Samouczek: prognozowanie zapotrzebowania na usługę wypożyczania rowerów przy użyciu analizy szeregów czasowych i ML.NET

Dowiedz się, jak prognozować zapotrzebowanie na usługę wypożyczania rowerów przy użyciu niezmiennej analizy szeregów czasowych na danych przechowywanych w bazie danych programu SQL Server z ML.NET.

W tym poradniku nauczysz się, jak:

• Omówienie problemu
• Ładowanie danych z bazy danych
• Tworzenie modelu prognozowania
• Ocena modelu prognozowania
• Zapisywanie modelu prognozowania
• Korzystanie z modelu prognozowania

Wymagania wstępne

• Program Visual Studio 2022 lub nowszy z zainstalowanym pakietem roboczym programowanie aplikacji dla komputerów stacjonarnych .NET.

Omówienie przykładu prognozowania szeregów czasowych

Ten przykład jest aplikacją konsolową języka C# , która prognozuje zapotrzebowanie na wypożyczanie rowerów przy użyciu niezmiennego algorytmu analizy szeregów czasowych znanego jako Analiza pojedynczego spektrum. Kod dla tego przykładu można znaleźć w repozytorium dotnet/machinelearning-samples w witrynie GitHub.

Omówienie problemu

Aby uruchomić wydajną operację, zarządzanie zapasami odgrywa kluczową rolę. Posiadanie zbyt dużej ilości produktu w magazynie oznacza, że produkty niesprzedane siedzą na półkach, nie generując żadnych przychodów. Zbyt mało produktów prowadzi do utraty sprzedaży i klientów kupujących od konkurentów. W związku z tym stałe pytanie brzmi: jaka jest optymalna ilość zapasów do utrzymania na bieżąco? Analiza szeregów czasowych pomaga zapewnić odpowiedź na te pytania, analizując dane historyczne, identyfikując wzorce i używając tych informacji do prognozowania wartości w przyszłości.

Technika analizowania danych używanych w tym samouczku jest niezmienna analiza szeregów czasowych. Pojedyncza analiza szeregów czasowych analizuje pojedynczą obserwację liczbową w danym okresie w określonych interwałach, takich jak miesięczna sprzedaż.

Algorytm używany w tym samouczku to Analiza Pojedynczego Spektrum (SSA). Usługa SSA działa przez rozdzielenie szeregów czasowych na zestaw głównych składników. Te składniki można interpretować jako części sygnału, które odpowiadają trendom, szumowi, sezonowości i wielu innym czynnikom. Następnie te składniki są odtwarzane i używane do prognozowania wartości w przyszłości.

Tworzenie aplikacji konsolowej

1. Utwórz aplikację konsolową języka C# o nazwie "BikeDemandForecasting". Kliknij przycisk Next (Dalej).

2. Wybierz platformę .NET 8 jako platformę do użycia. Kliknij przycisk Utwórz.

3. Instalowanie pakietu NuGet w wersji Microsoft.ML

   Uwaga / Notatka

   W tym przykładzie użyto najnowszej stabilnej wersji pakietów NuGet wymienionych, chyba że określono inaczej.

   1. W Eksploratorze rozwiązań kliknij prawym przyciskiem myszy projekt i wybierz polecenie Zarządzaj pakietami NuGet.
   2. Wybierz pozycję "nuget.org" jako źródło pakietu, wybierz kartę Przeglądaj , wyszukaj Microsoft.ML.
   3. Zaznacz pole wyboru Uwzględnij wersję wstępną .
   4. Wybierz przycisk Zainstaluj.
   5. Wybierz przycisk OK w oknie dialogowym Podgląd zmian , a następnie wybierz przycisk Akceptuję w oknie dialogowym Akceptacja licencji, jeśli zgadzasz się z postanowieniami licencyjnymi dla pakietów wymienionych.
   6. Powtórz te kroki dla programów System.Data.SqlClient i Microsoft.ML.TimeSeries.

Przygotowywanie i zrozumienie danych

1. Utwórz katalog o nazwie Dane.
2. Pobierz plik bazy danych DailyDemand.mdf i zapisz go w katalogu Data.

Uwaga / Notatka

Dane używane w tym samouczku pochodzą z zbioru danych UCI Bike Sharing. Hadi Fanaee-T i João Gama, "Etykietowanie zdarzeń łączące detektory zbiorowe i wiedzę tła", Progress in Artificial Intelligence (2013): s. 1-15, Springer Berlin Heidelberg, Link internetowy.

Oryginalny zestaw danych zawiera kilka kolumn odpowiadających sezonowości i pogodzie. W przypadku zwięzłości i dlatego, że algorytm używany w tym samouczku wymaga tylko wartości z jednej kolumny liczbowej, oryginalny zestaw danych został skondensowany w celu uwzględnienia tylko następujących kolumn:

• dteday: data obserwacji.
• year: zakodowany rok obserwacji (0=2011, 1=2012).
• cnt: Całkowita liczba wypożyczeń rowerów w tym dniu.

Oryginalny zestaw danych jest mapowany na tabelę bazy danych z następującym schematem w bazie danych programu SQL Server.

CREATE TABLE [Rentals] (
    [RentalDate] DATE NOT NULL,
    [Year] INT NOT NULL,
    [TotalRentals] INT NOT NULL
);

Poniżej przedstawiono przykładowe dane:

DataWypożyczenia	Rok	TotalRentals
1/1/2011	0	985
1/2/2011	0	801
1/3/2011	0	1349

Tworzenie klas wejściowych i wyjściowych

1. Otwórz plik Program.cs i zastąp istniejące using dyrektywy następującymi:

   using Microsoft.ML;
   using Microsoft.ML.Data;
   using Microsoft.ML.Transforms.TimeSeries;
   using System.Data.SqlClient;
   

2. Utwórz ModelInput klasę. Program Poniżej klasy dodaj następujący kod.

   public class ModelInput
   {
       public DateTime RentalDate { get; set; }
   
       public float Year { get; set; }
   
       public float TotalRentals { get; set; }
   }
   

   Klasa ModelInput zawiera następujące kolumny:

   • RentalDate: data obserwacji.
   • Rok: zakodowany rok obserwacji (0=2011, 1=2012).
   • TotalRentals: łączna liczba wypożyczeń rowerów dla tego dnia.

3. Utwórz ModelOutput klasę poniżej nowo utworzonej ModelInput klasy.

   public class ModelOutput
   {
       public float[] ForecastedRentals { get; set; }
   
       public float[] LowerBoundRentals { get; set; }
   
       public float[] UpperBoundRentals { get; set; }
   }
   

   Klasa ModelOutput zawiera następujące kolumny:

   • ForecastedRentals: przewidywane wartości dla prognozowanego okresu.
   • LowerBoundRentals: przewidywane wartości minimalne dla prognozowanego okresu.
   • UpperBoundRentals: przewidywane wartości maksymalne dla prognozowanego okresu.

Definiowanie ścieżek i inicjowanie zmiennych

1. using Poniżej dyrektywy definiują zmienne do przechowywania lokalizacji danych, parametrów połączenia i miejsca zapisania wytrenowanego modelu.

   string rootDir = Path.GetFullPath(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "../../../"));
   string dbFilePath = Path.Combine(rootDir, "Data", "DailyDemand.mdf");
   string modelPath = Path.Combine(rootDir, "MLModel.zip");
   var connectionString = $"Data Source=(LocalDB)\\MSSQLLocalDB;AttachDbFilename={dbFilePath};Integrated Security=True;Connect Timeout=30;";
   

2. Zainicjuj zmienną mlContext za pomocą nowego wystąpienia MLContext, dodając następujący wiersz po zdefiniowaniu ścieżek.

   MLContext mlContext = new MLContext();
   

   Klasa MLContext jest punktem wyjścia dla wszystkich operacji ML.NET, a inicjowanie metody mlContext tworzy nowe środowisko ML.NET, które może być współużytkowane przez obiekty przepływu pracy tworzenia modelu. Jest ona podobna, koncepcyjnie, do DBContext w programie Entity Framework.

Ładowanie danych

1. Utwórz DatabaseLoader , który ładuje rekordy typu ModelInput.

   DatabaseLoader loader = mlContext.Data.CreateDatabaseLoader<ModelInput>();
   

2. Zdefiniuj zapytanie, aby załadować dane z bazy danych.

   string query = "SELECT RentalDate, CAST(Year as REAL) as Year, CAST(TotalRentals as REAL) as TotalRentals FROM Rentals";
   

   ML.NET algorytmy oczekują, że dane będą typu Single. W związku z tym wartości liczbowe pochodzące z bazy danych, które nie są typu Real, czyli nie są wartością zmiennoprzecinkową o pojedynczej precyzji, muszą zostać przekonwertowane na Real.

   Kolumny Year i TotalRental są typami liczb całkowitych w bazie danych. Przy użyciu wbudowanej CAST funkcji są one rzutowane na Real.

3. Utwórz element , DatabaseSource aby nawiązać połączenie z bazą danych i wykonać zapytanie.

   DatabaseSource dbSource = new DatabaseSource(SqlClientFactory.Instance,
                                   connectionString,
                                   query);
   

4. Załaduj dane do obiektu IDataView.

   IDataView dataView = loader.Load(dbSource);
   

5. Zestaw danych zawiera dane z dwóch lat. Tylko dane z pierwszego roku są używane do trenowania, drugi rok jest przechowywany w celu porównania rzeczywistych wartości z prognozą wygenerowaną przez model. Przefiltruj FilterRowsByColumn dane przy użyciu przekształcenia.

   IDataView firstYearData = mlContext.Data.FilterRowsByColumn(dataView, "Year", upperBound: 1);
   IDataView secondYearData = mlContext.Data.FilterRowsByColumn(dataView, "Year", lowerBound: 1);
   

   W pierwszym roku wybierane są tylko wartości w kolumnie mniejszej Year niż 1 przez ustawienie parametru upperBound na 1. Z drugiej strony dla drugiego roku wartości większe lub równe 1 są wybierane przez ustawienie parametru lowerBound na 1.

Definiowanie potoku analizy szeregów czasowych

1. Zdefiniuj potok przetwarzania, który używa SsaForecastingEstimator do prognozowania wartości w zestawie danych szeregów czasowych.

   var forecastingPipeline = mlContext.Forecasting.ForecastBySsa(
       outputColumnName: "ForecastedRentals",
       inputColumnName: "TotalRentals",
       windowSize: 7,
       seriesLength: 30,
       trainSize: 365,
       horizon: 7,
       confidenceLevel: 0.95f,
       confidenceLowerBoundColumn: "LowerBoundRentals",
       confidenceUpperBoundColumn: "UpperBoundRentals");
   

   forecastingPipeline pobiera 365 punktów danych dla pierwszego roku i dzieli lub próbuje zestaw danych szeregów czasowych na 30-dniowe (miesięczne) interwały, określone przez parametr seriesLength. Każda z tych próbek jest analizowana co tydzień lub przez 7 dni. Podczas określania, jaka jest prognozowana wartość dla następnych okresów, wartości z poprzednich siedmiu dni są używane do przewidywania. Model jest ustawiony na prognozowanie siedmiu okresów w przyszłości zgodnie z definicją parametru horizon . Ponieważ prognoza jest świadomym zgadywaniem, nie zawsze jest to 100% dokładne. Dlatego dobrze jest znać zakres wartości w najlepszych i najgorszych scenariuszach zdefiniowanych przez górne i dolne granice. W tym przypadku poziom ufności dla dolnej i górnej granicy wynosi 95%. Poziom ufności można odpowiednio zwiększyć lub zmniejszyć. Im większa wartość, tym szerszy zakres znajduje się między górną i dolną granicą, aby osiągnąć żądany poziom ufności.

2. Fit Użyj metody , aby wytrenować model i dopasować dane do wcześniej zdefiniowanego forecastingPipelineelementu .

   SsaForecastingTransformer forecaster = forecastingPipeline.Fit(firstYearData);
   

Ocena modelu

Oceń, jak dobrze działa model, prognozując dane w przyszłym roku i porównując je z rzeczywistymi wartościami.

1. Utwórz nową metodę narzędzia o nazwie Evaluate w dolnej części pliku Program.cs .

   Evaluate(IDataView testData, ITransformer model, MLContext mlContext)
   {
   
   }
   

2. Evaluate Wewnątrz metody prognozowanie danych z drugiego roku przy użyciu Transform metody z wytrenowanym modelem.

   IDataView predictions = model.Transform(testData);
   

3. Pobierz rzeczywiste wartości z danych przy użyciu CreateEnumerable metody .

   IEnumerable<float> actual =
       mlContext.Data.CreateEnumerable<ModelInput>(testData, true)
           .Select(observed => observed.TotalRentals);
   

4. Pobierz wartości prognozy przy użyciu CreateEnumerable metody .

   IEnumerable<float> forecast =
       mlContext.Data.CreateEnumerable<ModelOutput>(predictions, true)
           .Select(prediction => prediction.ForecastedRentals[0]);
   

5. Oblicz różnicę między wartościami rzeczywistymi i prognozami, często określanymi jako błąd.

   var metrics = actual.Zip(forecast, (actualValue, forecastValue) => actualValue - forecastValue);
   

6. Mierzenie wydajności przez obliczenie wartości Błędu bezwzględnego średniej i średniej średniokwadratowej.

   var MAE = metrics.Average(error => Math.Abs(error)); // Mean Absolute Error
   var RMSE = Math.Sqrt(metrics.Average(error => Math.Pow(error, 2))); // Root Mean Squared Error
   

   Aby ocenić wydajność, używane są następujące metryki:

   • Średni błąd bezwzględny: mierzy, jak bliskie są przewidywania rzeczywistej wartości. Ta wartość waha się od 0 do nieskończoności. Im bliżej 0, tym lepsza jakość modelu.
   • Główny błąd średniokwadratowy: podsumowuje błąd w modelu. Ta wartość waha się od 0 do nieskończoności. Im bliżej 0, tym lepsza jakość modelu.

7. Wyprowadź metryki do konsoli.

   Console.WriteLine("Evaluation Metrics");
   Console.WriteLine("---------------------");
   Console.WriteLine($"Mean Absolute Error: {MAE:F3}");
   Console.WriteLine($"Root Mean Squared Error: {RMSE:F3}\n");
   

8. Wywołaj metodę Evaluate poniżej wywołującą metodę Fit() .

   Evaluate(secondYearData, forecaster, mlContext);
   

Zapisywanie modelu

Jeśli model jest zadowalający, zapisz go do późniejszego użycia w innych aplikacjach.

1. Evaluate() Poniżej metody utwórz element TimeSeriesPredictionEngine. TimeSeriesPredictionEngine jest wygodną metodą tworzenia pojedynczych przewidywań.

   var forecastEngine = forecaster.CreateTimeSeriesEngine<ModelInput, ModelOutput>(mlContext);
   

2. Zapisz model w pliku o nazwie MLModel.zip określonej przez wcześniej zdefiniowaną modelPath zmienną. Checkpoint Użyj metody , aby zapisać model.

   forecastEngine.CheckPoint(mlContext, modelPath);
   

Prognozowanie zapotrzebowania przy użyciu modelu

1. Evaluate Poniżej metody utwórz nową metodę narzędzia o nazwie Forecast.

   void Forecast(IDataView testData, int horizon, TimeSeriesPredictionEngine<ModelInput, ModelOutput> forecaster, MLContext mlContext)
   {
   
   }
   

2. Forecast Wewnątrz metody użyj Predict metody , aby prognozować wypożyczenie w ciągu najbliższych siedmiu dni.

   ModelOutput forecast = forecaster.Predict();
   

3. Wyrównywanie rzeczywistych i prognozowanych wartości dla siedmiu okresów.

   IEnumerable<string> forecastOutput =
       mlContext.Data.CreateEnumerable<ModelInput>(testData, reuseRowObject: false)
           .Take(horizon)
           .Select((ModelInput rental, int index) =>
           {
               string rentalDate = rental.RentalDate.ToShortDateString();
               float actualRentals = rental.TotalRentals;
               float lowerEstimate = Math.Max(0, forecast.LowerBoundRentals[index]);
               float estimate = forecast.ForecastedRentals[index];
               float upperEstimate = forecast.UpperBoundRentals[index];
               return $"Date: {rentalDate}\n" +
               $"Actual Rentals: {actualRentals}\n" +
               $"Lower Estimate: {lowerEstimate}\n" +
               $"Forecast: {estimate}\n" +
               $"Upper Estimate: {upperEstimate}\n";
           });
   

4. Iteruj dane wyjściowe prognozy i wyświetlaj je w konsoli programu .

   Console.WriteLine("Rental Forecast");
   Console.WriteLine("---------------------");
   foreach (var prediction in forecastOutput)
   {
       Console.WriteLine(prediction);
   }
   

Uruchamianie aplikacji

1. Poniżej wywołaj metodę Checkpoint() wywołaj metodę Forecast .

   Forecast(secondYearData, 7, forecastEngine, mlContext);
   

2. Uruchom aplikację. Dane wyjściowe podobne do poniższych powinny pojawić się na konsoli. W celu zwięzłości dane wyjściowe zostały skondensowane.

   Evaluation Metrics
   ---------------------
   Mean Absolute Error: 726.416
   Root Mean Squared Error: 987.658
   
   Rental Forecast
   ---------------------
   Date: 1/1/2012
   Actual Rentals: 2294
   Lower Estimate: 1197.842
   Forecast: 2334.443
   Upper Estimate: 3471.044
   
   Date: 1/2/2012
   Actual Rentals: 1951
   Lower Estimate: 1148.412
   Forecast: 2360.861
   Upper Estimate: 3573.309
   

Inspekcja rzeczywistych i prognozowanych wartości pokazuje następujące relacje:

Chociaż prognozowane wartości nie przewidują dokładnej liczby wypożyczeń, zapewniają bardziej wąski zakres wartości, które umożliwiają operacjom optymalizowanie ich wykorzystania zasobów.

Gratulacje! Udało Ci się utworzyć model uczenia maszynowego szeregów czasowych w celu prognozowania zapotrzebowania na wynajem rowerów.

Kod źródłowy tego samouczka można znaleźć w repozytorium dotnet/machinelearning-samples .

Dalsze kroki

• Zadania uczenia maszynowego w ML.NET
• Zwiększanie dokładności modelu