Recursos de calendário para previsão de séries temporais no AutoML

Este artigo se concentra nos recursos baseados em calendário que o AutoML cria para aumentar a precisão dos modelos de regressão de previsão. Uma vez que as férias podem ter uma forte influência sobre como o sistema modelado se comporta, o tempo antes, durante e depois de um feriado pode enviesar os padrões da série. Cada feriado gera uma janela sobre o conjunto de dados existente à qual o aluno pode atribuir um efeito. Isso pode ser especialmente útil em cenários como feriados que geram alta demanda por produtos específicos. Consulte o artigo de visão geral de métodos para obter mais informações gerais sobre a metodologia de previsão no AutoML. Instruções e exemplos para treinar modelos de previsão no AutoML podem ser encontrados em nosso artigo de configuração do AutoML para previsão de séries temporais .

Como parte da engenharia de recursos, o AutoML transforma colunas de tipo data/hora fornecidas nos dados de treinamento em novas colunas de recursos baseados em calendário. Esses recursos podem ajudar os modelos de regressão a aprender padrões sazonais em várias cadências. O AutoML sempre pode criar recursos de calendário a partir do índice de tempo da série temporal, uma vez que esta é uma coluna obrigatória nos dados de treinamento. Os recursos de calendário também são feitos de outras colunas com o tipo datetime, se houver alguma. Consulte como o AutoML usa seu guia de dados para obter mais informações sobre os requisitos de dados.

O AutoML considera duas categorias de recursos de calendário: recursos padrão baseados inteiramente em valores de data e hora e recursos de feriados específicos de um país ou região do mundo. Abordaremos esses recursos no restante do artigo.

Recursos de calendário padrão

A tabela a seguir mostra o conjunto completo de recursos de calendário padrão do AutoML, juntamente com uma saída de exemplo. O exemplo usa o formato padrão YY-mm-dd %H-%m-%d para representação datetime.

O conjunto completo de recursos de calendário padrão pode não ser criado em todos os casos. O conjunto gerado depende da frequência da série temporal e se os dados de treinamento contêm recursos de data/hora além do índice de tempo. A tabela a seguir mostra os recursos criados para diferentes tipos de coluna:

Características de férias

O AutoML pode, opcionalmente, criar recursos que representam feriados de um país ou região específica. Esses recursos são configurados no AutoML usando o country_or_region_for_holidays parâmetro, que aceita um código de país ISO.

A tabela a seguir resume os recursos de feriado:

O AutoML usa os Conjuntos de Dados Abertos do Azure como uma fonte para informações de férias. Para obter mais informações, consulte a documentação do PublicHolidays .

Para entender melhor a geração de recursos de férias, considere os seguintes dados de exemplo:

Para criar recursos de feriados americanos para esses dados, definimos como country_or_region_for_holiday 'EUA' nas configurações de previsão, conforme mostrado no exemplo de código a seguir:

from azure.ai.ml import automl

# create a forcasting job
forecasting_job = automl.forecasting(
    compute='test_cluster',   # Name of single or multinode AML compute infrastructure created by user
    experiment_name=exp_name, # name of experiment 
    training_data=sample_data,  
    target_column_name='demand',
    primary_metric='NormalizedRootMeanSquaredError',
    n_cross_validations=3,
    enable_model_explainability=True
)

# set custom forecast settings
forecasting_job.set_forecast_settings(
    time_column_name='timeStamp',
    country_or_region_for_holidays='US'
)

Os recursos de feriados gerados se parecem com a seguinte saída:

Observe que os recursos gerados têm o prefixo _automl_ pré-configurado para seus nomes de coluna. O AutoML geralmente usa esse prefixo para distinguir os recursos de entrada dos recursos projetados.

Próximos passos

• Saiba mais sobre como configurar o AutoML para treinar um modelo de previsão de séries temporais.
• Navegue pelas perguntas frequentes sobre a previsão do AutoML.
• Saiba mais sobre os recursos com atraso de previsão do AutoML.
• Saiba mais sobre como o AutoML usa o aprendizado de máquina para criar modelos de previsão.