Model Time Series v Azure Time Series Insights Gen2

Tento článek popisuje model časové řady, možnosti a způsob, jak začít vytvářet a aktualizovat vlastní modely v prostředí Azure Time Series Insights Gen2.

Shrnutí

Tradičně data shromážděná ze zařízení IoT nemají kontextové informace, což ztěžuje rychlé vyhledání a analýzu senzorů. Hlavní motivací modelu time series je zjednodušení hledání a analýzy dat IoT nebo Time Series. Dosahuje tohoto cíle tím, že umožňuje curation, maintenance a enrichment of time series data to help prepare consumer-ready datasets for analytics.

Scénář: Nová inteligentní trouba Společnosti Contoso

Zvažte fiktivní scénář inteligentní trouby Contoso. V tomto scénáři předpokládejme, že každá inteligentní trouba Contoso má pět snímačů teploty, jednu pro každý ze čtyř top vypalovaček a jednu pro samotnou troubu. Donedávna každý senzor teploty Společnosti Contoso odesílal, uložil a vizualizoval svá data jednotlivě. Pro monitorování kuchyňských zařízení společnost Contoso spoléhala na základní grafy, jednu pro každý jednotlivý senzor.

Společnost Contoso byla spokojená s počátečním řešením pro data a vizualizaci, ale ukázalo se několik omezení:

• Zákazníci chtěli vědět, jak horkou troubu dostane, když je většina top vypalovačů zapnutá. Společnost Contoso měla větší potíže s analýzou a předložením sjednocené odpovědi na podmínky celkové trouby.
• Technici společnosti Contoso chtěli ověřit, že top vypalovačky spuštěné současně nebudou mít za následek neefektivní kreslení energie. Bylo obtížné křížově odkazovat na to, které senzory teploty a napětí byly vzájemně spojeny a jak je najít v obchodě.
• Tým společnosti Contoso pro kontrolu kvality chtěl auditovat a porovnat historii mezi dvěma verzemi snímačů. Bylo obtížné určit, jaká data patří do které verze senzoru.

Bez schopnosti strukturovat, uspořádat a definovat model nadlimitních inteligentních časových řad trouby udržuje každý senzor teploty uvolněné, izolované a méně informativní datové body. Přeměna těchto datových bodů na užitečné přehledy byla obtížnější, protože každá datová sada žila nezávisle na ostatních.

Tato omezení odhalila důležitost inteligentních nástrojů pro agregaci a vizualizaci dat, které doprovázejí novou troubu společnosti Contoso:

• Vizualizace dat je užitečná, když můžete přidružit a zkombinovat data do pohodlného zobrazení. Příkladem jsou senzory napětí spolu se senzory teploty.
• Správa multidimenzionálních dat pro několik entit spolu s funkcemi porovnání, přiblížení a časového rozsahu může být obtížné dosáhnout.

Model Time Series nabízí pohodlné řešení pro mnoho scénářů, ke kterým došlo v tomto fiktivním příkladu:

• Model time series hraje zásadní roli v dotazech a navigaci, protože kontextuje data tím, že umožňuje nakreslit porovnání napříč časovými rozsahy a mezi typy senzorů a zařízení. (A)
• Data jsou další kontextová, protože data uložená v modelu časové řady uchovávají výpočty dotazů časových řad jako proměnné a znovu je používají v době dotazu.
• Model time series organizuje a agreguje data pro vylepšené možnosti vizualizace a správy. (B)

Klíčové funkce

S cílem usnadnit a snadnou správu kontextové řady time series umožňuje model Time Series v Azure Time Series Insights Gen2 následující funkce. Pomůže vám to:

• Vytváření a správa výpočtů nebo vzorců s využitím skalárních funkcí, agregačních operací atd.
• Definujte relace nadřazenosti a podřízenosti, které umožňují navigaci, vyhledávání a odkazy.
• Definujte vlastnosti přidružené k instancím definovaným jako pole instance a použijte je k vytváření hierarchií.

Komponenty

Model time series má tři základní komponenty:

• Instance modelu time series
• Hierarchie modelů časových řad
• Typy modelů time series

Tyto komponenty se zkombinují, aby bylo možné určit model časových řad a uspořádat data.

Model časových řad je možné vytvořit a spravovat pomocí Průzkumníka služby Azure Time Series Insights. Nastavení modelu Time Series je možné spravovat prostřednictvím rozhraní API pro nastavení modelu.

Instance modelu time series

Instance modelu Time Series jsou virtuální reprezentace samotné časové řady.

Ve většině případů jsou instance jednoznačně identifikovány id zařízení nebo assetId, které se ukládají jako ID časových řad.

Instance mají popisné informace přidružené k nim označované jako vlastnosti instance, jako je ID časové řady, typ, název, popis, hierarchie a pole instance. Minimálně vlastnosti instance obsahují informace o hierarchii.

Pole instance jsou kolekce popisných informací, které mohou obsahovat hodnoty pro úrovně hierarchie, stejně jako výrobce, operátor atd.

Po nakonfigurování zdroje událostí pro prostředí Azure Time Series Insights Gen2 se instance automaticky zjistí a vytvoří v modelu časové řady. Instance je možné vytvářet nebo aktualizovat prostřednictvím Průzkumníka služby Azure Time Series Insights pomocí dotazů modelu Time Series.

Vlastnosti instance

Instance jsou definované pomocí timeSeriesId, typeId, name, description, hierarchyIds a instanceFields. Každá instance se mapuje pouze na jeden typ a jednu nebo více hierarchií.

Instance mají následující reprezentaci JSON:

{
  "timeSeriesId": ["PU2"],
  "typeId": "545314a5-7166-4b90-abb9-fd93966fa39b",
  "hierarchyIds": ["95f0a8d1-a3ef-4549-b4b3-f138856b3a12"],
  "description": "Pump #2",
  "instanceFields": {
    "Location": "Redmond",
    "Fleet": "Fleet 5",
    "Unit": "Pump Unit 3",
    "Manufacturer": "Contoso",
    "ScalePres": "0.54",
    "scaleTemp": "0.54"
  }
}

Hierarchie modelů časových řad

Hierarchie modelu time series uspořádají instance zadáním názvů vlastností a jejich vztahů.

V daném prostředí Azure Time Series Insights Gen2 můžete nakonfigurovat více hierarchií. Instance modelu time series může být mapovaná na jednu hierarchii nebo více hierarchií (relace M:N).

Definice hierarchie

Hierarchie jsou definovány podle ID hierarchie, názvu a zdroje.

Hierarchie jsou reprezentovány ve formátu JSON jako:

{
  "hierarchies": [
    {
      "id": "6e292e54-9a26-4be1-9034-607d71492707",
      "name": "Location",
      "source": {
        "instanceFieldNames": [
          "state",
          "city"
        ]
      }
    },
    {
      "id": "a28fd14c-6b98-4ab5-9301-3840f142d30e",
      "name": "ManufactureDate",
      "source": {
        "instanceFieldNames": [
          "year",
          "month"
        ]
      }
    }
  ]
}

V předchozím příkladu JSON:

• Location definuje hierarchii s nadřazeným states a podřízeným citiesobjektem . Každý location může mít více states, které pak mohou mít více cities.
• ManufactureDate definuje hierarchii s nadřazeným year a podřízeným monthobjektem . Každý ManufactureDate může mít více years, které pak mohou mít více months.

Příklad hierarchie

Představte si příklad, kde hierarchie H1 má building, floora room jako součást definice instanceFieldNames :

{
  "id": "aaaaaa-bbbbb-ccccc-ddddd-111111",
  "name": "H1",
  "source": {
    "instanceFieldNames": [
      "building",
      "floor",
      "room"
    ]
  }
}

Vzhledem k tomu, že pole instance použitá v předchozí definici a několika časových řadách, zobrazí se atributy a hodnoty hierarchie, jak je znázorněno v následující tabulce:

Time Series ID1 a ID4 se zobrazují jako součást hierarchie H1 v Průzkumníku služby Azure Time Series Insights, protože mají plně definované a správně uspořádané parametry budovy, podlahy a místnosti.

Ostatní se klasifikují v rámci neparentovaných instancí , protože neodpovídají zadané hierarchii dat.

Typy modelů time series

Typy modelu time series vám pomůžou definovat proměnné nebo vzorce pro výpočty. Typy jsou přidruženy ke konkrétní instanci.

Typ může mít jednu nebo více proměnných. Například instance modelu časové řady může být typu Senzor teploty, který se skládá z proměnných průměrné teploty, minimální teploty a maximální teploty.

Vlastnosti typu

Typy modelu časové řady jsou definované podle ID, názvu, popisu a proměnných.

Typy odpovídají následujícímu příkladu JSON:

{
  "types": [
    {
      "id": "1be09af9-f089-4d6b-9f0b-48018b5f7393",
      "name": "DefaultType",
      "description": "Default type",
      "variables": {
        "EventCount": {
          "kind": "aggregate",
          "value": null,
          "filter": null,
          "aggregation": {
            "tsx": "count()"
          }
        },
        "Interpolated Speed": {
          "kind": "numeric",
          "value": {
              "tsx": "$event['Speed-Sensor'].Double"
          },
          "filter": null,
          "interpolation": {
              "kind": "step",
              "boundary": {
                  "span": "P1D"
              }
          },
          "aggregation": {
              "tsx": "right($value)"
          }
        }
      }
    }
  ]
}

Typy modelu časové řady můžou mít mnoho proměnných, které určují pravidla vzorců a výpočtů událostí. Přečtěte si další informace o definování proměnných modelu time series

Další kroky

• Další informace o úpravách modelu pomocí rozhraní API najdete v referenční dokumentaci k modelu time series.

• Prozkoumejte vzorce a výpočty, které můžete vytvořit pomocí proměnných modelu Time Series Model.

• Další informace o dotazování dat v Azure Time Series Insights Gen2