Después de guardar una interconexión de series temporales de AutoAI como un modelo, puede desplegar y puntuar el modelo para pronosticar nuevos valores.
Despliegue de un modelo de series temporales
Después de guardar un modelo en un proyecto, siga los pasos para desplegar el modelo:
- Busque el modelo en la lista de activos del proyecto.
- Promocione el modelo a un espacio de despliegue.
- Promocione los datos de carga útil al espacio de despliegue.
- Desde el espacio de despliegue, cree un despliegue.
Consideraciones sobre la puntuación
Llegado a este punto, el despliegue de un modelo de series temporales sigue los mismos pasos que el despliegue de un modelo de clasificación o regresión. No obstante, debido al modo en que se estructuran y generan las predicciones en un modelo de series temporales, su entrada debe coincidir con la estructura de su modelo. Por ejemplo, el modo en que estructura su carga útil depende de si la predicción es de un único resultado (univariada) o varios resultados (multivariada).
Tenga en cuenta estas consideraciones de alto nivel:
- Para obtener la fila o filas de la primera ventana de predicción después de la última fila de sus datos, envíe una carga útil vacía.
- Para obtener el valor siguiente, envíe el resultado desde la solicitud de carga útil vacía como su solicitud de puntuación siguiente, y así sucesivamente.
- Puede enviar varias filas como entrada, para crear tendencias y predecir el valor siguiente después de una tendencia.
- Si tiene varias columnas de predicción, debe incluir un valor para cada una de ellas en su solicitud de puntuación
- Al configurar el despliegue, puede especificar un valor para Pasos por delante para cambiar el número de pasos a predecir. Por ejemplo, para el tiempo por hora podría predecir 24 pasos.
Puntuación de un despliegue en línea
Si crea un despliegue en línea, puede pasar los datos de carga útil utilizando un formulario de entrada o enviando código JSON. Este ejemplo muestra cómo estructurar el código JSON para generar predicciones.
Predicción de un único valor
En el caso más sencillo, dados estos datos de muestra, está intentando predecir el siguiente paso de value1 con una ventana de predicción de 1, lo que significa que cada predicción será un único paso (fila).
| indicación de fecha y hora | value1 |
|---|---|
| 2015-02026 21:42 | 2 |
| 2015-02026 21:47 | 4 |
| 2015-02026 21:52 | 6 |
| 2015-02026 21:57 | 8 |
| 2015-02026 22:02 | 10 |
Debe pasar una entrada en blanco como los datos de entrada para solicitar la primera predicción, que está estructurada de este modo:
{
"input_data": [
{
"fields": [
"value1"
],
"values": []
}
]
}
La salida que se devuelve predice el paso siguiente en el modelo:
{
"predictions": [
{
"fields": [
"prediction"
],
"values": [
[
12
]
]
}
]
}
La entrada siguiente pasa el resultado de la salida anterior para predecir el paso siguiente:
{
"input_data": [
{
"fields": [
"value1"
],
"values": [
[12]
]
}
]
}
Predicción de varios valores
En este caso, está pronosticando dos destinos, value1 y value2.
| indicación de fecha y hora | value1 | value2 |
|---|---|---|
| 2015-02026 21:42 | 2 | 1 |
| 2015-02026 21:47 | 4 | 3 |
| 2015-02026 21:52 | 6 | 5 |
| 2015-02026 21:57 | 8 | 7 |
| 2015-02026 22:02 | 10 | 9 |
Los datos de entrada deben seguir pasando una entrada en blanco para solicitar la primera predicción. La estructura de la entrada siguiente será similar a la siguiente:
{
"input_data": [
{
"fields": [
"value1",
"value2"
],
"values": [
[2, 1],
]
}
]
}
Predicción basada en nuevas observaciones
Si, en lugar de predecir la siguiente fila basándose en el paso anterior, desea especificar nuevas observaciones, especifique los datos de entrada como este para un modelo univariado:
{
"input_data": [
{
"fields": [
"value1"
],
"values": [
[2],
[4],
[6]
]
}
]
}
Especifique nuevas observaciones como esta para un modelo multivariado:
{
"input_data": [
{
"fields": [
"value1",
"value2"
],
"values": [
[2, 1],
[4, 3],
[6, 5]
]
}
]
}
Donde 2, 4 y 6 son observaciones para value1 y 1, 3, 5 son observaciones para value2.
Puntuación de un modelo de serie temporal con características de soporte
Después de desplegar el modelo, puede ir a la página que detalla el despliegue para obtener valores de predicción. Elija una de las siguientes formas de probar el despliegue:
Utilización de valores de entrada existentes
Puede utilizar valores de entrada existentes en el conjunto de datos para obtener valores de predicción. Pulse Predecir para obtener un conjunto de valores de predicción. El número total de valores de predicción en la salida se define mediante el horizonte de predicción que ha establecido anteriormente durante la etapa de configuración del experimento.
Utilización de nuevos valores de entrada
Puede optar por rellenar la hoja de cálculo con nuevos valores de entrada o utilizar código JSON para obtener una predicción.
Utilización de hoja de cálculo para proporcionar nuevos datos de entrada para predecir valores
Para añadir datos de entrada a la hoja de cálculo Nuevas observaciones (opcional) , seleccione la pestaña Entrada y realice una de las acciones siguientes:
- Añada un archivo .csv preexistente que contenga nuevas observaciones desde el directorio local pulsando Examinar archivos locales.
- Descargue la plantilla de archivo de entrada pulsando Descargar plantilla CSV, especifique valores y cargue el archivo.
- Utilice un activo de datos existente del proyecto pulsando Buscar en espacio.
- Especifique manualmente las observaciones de entrada en la hoja de cálculo.
También puede proporcionar valores futuros para las características de soporte si ha habilitado previamente el experimento para aprovechar estos valores durante la etapa de configuración del experimento. Asegúrese de añadir estos valores a la hoja de cálculo Características de soporte futuras (opcional) .
Utilización de código JSON para proporcionar datos de entrada
Para añadir datos de entrada utilizando código JSON, seleccione la pestaña Pegar JSON y realice una de las acciones siguientes:
- Añada un archivo JSON preexistente que contenga nuevas observaciones del directorio local pulsando Examinar archivos locales.
- Utilice un activo de datos existente del proyecto pulsando Buscar en espacio.
- Especifique o pegue manualmente el código JSON en el editor.
En este ejemplo de código, la columna de predicción es pollution, y las características de soporte son temp y press.
{
"input_data": [
{
"id": "observations",
"values": [
[
96.125,
3.958,
1026.833
]
]
},
{
"id": "supporting_features",
"values": [
[
3.208,
1020.667
]
]
}
]
}
Próximos pasos
Guardar un cuaderno generado AutoAI (watsonx.ai Runtime)
Tema padre: Creación de un experimento de serie temporal