Служба прогнозирования машинного обучения
Версия: 1.26.0
Служба прогнозирования ML — это дополнительная служба, которая применяет машинное обучение и статистические модели для прогнозирования временных рядов. Он позволяет создавать конфигурации прогнозов для атрибутов с историческими данными. В настоящее время он поддерживает Prophet, модель аддитивной регрессии, которая известна своей способностью эффективно улавливать тенденции, сезонность и влияние праздников. Дополнительные модели будут поддерживаться в будущих выпусках.
Примечание
Эта служба не установлена по умолчанию. Его может установить администратор, следуя инструкциям на странице External Services.
Особенности
- Создание конфигураций прогноза для любого атрибута, имеющего исторические данные.
- Прогнозы формируются автоматически через заданный интервал
- Управление конфигурациями прогнозов в пользовательском интерфейсе.
- Точная настройка конфигурации путем настройки параметров модели.
- Сгенерированные прогнозы можно рассматривать как прогнозируемые точки данных при визуализации через пользовательский интерфейс Insights.
Доступ к сервису
Чтобы получить доступ к службе, сначала необходимо перейти на страницу Services в пользовательском интерфейсе Manager.
Если служба установлена правильно, вы увидите ML Forecasting Service в списке служб.
Использование
Когда сервис выбран, вы должны увидеть список конфигураций прогноза. Если их нет, вы можете создать их, нажав кнопку Configure New Forecast.
Затем вы можете настроить прогноз, заполнив форму.
Форма конфигурации
Форма содержит разумные значения по умолчанию для параметров генерации прогноза, обучения и модели. Рекомендуется оставить для полей Parameters значения по умолчанию, если у вас нет особых причин их изменять.
Раздел
Поле
Описание
Общие
Name
Имя конфигурации прогноза
Model Type
Модель, которую следует использовать для прогнозирования
Создание прогноза
Generate new forecast every
Как часто создавать новые прогнозы (увеличьте, если данные быстро меняются)
Unit
Измерение времени (часы, минуты и т. д.)
Forecasted datapoints
Сколько будущих очков прогнозировать (больше для долгосрочного планирования)
Time between datapoints
Разрыв между каждой прогнозируемой точкой
Unit
Измерение времени для пробелов в прогнозировании
Прогнозируемая цель
Asset
Устройство или система с данными, которые вы хотите спрогнозировать.
Attribute
Конкретные данные, которые вы хотите спрогнозировать
Training data period
На каком объеме прошлых данных можно учиться (больше для сложных моделей, меньше, если произошли системные изменения)
Unit
Измерение времени (дни, недели, месяцы, годы)
Модельное обучение
Train model every
Как часто система учится на новых данных (оставьте то же, что и при создании прогнозов)
Unit
Измерение времени для переобучения
Параметры
Changepoint range
Какую часть ваших данных нужно проверить на наличие изменений (0,8 = 80%). Уменьшите, если прогнозы слишком резкие.
Changepoint prior scale
Насколько вероятно, по мнению системы, произойдут изменения (0,05 = 5%). Увеличение для более гибких прогнозов, которые быстро адаптируются к изменениям, уменьшение для более плавных прогнозов, игнорирующих незначительные изменения.
Seasonality mode
Как работают сезонные шаблоны (additive или multiplicative). Additive применяет фиксированные сезонные корректировки (например, +10 единиц летом). Multiplicative применяет процентные корректировки (например, +20% летом).
Daily seasonality
Ищите ежедневные закономерности. Включить ежедневные циклы (энергия, температура)
Weekly seasonality
Ищите еженедельные закономерности. Включить разницу между будними и выходными днями
Yearly seasonalityИщите годовые закономерности. Включить сезонные данные (требуется история за год и более)
Регрессоры
Asset
Актив, содержащий атрибут регрессора
(Необязательно)
Attribute
Атрибут, используемый в качестве регрессора
Training data period
Исторический период для данных регрессора (должен соответствовать целевому периоду обучения или превышать его)
Unit
Единица времени для данных обучения регрессора
Регрессоры можно добавлять, когда существует связь между целевой переменной и другими атрибутами. Например, при прогнозировании энергопотребления вы можете добавить данные о погоде или выработке солнечной энергии в качестве регрессоров.
важный
При использовании регрессоров они должны иметь прогнозируемые точки данных, доступные на весь прогнозируемый период. Если у регрессора нет будущих точек данных, прогноз не удастся. Это означает, что вам необходимо либо:
- Используйте другую конфигурацию прогноза, чтобы сначала спрогнозировать значения регрессора.
- Используйте другой механизм, например собственное правило или метаконфигурацию, для прогнозирования значений регрессора.
Сохранение конфигурации
После того как вы настроили все поля, нажмите кнопку Save, чтобы сохранить конфигурацию прогноза. Модель автоматически обучится и начнет генерировать прогнозы в соответствии с указанными вами интервалами. После этого шага вы можете безопасно покинуть страницу конфигурации.
Просмотр прогноза
После создания прогноза вы можете просмотреть его в пользовательском интерфейсе Insights.
Прогноз будет отображаться на графике в виде пунктирной линии.
Следующие шаги
Теперь, когда вы понимаете, как настроить и использовать службу прогнозирования ML, вы можете:
- Отслеживайте результаты в пользовательском интерфейсе Insights, чтобы проверить качество прогноза.
- Экспериментируйте с параметрами, чтобы оптимизировать точность прогнозов для вашего конкретного случая использования.
- Добавьте регрессоры, если вы определяете связи между разными источниками данных.
- Добавьте дополнительные прогнозы, создав дополнительные конфигурации для других активов и атрибутов.
Уведомление о лицензии: атрибуция документации OpenRemote