Recursos de calendário para previsão de série temporal no AutoML

Este artigo enfoca nos recursos baseadas no calendário que o AutoML cria para aumentar a precisão dos modelos de previsão de regressão. Como os feriados podem ter uma forte influência sobre como o sistema modelado se comporta, o tempo antes disso, durante e depois de um feriado pode desviar os padrões da série. Cada feriado gera uma janela sobre o conjunto de dados existente, à qual o estudante pode atribuir um efeito. Isto pode ser especialmente útil em cenários como feriados que geram alta demanda por produtos específicos. Consulte o artigo de visão geral de métodos para informações mais gerais sobre a metodologia de previsão no AutoML. Instruções e exemplos de modelos de previsão de treinamento em AutoML podem ser encontrados em nosso artigo configurar o AutoML para previsão de série temporal.

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

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

Recursos do calendário padrão

A tabela a seguir mostra o conjunto completo de recursos do calendário padrão do AutoML junto com um exemplo de saída. O exemplo usa o formato padrão YY-mm-dd %H-%m-%d para representação de data/hora.

O conjunto completo de recursos padrão do ano civil 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 do tempo. A tabela a seguir mostra os recursos criados para diferentes tipos de colunas:

Recursos do feriado

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

A tabela a seguir resume os recursos dos feriados:

O AutoML usa o Conjunto de Dados em Aberto no Azure como fonte de informações para os feriados. Para obter mais informações, confira a documentação Feriados Públicos.

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

Para tornar os recursos de feriado americano para estes dados, definimos o country_or_region_for_holiday para "US" nas configurações de previsão, como mostrado no seguinte exemplo de código:

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_ anexado aos nomes de suas colunas. O AutoML geralmente usa este prefixo para distinguir os recursos de entrada dos recursos projetados.

Próximas etapas

• Saiba mais sobre como configurar o AutoML para treinar um modelo de previsão de série temporal.
• Procurar por Perguntas Frequentes sobre Previsão de AutoML.
• Saiba mais sobre os Recursos de Previsão de AutoML com atraso.
• Saiba mais sobre como o AutoML usa o aprendizado de máquina para compilar modelos de previsão.