Fonctionnalités du calendrier pour la prévision de séries chronologiques dans AutoML

Cet article se concentre sur les caractéristiques basées sur le calendrier créées par AutoML pour augmenter la précision des modèles de régression de prévision. Étant donné que les jours fériés peuvent fortement affecter le comportement du système modélisé, la période précédant, pendant et suivant un jour férié peut influencer les modèles de la série. Chaque jour férié génère une fenêtre sur votre jeu de données existant à laquelle l’étudiant peut attribuer un effet. Cela s’avère particulièrement utile dans des scénarios de jours fériés qui génèrent des demandes élevées pour certains produits spécifiques. Consultez l’article Vue d’ensemble des méthodes pour plus d’informations générales sur la méthodologie de prévision dans AutoML. Vous trouverez des instructions et des exemples pour l’apprentissage des modèles de prévision dans AutoML dans notre article Configurer AutoML pour effectuer l’apprentissage d’un modèle de prévision de série chronologique.

Dans le cadre de l’ingénierie de caractéristiques, AutoML transforme les colonnes de type DateHeure fournies dans les données d’apprentissage en nouvelles colonnes de caractéristiques basées sur le calendrier. Ces caractéristiques permettent aux modèles de régression d’apprendre des modèles saisonniers à plusieurs cadences. AutoML peut toujours créer des caractéristiques de calendrier à partir de l’index d’heure de la série chronologique, car il s’agit d’une colonne obligatoire dans les données d’apprentissage. Les caractéristiques de calendrier sont également constituées à partir d’autres colonnes de type DateHeure le cas échéant. Pour plus d’informations sur les exigences en matière de données, consultez le guide expliquant comment AutoML utilise vos données.

AutoML prend en compte deux catégories de caractéristiques de calendrier : les caractéristiques standard qui se basent entièrement sur les valeurs de date et d’heure et les caractéristiques de jour férié qui sont spécifiques à un pays ou à une région du monde. Nous abordons ces caractéristiques dans le reste de l’article.

Caractéristiques de calendrier standard

Le tableau suivant montre l’ensemble complet des caractéristiques de calendrier standard d’AutoML, ainsi qu’un exemple de sortie. L’exemple utilise le format standard YY-mm-dd %H-%m-%d pour la représentation DateHeure.

L’ensemble complet des caractéristiques de calendrier standard peut ne pas être créé dans certains cas. L’ensemble généré dépend de la fréquence des séries chronologiques et du fait que les données d’apprentissage contiennent ou non des caractéristiques DateHeure en plus de l’index d’heure. Le tableau suivant présente les caractéristiques créées pour différents types de colonnes :

Caractéristiques de jour férié

AutoML peut également créer des caractéristiques pour représenter les jours fériés d’un pays ou d’une région spécifique. Ces caractéristiques sont configurées dans AutoML à l’aide du paramètre country_or_region_for_holidays, qui accepte un code de pays ISO.

Le tableau suivant récapitule les caractéristiques de jour férié :

AutoML utilise Azure Open Datasets comme source d’informations sur les jours fériés. Pour plus d’informations, consultez la documentation PublicHolidays.

Pour mieux comprendre la génération de caractéristiques de jour férié, prenez en compte les exemples de données suivants :

Pour créer des caractéristiques de jours fériés américains pour ces données, nous définissons country_or_region_for_holiday sur « US » dans les paramètres de prévision, comme indiqué dans l’exemple de code suivant :

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'
)

Les caractéristiques de jour férié générées se présentent comme la sortie suivante :

Notez que le préfixe _automl_ est ajouté aux noms de colonnes des caractéristiques générées. AutoML utilise généralement ce préfixe pour distinguer les caractéristiques entrées des caractéristiques d’ingénierie.

Étapes suivantes

• En savoir plus sur la procédure pour configurer AutoML pour effectuer l’apprentissage d’un modèle de prévision de série chronologique.
• Parcourez les Questions fréquentes sur les Prévisions AutoML.
• En savoir plus sur les Caractéristiques de décalage de Prévisions AutoML.
• Découvrez comment AutoML utilise le Machine Learning pour créer des modèles de prévision.