พยากรณ์อเมซอน เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งใช้แมชชีนเลิร์นนิง (ML) เพื่อสร้างการคาดการณ์ที่แม่นยำสูง โดยไม่จำเป็นต้องมีประสบการณ์ด้าน ML มาก่อน การพยากรณ์ใช้ได้กับกรณีการใช้งานที่หลากหลาย รวมถึงการประมาณอุปสงค์และอุปทานสำหรับการจัดการสินค้าคงคลัง การพยากรณ์ความต้องการเดินทาง การวางแผนกำลังคน และการคำนวณการใช้งานโครงสร้างพื้นฐานระบบคลาวด์
คุณสามารถใช้ Forecast เพื่อทำการวิเคราะห์แบบ what-if ได้อย่างราบรื่นเร็วขึ้นสูงสุด 80% เพื่อวิเคราะห์และประเมินผลกระทบที่อาจเกิดขึ้นจากการยกระดับธุรกิจต่อการคาดการณ์ความต้องการของคุณ การวิเคราะห์แบบ what-if ช่วยให้คุณตรวจสอบและอธิบายว่าสถานการณ์ต่างๆ อาจส่งผลต่อการคาดการณ์พื้นฐานที่สร้างโดย Forecast ได้อย่างไร ด้วย Forecast ไม่มีเซิร์ฟเวอร์ให้จัดเตรียมหรือสร้างโมเดล ML ด้วยตนเอง นอกจากนี้ คุณจะจ่ายเฉพาะสิ่งที่คุณใช้เท่านั้น และไม่มีค่าธรรมเนียมขั้นต่ำหรือข้อผูกมัดล่วงหน้า หากต้องการใช้การคาดการณ์ คุณจะต้องระบุข้อมูลย้อนหลังสำหรับสิ่งที่คุณต้องการคาดการณ์เท่านั้น และหากต้องการให้ข้อมูลเพิ่มเติมใดๆ ที่คุณเชื่อว่าอาจส่งผลต่อการคาดการณ์ของคุณ
ผู้ให้บริการสาธารณูปโภคด้านน้ำมีกรณีการใช้งานที่คาดการณ์ไว้หลายกรณี แต่หลักๆ ในหมู่พวกเขาคือการคาดการณ์การใช้น้ำในพื้นที่หรืออาคารเพื่อตอบสนองความต้องการ นอกจากนี้ สิ่งสำคัญสำหรับผู้ให้บริการสาธารณูปโภคในการคาดการณ์ความต้องการบริโภคที่เพิ่มขึ้น เนื่องจากมีอพาร์ตเมนต์เพิ่มขึ้นในอาคารหรือมีบ้านเพิ่มขึ้นในพื้นที่ การคาดการณ์ปริมาณการใช้น้ำอย่างแม่นยำเป็นสิ่งสำคัญเพื่อหลีกเลี่ยงการหยุดชะงักของบริการแก่ลูกค้า
โพสต์นี้สำรวจโดยใช้การคาดการณ์เพื่อจัดการกับกรณีการใช้งานนี้โดยใช้ข้อมูลอนุกรมเวลาในอดีต
ภาพรวมโซลูชัน
น้ำเป็นทรัพยากรธรรมชาติและมีความสำคัญอย่างยิ่งต่ออุตสาหกรรม การเกษตร ครัวเรือน และชีวิตของเรา การคาดการณ์ปริมาณการใช้น้ำที่แม่นยำเป็นสิ่งสำคัญเพื่อให้แน่ใจว่าหน่วยงานสามารถดำเนินการวันต่อวันได้อย่างมีประสิทธิภาพ การพยากรณ์ปริมาณการใช้น้ำเป็นสิ่งที่ท้าทายอย่างยิ่ง เนื่องจากความต้องการน้ำมีการเปลี่ยนแปลงตลอดเวลา และการเปลี่ยนแปลงของสภาพอากาศตามฤดูกาลอาจส่งผลกระทบได้ การคาดการณ์ปริมาณการใช้น้ำอย่างแม่นยำเป็นสิ่งสำคัญ เพื่อให้ลูกค้าไม่ต้องพบกับการหยุดชะงักของบริการใดๆ และเพื่อให้บริการที่มีเสถียรภาพโดยที่ยังคงราคาต่ำไว้ การคาดการณ์ที่ได้รับการปรับปรุงทำให้คุณสามารถวางแผนล่วงหน้าเพื่อจัดโครงสร้างสัญญาในอนาคตที่คุ้มค่ามากขึ้น ต่อไปนี้เป็นกรณีการใช้งานทั่วไปสองกรณี:
- การจัดการความต้องการที่ดีขึ้น – ในฐานะหน่วยงานผู้ให้บริการสาธารณูปโภค คุณต้องหาสมดุลระหว่างอุปสงค์และอุปทานน้ำ หน่วยงานรวบรวมข้อมูลเช่นจำนวนคนที่อาศัยอยู่ในอพาร์ตเมนต์และจำนวนอพาร์ตเมนต์ในอาคารหนึ่งแห่งก่อนให้บริการ ในฐานะหน่วยงานด้านสาธารณูปโภค คุณต้องสร้างสมดุลระหว่างอุปสงค์และอุปทานโดยรวม คุณต้องกักเก็บน้ำให้เพียงพอต่อความต้องการ นอกจากนี้ การคาดการณ์อุปสงค์มีความท้าทายมากขึ้นด้วยเหตุผลดังต่อไปนี้:
- ความต้องการไม่คงที่ตลอดเวลาและแตกต่างกันไปตลอดทั้งวัน ตัวอย่างเช่น การใช้น้ำตอนเที่ยงคืนน้อยกว่าตอนเช้ามาก
- สภาพอากาศยังส่งผลต่อการบริโภคโดยรวมอีกด้วย ตัวอย่างเช่น ปริมาณการใช้น้ำในฤดูร้อนจะสูงกว่าฤดูหนาวในซีกโลกเหนือ และในทางกลับกันในซีกโลกใต้
- ปริมาณน้ำฝนหรือกลไกกักเก็บน้ำไม่เพียงพอ (ทะเลสาบ อ่างเก็บน้ำ) หรือการกรองน้ำไม่เพียงพอ ในช่วงฤดูร้อน อุปสงค์ไม่สามารถตามอุปทานได้เสมอไป หน่วยงานด้านน้ำต้องคาดการณ์อย่างรอบคอบเพื่อหาแหล่งอื่นซึ่งอาจมีราคาแพงกว่า ดังนั้น จึงจำเป็นอย่างยิ่งที่หน่วยงานด้านสาธารณูปโภคจะต้องหาแหล่งน้ำทางเลือก เช่น การกักเก็บน้ำฝน การกักเก็บไอน้ำจากหน่วยจัดการอากาศ หรือการนำน้ำเสียกลับมาใช้ใหม่
- ดำเนินการวิเคราะห์แบบ what-if สำหรับความต้องการที่เพิ่มขึ้น – ความต้องการใช้น้ำเพิ่มขึ้นเนื่องจากสาเหตุหลายประการ ซึ่งรวมถึงการเติบโตของจำนวนประชากร การพัฒนาเศรษฐกิจ และรูปแบบการบริโภคที่เปลี่ยนแปลงไป ลองนึกภาพสถานการณ์ที่อาคารอพาร์ตเมนต์ที่มีอยู่สร้างส่วนต่อขยายและจำนวนครัวเรือนและผู้คนเพิ่มขึ้นเป็นเปอร์เซ็นต์ ตอนนี้คุณต้องทำการวิเคราะห์เพื่อคาดการณ์อุปทานสำหรับอุปสงค์ที่เพิ่มขึ้น นอกจากนี้ยังช่วยให้คุณทำสัญญาที่คุ้มค่าสำหรับความต้องการที่เพิ่มขึ้น
การคาดการณ์อาจเป็นเรื่องที่ท้าทาย เนื่องจากคุณต้องมีแบบจำลองที่แม่นยำในการคาดการณ์ความต้องการก่อน จากนั้นจึงเป็นวิธีที่ง่ายและรวดเร็วในการจำลองการคาดการณ์ในสถานการณ์ต่างๆ
โพสต์นี้มุ่งเน้นที่โซลูชันในการดำเนินการคาดการณ์ปริมาณการใช้น้ำและการวิเคราะห์แบบ what-if โพสต์นี้ไม่พิจารณาข้อมูลสภาพอากาศสำหรับการฝึกอบรมแบบจำลอง อย่างไรก็ตาม คุณสามารถเพิ่มข้อมูลสภาพอากาศได้ โดยพิจารณาจากความสัมพันธ์กับปริมาณการใช้น้ำ
เบื้องต้น
ก่อนเริ่มต้น เราตั้งค่าทรัพยากรของเรา สำหรับโพสต์นี้ เราใช้ภูมิภาค us-east-1
- สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) สำหรับจัดเก็บข้อมูลอนุกรมเวลาในอดีต สำหรับคำแนะนำ โปรดดูที่ สร้างที่เก็บข้อมูล S3 แรกของคุณ.
- ดาวน์โหลดไฟล์ข้อมูลจาก repo GitHub และอัปโหลดไปยังบัคเก็ต S3 ที่สร้างขึ้นใหม่
- สร้างใหม่ AWS Identity และการจัดการการเข้าถึง (ฉัน) บทบาท. ดูคำแนะนำได้ที่ ตั้งค่าสิทธิ์สำหรับ Amazon Forecast. อย่าลืมระบุชื่อบัคเก็ต S3 ของคุณ
สร้างกลุ่มชุดข้อมูลและชุดข้อมูล
โพสต์นี้แสดงกรณีการใช้งาน XNUMX กรณีที่เกี่ยวข้องกับการคาดการณ์ความต้องการน้ำ: การคาดการณ์ความต้องการน้ำโดยอิงตามปริมาณการใช้น้ำที่ผ่านมา และการวิเคราะห์แบบ what-if สำหรับความต้องการที่เพิ่มขึ้น
การคาดการณ์สามารถยอมรับชุดข้อมูลได้สามประเภท ได้แก่ อนุกรมเวลาเป้าหมาย (TTS) อนุกรมเวลาที่เกี่ยวข้อง (RTS) และข้อมูลเมตาของรายการ (IM) ข้อมูลอนุกรมเวลาเป้าหมายกำหนดความต้องการในอดีตสำหรับทรัพยากรที่คุณกำลังคาดการณ์ จำเป็นต้องมีชุดข้อมูลอนุกรมเวลาเป้าหมาย ชุดข้อมูลอนุกรมเวลาที่เกี่ยวข้องประกอบด้วยข้อมูลอนุกรมเวลาที่ไม่ได้รวมอยู่ในชุดข้อมูลอนุกรมเวลาเป้าหมาย และอาจปรับปรุงความแม่นยำของตัวทำนายของคุณ
ในตัวอย่างของเรา ชุดข้อมูลอนุกรมเวลาเป้าหมายมีมิติ item_id และการประทับเวลา และชุดข้อมูลอนุกรมเวลาที่เกี่ยวข้องเสริมประกอบด้วย no_of_consumer หมายเหตุสำคัญสำหรับชุดข้อมูลนี้: TTS สิ้นสุดในวันที่ 2023-01-01 และ RTS สิ้นสุดในวันที่ 2023-01-15 เมื่อดำเนินการตามสถานการณ์แบบ What-if สิ่งสำคัญคือต้องจัดการตัวแปร RTS ที่เกินขอบเขตเวลาที่คุณรู้จักใน TTS
ในการดำเนินการวิเคราะห์แบบ what-if เราจำเป็นต้องนำเข้าไฟล์ CSV สองไฟล์ที่แสดงข้อมูลอนุกรมเวลาเป้าหมายและข้อมูลอนุกรมเวลาที่เกี่ยวข้อง ตัวอย่างไฟล์อนุกรมเวลาเป้าหมายของเรามี item_id, timestamp และ demand และไฟล์อนุกรมเวลาที่เกี่ยวข้องของเรามี item_id, timestamp และ no_of consumer
ในการนำเข้าข้อมูลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซลการพยากรณ์ ให้เลือก ดูกลุ่มชุดข้อมูล
- Choose สร้างกลุ่มชุดข้อมูล
- สำหรับ ชื่อกลุ่มชุดข้อมูล, ป้อนชื่อ (สำหรับโพสต์นี้
water_consumption_datasetgroup
). - สำหรับ โดเมนพยากรณ์เลือกโดเมนการคาดการณ์ (สำหรับโพสต์นี้ ประเพณี).
- Choose ถัดไป.
- เกี่ยวกับ สร้างชุดข้อมูลอนุกรมเวลาเป้าหมาย ระบุชื่อชุดข้อมูล ความถี่ของข้อมูล และสคีมาข้อมูล
- เกี่ยวกับ รายละเอียดการนำเข้าชุดข้อมูล หน้าป้อนชื่อนำเข้าชุดข้อมูล
- สำหรับ นำเข้าไฟล์ประเภทให้เลือก CSV และป้อนตำแหน่งข้อมูล
- เลือกบทบาท IAM ที่คุณสร้างขึ้นก่อนหน้านี้เป็นข้อกำหนดเบื้องต้น
- Choose เริ่มต้น.
ระบบเปลี่ยนเส้นทางคุณไปยังแดชบอร์ดที่คุณสามารถใช้เพื่อติดตามความคืบหน้า
- ในการนำเข้าไฟล์อนุกรมเวลาที่เกี่ยวข้อง บนแดชบอร์ด ให้เลือก นำเข้า.
- เกี่ยวกับ สร้างชุดข้อมูลอนุกรมเวลาที่เกี่ยวข้อง ให้ระบุชื่อชุดข้อมูลและสคีมาข้อมูล
- เกี่ยวกับ รายละเอียดการนำเข้าชุดข้อมูล หน้าป้อนชื่อนำเข้าชุดข้อมูล
- สำหรับ นำเข้าไฟล์ประเภทให้เลือก CSV และป้อนตำแหน่งข้อมูล
- เลือกบทบาท IAM ที่คุณสร้างไว้ก่อนหน้านี้
- Choose เริ่มต้น.
ฝึกทำนาย
ต่อไป เราฝึกตัวทำนาย
- บนแดชบอร์ด ให้เลือก เริ่มต้น ภายใต้ ฝึกทำนาย.
- เกี่ยวกับ ทำนายรถไฟ หน้าป้อนชื่อสำหรับตัวทำนายของคุณ
- ระบุระยะเวลาในอนาคตที่คุณต้องการคาดการณ์และความถี่เท่าใด
- ระบุจำนวนควอไทล์ที่คุณต้องการคาดการณ์
การพยากรณ์ใช้ AutoPredictor เพื่อสร้างตัวทำนาย สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ตัวทำนายการฝึกอบรม.
- Choose สร้างบัญชีตัวแทน.
สร้างการคาดการณ์
หลังจากที่ตัวทำนายของเราได้รับการฝึกฝน (อาจใช้เวลาประมาณ 3.5 ชั่วโมง) เราจะสร้างการคาดการณ์ คุณจะรู้ว่าตัวทำนายของคุณได้รับการฝึกฝนเมื่อคุณเห็น ดูตัวทำนาย ปุ่มบนแดชบอร์ดของคุณ
- Choose เริ่มต้น ภายใต้ สร้างการคาดการณ์ บนแดชบอร์ด
- เกี่ยวกับ สร้างการคาดการณ์ หน้าป้อนชื่อการคาดการณ์
- สำหรับ Predictorให้เลือกตัวทำนายที่คุณสร้างขึ้น
- หรือระบุควอไทล์ของการคาดการณ์
- ระบุรายการที่จะสร้างการคาดการณ์
- Choose เริ่มต้น.
สอบถามการคาดการณ์ของคุณ
คุณสามารถสอบถามการคาดการณ์โดยใช้ สอบถามการคาดการณ์ ตัวเลือก. ตามค่าเริ่มต้น ระบบจะส่งกลับช่วงทั้งหมดของการคาดการณ์ คุณสามารถขอช่วงวันที่ที่ต้องการได้ภายในการคาดการณ์ที่สมบูรณ์ เมื่อคุณสอบถามการคาดการณ์ คุณต้องระบุเกณฑ์การกรอง ตัวกรองคือคู่คีย์-ค่า คีย์คือหนึ่งในชื่อแอตทริบิวต์ของสคีมา (รวมถึงมิติการคาดการณ์) จากชุดข้อมูลชุดหนึ่งที่ใช้ในการสร้างการคาดการณ์ ค่านี้เป็นค่าที่ถูกต้องสำหรับคีย์ที่ระบุ คุณสามารถระบุคู่คีย์-ค่าได้หลายคู่ การคาดการณ์ที่ส่งคืนจะมีเฉพาะรายการที่ตรงตามเกณฑ์ทั้งหมดเท่านั้น
- Choose สอบถามการคาดการณ์ บนแดชบอร์ด
- ระบุเกณฑ์การกรองสำหรับวันที่เริ่มต้นและวันที่สิ้นสุด
- ระบุคีย์และค่าการคาดการณ์ของคุณ
- Choose รับพยากรณ์.
ภาพหน้าจอต่อไปนี้แสดงการคาดการณ์การใช้พลังงานสำหรับอพาร์ตเมนต์เดียวกัน (รหัสรายการ A_10001) โดยใช้แบบจำลองการคาดการณ์
สร้างการวิเคราะห์แบบ What-if
ณ จุดนี้ เราได้สร้างการคาดการณ์พื้นฐานของเราที่สามารถดำเนินการวิเคราะห์แบบ what-if ลองนึกภาพสถานการณ์ที่อาคารอพาร์ตเมนต์ที่มีอยู่เพิ่มส่วนต่อขยาย และจำนวนครัวเรือนและผู้คนเพิ่มขึ้น 20% ตอนนี้คุณต้องทำการวิเคราะห์เพื่อคาดการณ์อุปทานที่เพิ่มขึ้นตามความต้องการที่เพิ่มขึ้น
มีสามขั้นตอนในการดำเนินการวิเคราะห์แบบ what-if: การตั้งค่าการวิเคราะห์ การสร้างการคาดการณ์แบบ what-if โดยการกำหนดสิ่งที่เปลี่ยนแปลงในสถานการณ์ และการเปรียบเทียบผลลัพธ์
- ในการตั้งค่าการวิเคราะห์ของคุณ ให้เลือก สำรวจการวิเคราะห์แบบ what-if บนแดชบอร์ด
- Choose สร้างบัญชีตัวแทน.
- ป้อนชื่อเฉพาะและเลือกการคาดการณ์พื้นฐาน
- เลือกรายการในชุดข้อมูลของคุณที่คุณต้องการทำการวิเคราะห์แบบ what-if คุณมีสองตัวเลือก:
- เลือกรายการทั้งหมด เป็นค่าเริ่มต้นที่เราเลือกในโพสต์นี้
- หากคุณต้องการเลือกรายการเฉพาะ ให้เลือก เลือกรายการที่มีไฟล์ และนำเข้าไฟล์ CSV ที่มีตัวระบุเฉพาะสำหรับรายการที่เกี่ยวข้องและมิติข้อมูลที่เกี่ยวข้อง
- Choose สร้างการวิเคราะห์แบบ what-if.
สร้างการคาดการณ์แบบ what-if
ต่อไป เราสร้างการคาดการณ์แบบ what-if เพื่อกำหนดสถานการณ์ที่เราต้องการวิเคราะห์
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร เกิดอะไรขึ้นถ้าคาดการณ์ ส่วนเลือก สร้างบัญชีตัวแทน.
- ป้อนชื่อสถานการณ์ของคุณ
- คุณสามารถกำหนดสถานการณ์ของคุณผ่านสองตัวเลือก:
- ใช้ฟังก์ชันการแปลงร่าง – ใช้ตัวสร้างการเปลี่ยนแปลงเพื่อแปลงข้อมูลอนุกรมเวลาที่เกี่ยวข้องที่คุณนำเข้า สำหรับคำแนะนำนี้ เราประเมินว่าความต้องการสินค้าในชุดข้อมูลของเราเปลี่ยนแปลงอย่างไรเมื่อจำนวนผู้บริโภคเพิ่มขึ้น 20% เมื่อเทียบกับราคาในการคาดการณ์พื้นฐาน
- กำหนดการคาดการณ์แบบ what-if ด้วยชุดข้อมูลทดแทน – แทนที่ชุดข้อมูลอนุกรมเวลาที่เกี่ยวข้องที่คุณนำเข้า
สำหรับตัวอย่างของเรา เราสร้างสถานการณ์ที่เราเพิ่มขึ้น no_of_consumer
โดย 20% ใช้กับ ID รายการ A_10001
และ no_of_consumer
เป็นคุณสมบัติในชุดข้อมูล คุณต้องมีการวิเคราะห์นี้เพื่อคาดการณ์และตอบสนองความต้องการน้ำที่เพิ่มขึ้น การวิเคราะห์นี้ยังช่วยให้คุณทำสัญญาที่คุ้มค่าตามการคาดการณ์ความต้องการน้ำ
- สำหรับ วิธีการกำหนดการคาดการณ์แบบ What-ifให้เลือก ใช้ฟังก์ชันการแปลงร่าง.
- Choose คูณ เป็นตัวดำเนินการของเรา no_of_consumer เป็นอนุกรมเวลาของเรา และป้อน 1.2
- Choose เพิ่มเงื่อนไข.
- Choose เท่ากับ เป็นการดำเนินการ และป้อน A_10001 สำหรับ item_id
- Choose สร้างบัญชีตัวแทน.
เปรียบเทียบการคาดการณ์
ตอนนี้เราสามารถเปรียบเทียบการคาดการณ์แบบ what-if สำหรับทั้งสองสถานการณ์ของเรา โดยเปรียบเทียบผู้บริโภคที่เพิ่มขึ้น 20% กับความต้องการพื้นฐาน
- ในหน้าการวิเคราะห์เชิงลึก ให้ไปที่ เปรียบเทียบการคาดการณ์แบบ what-if มาตรา.
- สำหรับ item_idป้อนรายการที่จะวิเคราะห์ (ในสถานการณ์ของเรา ให้ป้อน
A_10001
). - สำหรับ การคาดการณ์แบบเกิดอะไรขึ้นเลือก
water_demand_whatif_analyis
. - Choose เปรียบเทียบ what-if.
- คุณสามารถเลือกการคาดการณ์พื้นฐานสำหรับการวิเคราะห์
กราฟต่อไปนี้แสดงความต้องการที่เกิดขึ้นสำหรับสถานการณ์ของเรา เส้นสีแดงแสดงการคาดการณ์การใช้น้ำในอนาคตสำหรับประชากรที่เพิ่มขึ้น 20% ประเภทการคาดการณ์ P90 บ่งชี้ว่ามูลค่าจริงคาดว่าจะต่ำกว่ามูลค่าที่คาดการณ์ 90% ของเวลาทั้งหมด คุณสามารถใช้การคาดการณ์ความต้องการนี้เพื่อจัดการน้ำประปาได้อย่างมีประสิทธิภาพสำหรับความต้องการที่เพิ่มขึ้นและหลีกเลี่ยงการหยุดชะงักของบริการ
ส่งออกข้อมูลของคุณ
ในการส่งออกข้อมูลของคุณเป็น CSV ให้ทำตามขั้นตอนต่อไปนี้:
- Choose สร้างการส่งออก.
- ป้อนชื่อไฟล์ส่งออกของคุณ (สำหรับโพสต์นี้
water_demand_export
). - ระบุสถานการณ์ที่จะส่งออกโดยเลือกสถานการณ์บน What-If พยากรณ์ เมนูแบบเลื่อนลง
คุณสามารถส่งออกหลายสถานการณ์พร้อมกันในไฟล์รวม
- สำหรับ สถานที่ส่งออกระบุตำแหน่ง Amazon S3
- ในการเริ่มต้นการส่งออก ให้เลือก สร้างการส่งออก.
- หากต้องการดาวน์โหลดการส่งออก ให้ไปที่ตำแหน่งเส้นทางไฟล์ S3 บนคอนโซล Amazon S3 เลือกไฟล์และเลือก ดาวน์โหลด.
ไฟล์ที่ส่งออกจะมีไฟล์ timestamp
, item_id
และ forecasts
สำหรับแต่ละควอไทล์สำหรับสถานการณ์ทั้งหมดที่เลือก (รวมถึงสถานการณ์พื้นฐาน)
ทำความสะอาดทรัพยากร
เพื่อหลีกเลี่ยงค่าใช้จ่ายในอนาคต ให้นำทรัพยากรที่สร้างโดยโซลูชันนี้ออก:
- ลบทรัพยากรการคาดการณ์ คุณสร้าง
- ลบบัคเก็ต S3.
สรุป
ในโพสต์นี้ เราได้แสดงให้คุณเห็นว่าวิธีการใช้ Forecast และสถาปัตยกรรมระบบพื้นฐานนั้นง่ายเพียงใดในการทำนายความต้องการใช้น้ำโดยใช้ข้อมูลการใช้น้ำ การวิเคราะห์สถานการณ์แบบ what-if เป็นเครื่องมือสำคัญที่ช่วยนำทางผ่านความไม่แน่นอนของธุรกิจ มอบการมองการณ์ไกลและกลไกในการทดสอบความเครียด ช่วยให้ธุรกิจมีความยืดหยุ่นมากขึ้น เตรียมพร้อมดีขึ้น และควบคุมอนาคตของตนเองได้ ผู้ให้บริการสาธารณูปโภคอื่นๆ เช่น ผู้ให้บริการไฟฟ้าหรือก๊าซสามารถใช้ Forecast เพื่อสร้างโซลูชันและตอบสนองความต้องการด้านสาธารณูปโภคด้วยวิธีที่คุ้มค่า
ขั้นตอนในโพสต์นี้แสดงวิธีสร้างโซลูชันบน คอนโซลการจัดการ AWS. หากต้องการใช้ Forecast APIs โดยตรงสำหรับการสร้างโซลูชัน ให้ทำตามสมุดบันทึกในของเรา repo GitHub.
เราขอแนะนำให้คุณเรียนรู้เพิ่มเติมโดยไปที่ คู่มือนักพัฒนา Amazon Forecast และลองใช้โซลูชันแบบ end-to-end ที่เปิดใช้งานโดยบริการเหล่านี้ด้วยชุดข้อมูลที่เกี่ยวข้องกับ KPI ของธุรกิจของคุณ
เกี่ยวกับผู้เขียน
ธีรัช ฐกูร เป็นสถาปนิกโซลูชันกับ Amazon Web Services เขาทำงานร่วมกับลูกค้าและคู่ค้าของ AWS เพื่อให้คำแนะนำเกี่ยวกับการนำระบบคลาวด์ไปใช้ การย้ายข้อมูล และกลยุทธ์ เขาหลงใหลในเทคโนโลยีและสนุกกับการสร้างและทดลองในด้านการวิเคราะห์และ AI/ML
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- เกี่ยวกับเรา
- ยอมรับ
- เข้า
- ความถูกต้อง
- ถูกต้อง
- แม่นยำ
- ได้รับ
- ข้าม
- ที่เพิ่ม
- เพิ่มเติม
- นอกจากนี้
- ที่อยู่
- เพิ่ม
- การนำมาใช้
- มีผลต่อ
- หน่วยงานที่
- บริษัท ตัวแทน
- เกษตรกรรม
- ก่อน
- AI / ML
- AIR
- ทั้งหมด
- ทางเลือก
- เสมอ
- อเมซอน
- พยากรณ์อเมซอน
- Amazon Web Services
- ในหมู่
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- และ
- ที่พัก
- พาร์ทเมนท์
- APIs
- เหมาะสม
- ประมาณ
- สถาปัตยกรรม
- AREA
- รอบ
- ที่เกี่ยวข้อง
- หลีกเลี่ยง
- AWS
- ยอดคงเหลือ
- ฐาน
- ตาม
- baseline
- เพราะ
- กลายเป็น
- ก่อน
- เชื่อ
- ดีกว่า
- ระหว่าง
- เกิน
- สร้าง
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ธุรกิจ
- ปุ่ม
- จับ
- รอบคอบ
- กรณี
- กรณี
- บาง
- ท้าทาย
- การเปลี่ยนแปลง
- เปลี่ยนแปลง
- โหลด
- Choose
- เมฆ
- การยอมรับระบบคลาวด์
- โครงสร้างพื้นฐานคลาวด์
- เก็บรวบรวม
- การผสมผสาน
- รวม
- ความมุ่งมั่น
- ร่วมกัน
- เปรียบเทียบ
- เมื่อเทียบกับ
- เปรียบเทียบ
- ประกอบ
- สมบูรณ์
- การคำนวณ
- ความประพฤติ
- การดำเนิน
- พิจารณา
- ปลอบใจ
- ผู้บริโภค
- ผู้บริโภค
- การบริโภค
- มี
- สัญญา
- สัญญา
- ควบคุม
- ความสัมพันธ์
- ตรงกัน
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- เกณฑ์
- วิกฤติ
- ลูกค้า
- ลูกค้า
- หน้าปัด
- ข้อมูล
- ชุดข้อมูล
- วันที่
- วัน
- ค่าเริ่มต้น
- กำหนด
- การกำหนด
- ความต้องการ
- การพยากรณ์ความต้องการ
- แสดงให้เห็นถึง
- ผู้พัฒนา
- พัฒนาการ
- ต่าง
- มิติ
- โดยตรง
- ไม่
- โดเมน
- Dont
- ดาวน์โหลด
- ในระหว่าง
- พลวัต
- แต่ละ
- ก่อน
- ด้านเศรษฐกิจ
- การพัฒนาเศรษฐกิจ
- มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- กระแสไฟฟ้า
- เปิดการใช้งาน
- ช่วยให้
- ส่งเสริม
- จบสิ้น
- สิ้นสุด
- พลังงาน
- การใช้พลังงาน
- พอ
- เข้าสู่
- Enterprise
- อีเธอร์ (ETH)
- ประเมินค่า
- ตัวอย่าง
- ที่มีอยู่
- ที่คาดหวัง
- แพง
- ประสบการณ์
- อธิบาย
- ส่งออก
- นามสกุล
- ใบหน้า
- เร็วขึ้น
- ลักษณะ
- ค่าธรรมเนียม
- เนื้อไม่มีมัน
- ไฟล์
- กรอง
- กรอง
- หา
- ชื่อจริง
- มุ่งเน้นไปที่
- ปฏิบัติตาม
- ดังต่อไปนี้
- พยากรณ์
- เวลา
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชั่น
- อนาคต
- GAS
- สร้าง
- ได้รับ
- กำหนด
- กราฟ
- บัญชีกลุ่ม
- กลุ่ม
- การเจริญเติบโต
- การจัดการ
- การเก็บเกี่ยว
- ช่วย
- จะช่วยให้
- สูงกว่า
- อย่างสูง
- ทางประวัติศาสตร์
- ขอบฟ้า
- ชั่วโมง
- ผู้ประกอบการ
- บ้าน
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- AMI
- ความคิด
- ระบุ
- เอกลักษณ์
- ส่งผลกระทบ
- นำเข้า
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- รวม
- รวมถึง
- รวมทั้ง
- เพิ่ม
- เพิ่มขึ้น
- เพิ่มขึ้น
- บ่งชี้ว่า
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- ข้อมูลเชิงลึก
- คำแนะนำการใช้
- สินค้าคงคลัง
- การจัดการสินค้าคงคลัง
- สอบสวน
- IT
- รายการ
- เก็บ
- คีย์
- ทราบ
- ที่รู้จักกัน
- เรียนรู้
- การเรียนรู้
- การออกจาก
- Line
- ชีวิต
- ที่อาศัยอยู่
- ที่ตั้ง
- นาน
- ต่ำ
- ราคาต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- จัดการ
- การจัดการ
- การจัดการ
- จำเป็น
- ด้วยมือ
- กลไก
- พบ
- เมนู
- เมตาดาต้า
- อาจ
- การโยกย้าย
- ขั้นต่ำ
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- ตอนเช้า
- มากที่สุด
- หลาย
- ชื่อ
- ชื่อ
- โดยธรรมชาติ
- นำทาง
- จำเป็นต้อง
- ใหม่
- สมุดบันทึก
- จำนวน
- ONE
- การดำเนินการ
- การดำเนินการ
- ผู้ประกอบการ
- ตัวเลือกเสริม (Option)
- Options
- ใบสั่ง
- อื่นๆ
- ทั้งหมด
- คู่
- โดยเฉพาะ
- พาร์ทเนอร์
- หลงใหล
- อดีต
- เส้นทาง
- รูปแบบ
- ชำระ
- คน
- เปอร์เซ็นต์
- ดำเนินการ
- ที่มีประสิทธิภาพ
- สิทธิ์
- เลือก
- แผนการ
- การวางแผน
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- ประชากร
- โพสต์
- ที่มีศักยภาพ
- คาดการณ์
- ที่คาดการณ์
- ทำนาย
- Predictor
- เตรียม
- ราคา
- ราคา
- ประถม
- ก่อน
- ผลิตภัณฑ์
- ความคืบหน้า
- ให้
- ผู้จัดหา
- ผู้ให้บริการ
- ให้
- การให้
- บทบัญญัติ
- รวดเร็ว
- พิสัย
- เหตุผล
- สีแดง
- ภูมิภาค
- ที่เกี่ยวข้อง
- ตรงประเด็น
- เอาออก
- แทนที่
- เป็นตัวแทนของ
- ขอ
- ยืดหยุ่น
- ทรัพยากร
- แหล่งข้อมูล
- ส่งผลให้
- ผลสอบ
- ที่เพิ่มขึ้น
- บทบาท
- วิ่ง
- เดียวกัน
- สถานการณ์
- ได้อย่างลงตัว
- Section
- เลือก
- การเลือก
- ชุด
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- หลาย
- แสดงให้เห็นว่า
- ง่าย
- So
- ทางออก
- โซลูชัน
- แหล่งที่มา
- ทางใต้
- ช่องว่าง
- โดยเฉพาะ
- ที่ระบุไว้
- มั่นคง
- ขั้นตอน
- เริ่มต้น
- ข้อความที่เริ่ม
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- กลยุทธ์
- โครงสร้าง
- เพียงพอ
- ฤดูร้อน
- จัดหาอุปกรณ์
- อุปทานและอุปสงค์
- ระบบ
- เอา
- เป้า
- เทคโนโลยี
- พื้นที่
- พื้นที่
- ก้าวสู่อนาคต
- ของพวกเขา
- ดังนั้น
- สาม
- ตลอด
- ตลอด
- เวลา
- อนุกรมเวลา
- ครั้ง
- การประทับเวลา
- ไปยัง
- เครื่องมือ
- ลู่
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- การแปลง
- การเดินทาง
- จริง
- คุณค่าที่แท้จริง
- ชนิด
- ความไม่แน่นอน
- ภายใต้
- พื้นฐาน
- เป็นเอกลักษณ์
- หน่วย
- การใช้
- ใช้
- ใช้กรณี
- ประโยชน์
- ความคุ้มค่า
- ความหลากหลาย
- คำแนะนำ
- น้ำดื่ม
- สภาพอากาศ
- เว็บ
- บริการเว็บ
- อะไร
- ความหมายของ
- ที่
- ในขณะที่
- กว้าง
- จะ
- ฤดูหนาว
- ภายใน
- ไม่มี
- กำลังแรงงาน
- โรงงาน
- ของคุณ
- ลมทะเล