Amazon Prognos är en helt hanterad tjänst som använder maskininlärning (ML) för att generera mycket exakta prognoser, utan att kräva någon tidigare ML-erfarenhet. Prognos är tillämplig i en mängd olika användningsfall, inklusive uppskattning av utbud och efterfrågan för lagerhantering, prognoser för reseefterfrågan, planering av arbetskraft och användning av molninfrastruktur.
Du kan använda Forecast för att sömlöst utföra what-if-analyser upp till 80 % snabbare för att analysera och kvantifiera den potentiella inverkan av verksamhetsspakar på dina efterfrågeprognoser. En vad-om-analys hjälper dig att undersöka och förklara hur olika scenarier kan påverka baslinjeprognosen som skapats av Forecast. Med Forecast finns det inga servrar att tillhandahålla eller ML-modeller att bygga manuellt. Dessutom betalar du bara för det du använder, och det finns ingen minimiavgift eller förskottsåtagande. För att använda Prognos behöver du bara tillhandahålla historisk data för det du vill prognostisera, och eventuellt ytterligare data som du tror kan påverka dina prognoser.
Vattenverksleverantörer har flera prognostiserade användningsfall, men det främsta bland dem är att förutsäga vattenförbrukningen i ett område eller en byggnad för att möta efterfrågan. Det är också viktigt för elleverantörer att förutsäga den ökade konsumtionsefterfrågan på grund av fler lägenheter som har lagts till i en byggnad eller fler hus i området. Att förutsäga vattenförbrukningen korrekt är avgörande för att undvika eventuella serviceavbrott för kunden.
Det här inlägget utforskar hur man använder Forecast för att hantera detta användningsfall genom att använda historiska tidsseriedata.
Lösningsöversikt
Vatten är en naturresurs och mycket avgörande för industrin, jordbruket, hushållen och våra liv. Noggrann vattenförbrukningsprognoser är avgörande för att säkerställa att en byrå kan driva den dagliga verksamheten effektivt. Vattenförbrukningsprognoser är särskilt utmanande eftersom efterfrågan är dynamisk och säsongsbetonade väderförändringar kan ha en inverkan. Att förutsäga vattenförbrukningen korrekt är viktigt så att kunderna inte utsätts för några avbrott i tjänsten och för att kunna tillhandahålla en stabil service med bibehållen låga priser. Förbättrad prognos gör att du kan planera framåt för att strukturera mer kostnadseffektiva framtida kontrakt. Följande är de två vanligaste användningsfallen:
- Bättre efterfrågehantering – Som en leverantör av allmännyttiga tjänster måste du hitta en balans mellan efterfrågan och tillgång på vatten. Myndigheten samlar in information som antal personer som bor i en lägenhet och antal lägenheter i en byggnad innan service tillhandahålls. Som en allmännyttig byrå måste du balansera aggregerat utbud och efterfrågan. Du måste lagra tillräckligt med vatten för att möta efterfrågan. Dessutom har efterfrågeprognoser blivit mer utmanande av följande skäl:
- Efterfrågan är inte stabil hela tiden och varierar under dagen. Till exempel är vattenförbrukningen vid midnatt mycket mindre jämfört med på morgonen.
- Vädret kan också ha en inverkan på den totala konsumtionen. Till exempel är vattenförbrukningen högre på sommaren än vintern på norra halvklotet, och tvärtom på södra halvklotet.
- Det finns inte tillräckligt med regn eller vattenlagringsmekanismer (sjöar, reservoarer), eller så är vattenfiltreringen otillräcklig. Under sommaren kan efterfrågan inte alltid hålla jämna steg med utbudet. Vattenmyndigheterna måste prognostisera noggrant för att skaffa andra källor, vilket kan bli dyrare. Därför är det kritiskt för energiföretag att hitta alternativa vattenkällor som att skörda regnvatten, fånga upp kondens från luftbehandlingsaggregat eller återvinna avloppsvatten.
- Genomföra en vad-om-analys för ökad efterfrågan – Efterfrågan på vatten ökar på grund av flera orsaker. Detta inkluderar en kombination av befolkningstillväxt, ekonomisk utveckling och förändrade konsumtionsmönster. Låt oss föreställa oss ett scenario där ett befintligt hyreshus bygger en tillbyggnad och antalet hushåll och personer ökar med en viss procent. Nu behöver du göra en analys för att prognostisera utbudet för ökad efterfrågan. Detta hjälper dig också att göra ett kostnadseffektivt kontrakt för ökad efterfrågan.
Prognoser kan vara utmanande eftersom du först behöver exakta modeller för att prognostisera efterfrågan och sedan ett snabbt och enkelt sätt att återskapa prognosen över en rad scenarier.
Det här inlägget fokuserar på en lösning för att utföra vattenförbrukningsprognoser och en vad-om-analys. Det här inlägget tar inte hänsyn till väderdata för modellträning. Du kan dock lägga till väderdata, med tanke på dess korrelation till vattenförbrukningen.
Förutsättningar
Innan vi började satte vi upp våra resurser. För det här inlägget använder vi us-east-1 Region.
- Skapa ett Amazon enkel lagringstjänst (Amazon S3) hink för lagring av historiska tidsseriedata. För instruktioner, se Skapa din första S3-skopa.
- Ladda ner datafiler från GitHub repo och ladda upp till den nyskapade S3-hinken.
- Skapa en ny AWS identitets- och åtkomsthantering (JAG ÄR) roll. För instruktioner, se Ställ in behörigheter för Amazon Forecast. Var noga med att ange namnet på din S3-skopa.
Skapa en datauppsättningsgrupp och datauppsättningar
Det här inlägget visar två användningsfall relaterade till prognos för vattenefterfrågan: prognostisera vattenbehovet baserat på tidigare vattenförbrukning, och genomföra en vad-om-analys för ökad efterfrågan.
Forecast kan acceptera tre typer av datauppsättningar: måltidsserier (TTS), relaterade tidsserier (RTS) och objektmetadata (IM). Måltidsseriedata definierar den historiska efterfrågan på de resurser du förutsäger. Måltidsseriedataset är obligatoriskt. En relaterad tidsseriedatauppsättning innehåller tidsseriedata som inte ingår i en måltidsseriedatauppsättning och kan förbättra noggrannheten hos din prediktor.
I vårt exempel innehåller måltidsseriedataset item_id och tidsstämpeldimensioner, och det kompletterande relaterade tidsseriedatasetet inkluderar no_of_consumer. En viktig anmärkning med denna datauppsättning: TTS slutar 2023-01-01 och RTS slutar 2023-01-15. När du utför vad-om-scenarier är det viktigt att manipulera RTS-variabler bortom din kända tidshorisont i TTS.
För att göra en vad-om-analys måste vi importera två CSV-filer som representerar måltidsseriedata och relaterade tidsseriedata. Vårt exempel på måltidsseriefil innehåller artikel-id, tidsstämpel och efterfrågan, och vår relaterade tidsseriefil innehåller produkten artikel-id, tidsstämpel och no_of consumer.
För att importera din data, utför följande steg:
- Välj på prognoskonsolen Visa datasetgrupper.
- Välja Skapa datasetgrupp.
- För Dataset gruppnamn, ange ett namn (för det här inlägget,
water_consumption_datasetgroup
). - För Prognoser domän, välj en prognosdomän (för det här inlägget, Custom).
- Välja Nästa.
- På Skapa måltidsseriedatauppsättning sida, ange datauppsättningens namn, frekvens för dina data och dataschema.
- På Information om datauppsättning sida, ange ett datauppsättningsimportnamn.
- För Importera filtyp, Välj CSV och ange dataplatsen.
- Välj den IAM-roll du skapade tidigare som en förutsättning.
- Välja Start.
Du omdirigeras till instrumentpanelen som du kan använda för att spåra framsteg.
- För att importera den relaterade tidsseriefilen, välj på instrumentpanelen Importera.
- På Skapa relaterad tidsseriedatauppsättning sida, ange datauppsättningsnamnet och dataschemat.
- På Information om datauppsättning sida, ange ett datauppsättningsimportnamn.
- För Importera filtyp, Välj CSV och ange dataplatsen.
- Välj den IAM-roll du skapade tidigare.
- Välja Start.
Träna en prediktor
Därefter tränar vi en prediktor.
- Välj på instrumentpanelen Start under Träna en prediktor.
- På Träna prediktor sida, ange ett namn för din prediktor.
- Ange hur lång tid i framtiden du vill prognostisera och med vilken frekvens.
- Ange antalet kvantiler du vill prognostisera för.
Forecast använder AutoPredictor för att skapa prediktorer. För mer information, se Träningsprediktorer.
- Välja Skapa.
Skapa en prognos
Efter att vår prediktor har tränats (detta kan ta cirka 3.5 timmar), skapar vi en prognos. Du kommer att veta att din prediktor är tränad när du ser Visa prediktorer knappen på din instrumentpanel.
- Välja Start under Skapa prognoser på instrumentbrädan.
- På Skapa en prognos sida, ange ett prognosnamn.
- För Predictor, välj prediktorn som du skapade.
- Ange eventuellt prognoskvantilerna.
- Ange objekten att generera en prognos för.
- Välja Start.
Fråga din prognos
Du kan fråga en prognos med hjälp av Fråga prognos alternativ. Som standard returneras hela intervallet för prognosen. Du kan begära ett specifikt datumintervall inom hela prognosen. När du frågar efter en prognos måste du ange filtreringskriterier. Ett filter är ett nyckel-värdepar. Nyckeln är ett av schemaattributnamnen (inklusive prognosdimensioner) från en av datamängderna som används för att skapa prognosen. Värdet är ett giltigt värde för den angivna nyckeln. Du kan ange flera nyckel-värdepar. Den returnerade prognosen kommer bara att innehålla objekt som uppfyller alla kriterier.
- Välja Fråga prognos på instrumentbrädan.
- Ange filterkriterierna för startdatum och slutdatum.
- Ange din prognosnyckel och ditt värde.
- Välja Få prognos.
Följande skärmdump visar den prognostiserade energiförbrukningen för samma lägenhet (artikel-ID A_10001) med hjälp av prognosmodellen.
Skapa en vad-om-analys
Vid denna tidpunkt har vi skapat vår baslinjeprognos kan nu genomföra en vad-om-analys. Låt oss föreställa oss ett scenario där ett befintligt hyreshus lägger till en tillbyggnad, och antalet hushåll och människor ökar med 20 %. Nu behöver du göra en analys för att prognostisera ökat utbud baserat på ökad efterfrågan.
Det finns tre steg för att genomföra en vad-om-analys: att sätta upp analysen, skapa vad-om-prognosen genom att definiera vad som ändras i scenariot och jämföra resultaten.
- För att ställa in din analys, välj Utforska vad-om-analys på instrumentbrädan.
- Välja Skapa.
- Ange ett unikt namn och välj baslinjeprognosen.
- Välj de objekt i din datauppsättning som du vill göra en vad-om-analys för. Du har två alternativ:
- Välj alla objekt är standard, som vi väljer i det här inlägget.
- Om du vill välja specifika föremål, välj Välj objekt med en fil och importera en CSV-fil som innehåller den unika identifieraren för motsvarande artikel och eventuella associerade dimensioner.
- Välja Skapa vad-om-analys.
Skapa en vad-om-prognos
Därefter skapar vi en vad-om-prognos för att definiera det scenario vi vill analysera.
- I Vad-om-prognos avsnitt väljer Skapa.
- Ange ett namn på ditt scenario.
- Du kan definiera ditt scenario genom två alternativ:
- Använd transformationsfunktioner – Använd transformationsbyggaren för att transformera relaterade tidsseriedata som du importerade. För den här genomgången utvärderar vi hur efterfrågan på en vara i vår datauppsättning förändras när antalet konsumenter ökar med 20 % jämfört med priset i baslinjeprognosen.
- Definiera vad-om-prognosen med en ersättningsdatauppsättning – Ersätt den relaterade tidsseriedatauppsättningen som du importerade.
För vårt exempel skapar vi ett scenario där vi ökar no_of_consumer
med 20 % tillämpligt på artikel-ID A_10001
och no_of_consumer
är en funktion i datamängden. Du behöver denna analys för att prognostisera och möta vattentillgången för ökad efterfrågan. Denna analys hjälper dig också att göra ett kostnadseffektivt kontrakt baserat på vattenbehovsprognosen.
- För Vad händer om prognosdefinitionsmetod, Välj Använd transformationsfunktioner.
- Välja Multiplicera som vår operatör, no_of_consumer som vår tidsserie, och ange 1.2.
- Välja Lägg till villkor.
- Välja lika som operation och skriv in A_10001 för item_id.
- Välja Skapa.
Jämför prognoserna
Vi kan nu jämföra vad-om-prognoserna för båda våra scenarier, och jämföra en ökning på 20 % av konsumenterna med baslinjeefterfrågan.
- På sidan med analysinsikter, navigera till Jämför vad-om-prognoser sektion.
- För item_id, ange objektet som ska analyseras (i vårt scenario, enter
A_10001
). - För Vad händer om prognoserväljer
water_demand_whatif_analyis
. - Välja Jämför vad-om.
- Du kan välja baslinjeprognosen för analysen.
Följande graf visar den resulterande efterfrågan för vårt scenario. Den röda linjen visar prognosen för framtida vattenförbrukning för 20 % ökad befolkning. P90-prognostypen indikerar att det sanna värdet förväntas vara lägre än det förutsagda värdet 90 % av gångerna. Du kan använda den här efterfrågeprognosen för att effektivt hantera vattenförsörjningen för ökad efterfrågan och undvika eventuella serviceavbrott.
Exportera dina data
För att exportera din data till CSV, utför följande steg:
- Välja Skapa export.
- Ange ett namn för din exportfil (för det här inlägget,
water_demand_export
). - Ange scenarierna som ska exporteras genom att välja scenarierna på Vad-om-prognos rullgardinsmenyn.
Du kan exportera flera scenarier samtidigt i en kombinerad fil.
- För Exportplats, ange platsen för Amazon S3.
- För att börja exporten, välj Skapa export.
- För att ladda ner exporten, navigera till S3-filsökvägen på Amazon S3-konsolen, välj filen och välj Download.
Exportfilen kommer att innehålla timestamp
, item_id
och forecasts
för varje kvantil för alla valda scenarier (inklusive basscenariot).
Rensa resurserna
Ta bort resurserna som skapats av den här lösningen för att undvika framtida avgifter:
- Ta bort prognosresurserna du skapade.
- Ta bort S3-hinken.
Slutsats
I det här inlägget visade vi hur lätt att använda hur man använder Forecast och dess underliggande systemarkitektur för att förutsäga vattenbehov med hjälp av vattenförbrukningsdata. En vad-om-scenarioanalys är ett viktigt verktyg för att hjälpa dig att navigera genom verksamhetens osäkerhet. Det ger framförhållning och en mekanism för att stresstesta idéer, vilket gör att företag blir mer motståndskraftiga, bättre förberedda och har kontroll över sin framtid. Andra elleverantörer som el- eller gasleverantörer kan använda Forecast för att bygga lösningar och möta efterfrågan på el på ett kostnadseffektivt sätt.
Stegen i det här inlägget visade hur man bygger lösningen på AWS Management Console. För att direkt använda Forecast API:er för att bygga lösningen, följ anteckningsboken i vår GitHub repo.
Vi uppmuntrar dig att lära dig mer genom att besöka Amazon Forecast-utvecklarguide och prova end-to-end-lösningen som möjliggörs av dessa tjänster med en datauppsättning som är relevant för ditt företags KPI:er.
Om författaren
Dhiraj Thakur är en lösningsarkitekt med Amazon Web Services. Han samarbetar med AWS-kunder och -partners för att ge vägledning om införande, migrering och strategi för företagsmoln. Han brinner för teknik och tycker om att bygga och experimentera inom analys- och AI/ML-området.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: 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
- Acceptera
- tillgång
- noggrannhet
- exakt
- exakt
- förvärva
- tvärs
- lagt till
- Annat
- Dessutom
- adress
- Lägger
- Antagande
- påverka
- byråer
- byrå
- jordbruket
- framåt
- AI / ML
- LUFT
- Alla
- alternativ
- alltid
- amason
- Amazon Prognos
- Amazon Web Services
- bland
- analys
- analytics
- analysera
- och
- Lägenhet
- lägenheter
- API: er
- tillämplig
- cirka
- arkitektur
- OMRÅDE
- runt
- associerad
- undvika
- AWS
- Balansera
- bas
- baserat
- Baslinje
- därför att
- blir
- innan
- tro
- Bättre
- mellan
- Bortom
- SLUTRESULTAT
- byggare
- Byggnad
- bygger
- företag
- företag
- Knappen
- Fångande
- försiktigt
- Vid
- fall
- vissa
- utmanande
- Förändringar
- byte
- avgifter
- Välja
- cloud
- moln adoption
- molninfrastruktur
- samlar
- kombination
- kombinerad
- engagemang
- Gemensam
- jämföra
- jämfört
- jämförande
- komplementär
- fullborda
- databehandling
- Genomför
- ledande
- Tänk
- Konsol
- Konsumenten
- konsumenter
- konsumtion
- innehåller
- kontrakt
- kontrakt
- kontroll
- Korrelation
- Motsvarande
- kostnadseffektiv
- skapa
- skapas
- Skapa
- kriterier
- kritisk
- kund
- Kunder
- instrumentbräda
- datum
- datauppsättningar
- Datum
- dag
- Standard
- definierar
- definierande
- Efterfrågan
- Förfrågan om efterfrågan
- demonstreras
- Utvecklare
- Utveckling
- olika
- dimensioner
- direkt
- inte
- domän
- inte
- ladda ner
- under
- dynamisk
- varje
- Tidigare
- Ekonomisk
- EKONOMISK UTVECKLING
- effektivt
- effektivt
- el
- aktiverad
- möjliggör
- uppmuntra
- början till slut
- slutar
- energi
- Energiförbrukning
- tillräckligt
- ange
- Företag
- Eter (ETH)
- utvärdera
- exempel
- befintliga
- förväntat
- dyra
- erfarenhet
- Förklara
- export
- förlängning
- Ansikte
- snabbare
- Leverans
- avgift
- Fil
- Filer
- filtrera
- filtrering
- hitta
- Förnamn
- fokuserar
- följer
- efter
- Prognos
- Frekvens
- från
- fullständigt
- funktioner
- framtida
- GAS
- generera
- få
- ges
- diagram
- Grupp
- Gruppens
- Tillväxt
- Arbetsmiljö
- skörd
- hjälpa
- hjälper
- högre
- höggradigt
- historisk
- horisonten
- ÖPPETTIDER
- hushåll
- hus
- Hur ser din drömresa ut
- How To
- Men
- html
- HTTPS
- IAM
- idéer
- identifierare
- Identitet
- Inverkan
- importera
- med Esport
- förbättra
- förbättras
- in
- ingår
- innefattar
- Inklusive
- Öka
- ökat
- Ökar
- pekar på
- industrin
- informationen
- Infrastruktur
- insikter
- instruktioner
- lager
- Inventory Management
- undersöka
- IT
- artikel
- Ha kvar
- Nyckel
- Vet
- känd
- LÄRA SIG
- inlärning
- lämnar
- linje
- Bor
- levande
- läge
- Lång
- Låg
- låga priser
- Maskinen
- maskininlärning
- göra
- hantera
- förvaltade
- ledning
- obligatoriskt
- manuellt
- mekanism
- Möt
- Meny
- metadata
- kanske
- migration
- minsta
- ML
- modell
- modeller
- mer
- morgonen
- mest
- multipel
- namn
- namn
- Natural
- Navigera
- Behöver
- Nya
- anteckningsbok
- antal
- ONE
- drift
- Verksamhet
- Operatören
- Alternativet
- Tillbehör
- beställa
- Övriga
- övergripande
- par
- särskilt
- partner
- brinner
- Tidigare
- bana
- mönster
- Betala
- Personer
- procentuell
- utföra
- utför
- behörigheter
- plocka
- Planen
- planering
- plato
- Platon Data Intelligence
- PlatonData
- Punkt
- befolkning
- Inlägg
- potentiell
- förutse
- förutsagda
- förutsäga
- Predictor
- beredd
- pris
- Priser
- primär
- Innan
- Produkt
- Framsteg
- ge
- leverantör
- leverantörer
- ger
- tillhandahålla
- tillhandahållande
- Snabbt
- område
- skäl
- Red
- region
- relaterad
- relevanta
- ta bort
- ersätta
- representerar
- begära
- elastisk
- resurs
- Resurser
- resulterande
- Resultat
- stigande
- Roll
- Körning
- Samma
- scenarier
- sömlöst
- §
- vald
- väljer
- Serier
- service
- Tjänster
- in
- inställning
- flera
- Visar
- Enkelt
- So
- lösning
- Lösningar
- Källor
- Sydlig
- Utrymme
- specifik
- specificerade
- stabil
- stadier
- starta
- igång
- Steg
- förvaring
- lagra
- Strategi
- struktur
- tillräcklig
- sommar
- leverera
- Utbud och efterfrågan
- system
- Ta
- Målet
- Teknologi
- Smakämnen
- Området
- Framtiden
- deras
- därför
- tre
- Genom
- hela
- tid
- Tidsföljder
- gånger
- tidsstämpel
- till
- verktyg
- spår
- Tåg
- tränad
- Utbildning
- Förvandla
- Transformation
- färdas
- sann
- sant värde
- typer
- oklarheter
- under
- underliggande
- unika
- enheter
- Användning
- användning
- användningsfall
- verktyg
- värde
- mängd
- genomgång
- Vatten
- Väder
- webb
- webbservice
- Vad
- Vad är
- som
- medan
- bred
- kommer
- Vinter
- inom
- utan
- arbetskraft
- fungerar
- Din
- zephyrnet