Прогнозирование с помощью модели временных рядов (GeoAI)

Краткая информация

Предсказывает значения каждого местоположения куба пространство-время с использованием модели прогнозирования временных рядов на основе глубокого обучения, которая была обучена с помощью инструмента Обучить модель прогнозирования временных рядов.

Использование

  • Вы должны установить соответствующую среду глубокого обучения для Python в ArcGIS AllSource.

    Узнайте, как установить среду глубокого обучения для ArcGIS

  • Входными данными является файл определения модели Esri (.emd) или файл пакета глубокого обучения (.dlpk), которые являются результатом инструмента Обучить модель прогнозирования временных рядов.

  • Этот инструмент поддерживает данные netCDF, созданные инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений, Создать куб пространство-время из многомерного растрового слоя и Поднабор куба пространство-время.

  • Этот инструмент использует модели прогнозирования временных рядов на основе глубокого обучения. Модели глубокого обучения обладают высокой способностью к обучению и подходят для временных рядов, которые следуют сложным тенденциям и которые трудно моделировать с помощью простых математических функций. Однако им требуется больший объем данных для обучения, чтобы выявить такие сложные тенденции, также они используют большой объем вычислительных ресурсов для обучения и логического вывода. Для использования этого инструмента рекомендуется GPU.

  • Параметр Опция выброса может использоваться для определения статистически значимых выбросов в значениях временных рядов в каждом местоположении.

    Более подробно об определении выбросов во временных рядах

  • Чтобы запустить этот инструмент с помощью графического процессора, установите для параметра Тип процессора значение GPU. Если у вас более одного графического процессора, вместо этого задайте параметр среды GPU ID.

  • Этот инструмент использует одну глобальную модель прогнозирования, которая была обучена на данных временных рядов для каждого местоположения.

  • Значения параметра Выходные объекты будут добавлены на панель Содержание с отображением, основанным на лучшем сохраненном прогнозируемом временном шаге.

  • Этот инструмент создает сообщения геообработки и всплывающие диаграммы, которые помогут вам понять и визуализировать результаты прогноза. Сообщения содержат информацию о структуре куба пространство-время и сводную статистику значений RMSE. Если щелкнуть объект с помощью инструмента навигации Исследовать, отображается диаграмма-график во Всплывающей панели, которая показывает значения куба пространство-время и соответствующие значения, а также прогнозные значения для этого местоположения.

  • Информацию о требованиях к запуску этого инструмента и проблемах, с которыми вы можете столкнуться, см. в разделе Часто задаваемые вопросы по глубокому обучению.

Параметры

ПодписьОписаниеТип данных
Входные данные временного ряда

Куб netCDF, содержащий переменную, которая будет использоваться, чтобы спрогнозировать будущие временные ряды. Файл должен быть с расширением .nc, и должен быть создан инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя.

File
Определение модели

Файл модели глубокого обучения (.dlpk или .emd), который будет использоваться для прогнозов. Модель можно обучить с помощью инструмента Обучить модель прогнозирования временных рядов.

File
Выходные объекты

Выходной класс объектов, содержащий все местоположения куба пространства-времени с прогнозируемыми значениями, хранящимися в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды и прогнозы для каждого местоположения.

Feature Class
Количество временных шагов для прогноза

Положительное целое число, определяющее количество временных рядов, которые будут использоваться для прогноза переменной анализа. Значение по умолчанию – 2. Это значение не может быть больше 50 процентов от общего числа временных шагов во Входном кубе пространства-времени для одношагового прогнозирования и не может быть больше, чем 50 процентов значения параметра Длина последовательности в инструменте Обучить модель прогнозирования временных рядов для многошагового прогнозирования.

Long
Сопоставление независимых переменных
(Дополнительный)

Сопоставление названий имен полей из прогнозируемой выборки с обучающей выборкой. Используйте этот параметр, если имена полей обучающих и прогнозируемых наборов отличаются. Эти значения - имена полей в наборе данных прогнозирования, которые соответствуют именам полей во входных данных временных рядов.

Value Table
Выходной куб
(Дополнительный)

Выходной куб пространство-время (файл .nc), содержащий значения входного куба пространство-время с добавлением прогнозируемых временных шагов. Инструмент Визуализация куба Пространство-Время в 3D для одновременного просмотра всех наблюдаемых и прогнозируемых значений.

File
Опция Выброс
(Дополнительный)

Задает, будут ли определяться статистически значимые выбросы во временных рядах.

  • НетВыбросы не будут определяться. Это значение по умолчанию
  • Определять выбросыВыбросы будут определяться с использованием теста Генерализованный ESD.
String
Уровень достоверности
(Дополнительный)

Задает уровень достоверности, который будет использоваться для теста выбросов во временных рядах.

  • 90%Уровень достоверности для теста будет 90 процентов. Это значение по умолчанию
  • 95%Уровень достоверности теста будет 95 процентов.
  • 99%Уровень достоверности для теста будет 99 процентов.
String
Максимальное число выбросов

Максимальное число временных шагов, которые могут быть объявлены выбросами в каждом местоположении. Значение по умолчанию составляет 5 процентов (округлено вниз) от количества временных шагов входного куба пространства-времени (значение хотя бы 1 будет использоваться всегда). Значение не может превышать 20 процентов от числа временных шагов.

Long

arcpy.geoai.ForecastUsingTimeSeriesModel(in_cube, in_model_definition, out_features, number_of_timesteps_to_forecast, {match_explanatory_variables}, {out_cube}, {outlier_option}, {level_of_confidence}, maximum_number_of_outliers)
ИмяОписаниеТип данных
in_cube

Куб netCDF, содержащий переменную, которая будет использоваться, чтобы спрогнозировать будущие временные ряды. Файл должен быть с расширением .nc, и должен быть создан инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя.

File
in_model_definition

Файл модели глубокого обучения (.dlpk или .emd), который будет использоваться для прогнозов. Модель можно обучить с помощью инструмента Обучить модель прогнозирования временных рядов.

File
out_features

Выходной класс объектов, содержащий все местоположения куба пространства-времени с прогнозируемыми значениями, хранящимися в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды и прогнозы для каждого местоположения.

Feature Class
number_of_timesteps_to_forecast

Положительное целое число, определяющее количество временных рядов, которые будут использоваться для прогноза переменной анализа. Значение по умолчанию – 2. Это значение не может быть больше 50 процентов от общего числа временных шагов во Входном кубе пространства-времени для одношагового прогнозирования и не может быть больше, чем 50 процентов значения параметра sequence_length в инструменте Обучить модель прогнозирования временных рядов для многошагового прогнозирования.

Long
match_explanatory_variables
[match_explanatory_variables,...]
(Дополнительный)

Сопоставление названий имен полей из прогнозируемой выборки с обучающей выборкой. Используйте этот параметр, если имена полей обучающих и прогнозируемых наборов отличаются. Эти значения - имена полей в наборе данных прогнозирования, которые соответствуют именам полей во входных данных временных рядов.

Value Table
out_cube
(Дополнительный)

Выходной куб пространство-время (файл .nc), содержащий значения входного куба пространство-время с добавлением прогнозируемых временных шагов. Инструмент Визуализация куба Пространство-Время в 3D для одновременного просмотра всех наблюдаемых и прогнозируемых значений.

File
outlier_option
(Дополнительный)

Задает, будут ли определяться статистически значимые выбросы во временных рядах.

  • NONEВыбросы не будут определяться. Это значение по умолчанию
  • IDENTIFYВыбросы будут определяться с использованием теста Генерализованный ESD.
String
level_of_confidence
(Дополнительный)

Задает уровень достоверности, который будет использоваться для теста выбросов во временных рядах.

  • 90%Уровень достоверности для теста будет 90 процентов. Это значение по умолчанию
  • 95%Уровень достоверности теста будет 95 процентов.
  • 99%Уровень достоверности для теста будет 99 процентов.
String
maximum_number_of_outliers

Максимальное число временных шагов, которые могут быть объявлены выбросами в каждом местоположении. Значение по умолчанию составляет 5 процентов (округлено вниз) от количества временных шагов входного куба пространства-времени (значение хотя бы 1 будет использоваться всегда). Значение не может превышать 20 процентов от числа временных шагов.

Long

Пример кода

ForecastUsingTimeSeriesModel, пример (автономный скрипт)

Это пример использования функции ForecastUsingTimeSeriesModel.

# Description: Forecast a time series model on space-time cube data with the trained model 
#              obtained by the TrainTimeSeriesForecastingModel function.

# Import system modules
import arcpy
import os

# Set local variables
datapath  = "path_to_data_for_forecasting" 
out_path = "path_to_gdb_for_forecasting"

model_path = os.path.join(out_path, "model.dlpk")
in_cube = os.path.join(datapath, "test_data")
output_features = os.path.join(out_path, "forecasted_feature.gdb", "forecasted")

# Run Forecast Using Time Series Model 
r = arcpy.geoai.ForecastUsingTimeSeriesModel(
    in_cube,
    model_path,
    output_features,
    number_of_timesteps_to_forecast=2,
    match_explanatory_variables=None
)