passado
- caminho
- padrões
- Pagar
- Pessoas
- percentagem
- realizar
- realização
- permissões
- escolher
- plano
- planejamento
- platão
- Inteligência de Dados Platão
- PlatãoData
- ponto
- população
- Publique
- potencial
- predizer
- previsto
- prevendo
- Predictor
- preparado
- preço
- Valores
- primário
- Prévio
- Produto
- Progresso
- fornecer
- provedor
- fornecedores
- fornece
- fornecendo
- provisão
- Links
- alcance
- razões
- Vermelho
- região
- relacionado
- relevante
- remover
- substituir
- representando
- solicitar
- resiliente
- recurso
- Recursos
- resultando
- Resultados
- ascensão
- Tipo
- Execute
- mesmo
- cenários
- sem problemas
- Seção
- selecionado
- selecionando
- Série
- serviço
- Serviços
- conjunto
- contexto
- vários
- Shows
- simples
- So
- solução
- Soluções
- Fontes
- do sul
- Espaço
- específico
- especificada
- estável
- Estágio
- começo
- começado
- Passos
- armazenamento
- loja
- Estratégia
- estrutura
- suficiente
- verão
- supply
- Oferta e procura
- .
- Tire
- Target
- Equipar
- A
- A área
- O Futuro
- deles
- assim sendo
- três
- Através da
- todo
- tempo
- Séries temporais
- vezes
- timestamp
- para
- ferramenta
- pista
- Trem
- treinado
- Training
- Transformar
- Transformação
- viagens
- verdadeiro
- valor real
- tipos
- incertezas
- para
- subjacente
- único
- unidades
- Uso
- usar
- caso de uso
- utilidade
- valor
- variedade
- Passo a passo
- Água
- Clima
- web
- serviços web
- O Quê
- O que é a
- qual
- enquanto
- Largo
- precisarão
- Inverno
- dentro
- sem
- Força de trabalho
- trabalho
- investimentos
- zefirnet