本文介绍如何使用Lindorm AI引擎进行时序预测。
背景信息
精准的时序预测是电商、物流、交通、旅游等业务的核心需求和基础能力。不同的场景一般涉及不同的预测标的，对预测的时间维度也有不同的要求。时序预测可以在涵盖各种场景的同时，提供更符合场景要求的时间维度，如天、小时和更细的时间级别。同时，时序预测功能也是很多商业决策的必需功能，它对后续仓配、履约、库存和资源调控等决策均有着非常重要的作用。例如，单品的销量预测是网络购物平台订货、库存和补货调拨的主要依据之一。
前提条件
已开通Lindorm AI引擎。开通方式，请参见开通指南。
已通过lindorm-cli连接访问Lindorm时序引擎，创建数据库表并导入数据。具体操作，请参见通过Lindorm-cli连接并使用Lindorm时序引擎。
数据准备
示例表fresh_sales共有一条时间线。时间线的Tag为id_code=bf502edc7025604a51c96d21e09de0e8，brand_id=11077664934，cate1_id=104，cate2_id=237。Field为sales。
表结构如下：
+------------+-----------+------------+------------+
| columnName | typeName | columnKind | primaryKey |
+------------+-----------+------------+------------+
| id_code | VARCHAR | TAG | true |
| time | TIMESTAMP | TIMESTAMP | false |
| sales | DOUBLE | FIELD | false |
| brand_id | VARCHAR | TAG | false |
| cate1_id | VARCHAR | TAG | false |
| cate2_id | VARCHAR | TAG | false |
+------------+-----------+------------+------------+示例数据如下：
+---------------------------+----------------------------------+-------------+----------+----------+-------+
| time | id_code | brand_id | cate1_id | cate2_id | sales |
+---------------------------+----------------------------------+-------------+----------+----------+-------+
| 2021-01-01T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 11114152323 | 104 | 237 | 117 |
| 2021-01-02T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 11114152323 | 104 | 237 | 118 |
| 2021-01-03T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 11114152323 | 104 | 237 | 144 |
| 2021-01-04T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 11114152323 | 104 | 237 | 133 |
| 2021-01-05T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 11114152323 | 104 | 237 | 126 |
+---------------------------+----------------------------------+-------------+----------+----------+-------+时序预测
以下以商品销量预测场景为例，介绍如何使用Lindorm AI进行时序预测。
使用CREATE MODEL语句进行模型训练，示例如下：
CREATE MODEL tft_model FROM (SELECT * FROM fresh_sales WHERE `time` > '2021-02-08T00:00:00+08:00') TARGET sales TASK time_series_forecast ALGORITHM tft SETTINGS ( time_column 'time', group_columns 'id_code', feat_static_columns 'cate1_id,cate2_id,brand_id', context_length '28', prediction_length '6', epochs '5', freq '1D' );说明TASK指定为TIME_SERIES_FORECAST后，模型推理时只可以使用forecast函数。
模型管理。使用
SHOW MODEL model_name语句查看模型信息，示例如下：SHOW MODEL tft_model;返回结果：
+-----------+--------+--------------+----------------------+-----------+------------------------------------+---------------+-------------------------------------------------+--------------------------------+-------------------------------+-------------------------------+ | name | status | sql_function | task_type | algorithm | query | preprocessors | settings | metrics | created_time | update_time | +-----------+--------+--------------+----------------------+-----------+------------------------------------+---------------+-------------------------------------------------+--------------------------------+-------------------------------+-------------------------------+ | tft_model | Ready | forecast | TIME_SERIES_FORECAST | TFT | SELECT `time`, FIRST(`sales`) AS | [] | {time_column=time, group_columns=id_code, | {MAPE=0.35002756118774414, | 2022-11-04T11:38:05.873+08:00 | 2022-11-04T11:39:14.046+08:00 | | | | | | | `sales`, `id_code`, `cate1_id`, | | feat_static_columns=cate1_id,cate2_id,brand_id, | MASE=0.41281554008773325, | | | | | | | | | `cate2_id`, `brand_id` FROM | | context_length=28, prediction_length=6, | MSE=456.3769938151042} | | | | | | | | | `fresh_sales` WHERE `time` > | | epochs=5, freq=1D,train_mode=LOCAL, | | | | | | | | | | '2021-02-08T00:00:00+08:00' | | past_length=28, | | | | | | | | | | sample by 1D fill zero | | forecast_start=2022-07-31 08:00:00} | | | | +-----------+--------+--------------+----------------------+-----------+------------------------------------+---------------+-------------------------------------------------+--------------------------------+-------------------------------+-------------------------------+模型推理。使用forecast函数进行时序预测，示例如下：
SELECT `time`, id_code, forecast(sales, 'tft_model') AS sales_forecast FROM fresh_sales WHERE `time` >= '2022-07-18T00:00:00+08:00' AND id_code = 'bf502edc7025604a51c96d21e09de0e8' sample BY 0;返回结果：
+---------------------------+----------------------------------+--------------------+ | time | id_code | sales_forecast | +---------------------------+----------------------------------+--------------------+ | 2022-07-18T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 57.61831283569336 | | 2022-07-19T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 57.64776611328125 | | 2022-07-20T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 58.00449752807617 | | 2022-07-21T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 59.41561508178711 | | 2022-07-22T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 58.925498962402344 | | 2022-07-23T00:00:00+08:00 | bf502edc7025604a51c96d21e09de0e8 | 58.494712829589844 | +---------------------------+----------------------------------+--------------------+
准确率计算
如果您想要了解时序预测的准确率，您可以通过以下方式进行计算，此处以商品销量预测场景为例。
商品销量预测场景涉及到多条时间线的同时预测，通常以汇总的1-wMAPE准确率来衡量算法的综合准确率。假设，商品i在t天内的真实销量是Rit，时序预测值是Fit。
通过以下公式，计算商品每天的1-MAPE准确率。
其中abs为绝对值函数，例如，abs（-3.7）=3.7。
假设商品某天的真实销量Rit为63，时序预测销量Fit为58，代入以上公式，结果取整，可以得到时序预测的准确率为92.1%。
以真实销量Rit为权重加权平均计算总体准确率，并汇总到各个维度，计算1-wMAPE准确率。
其中∑为求和函数，表示将所有计算结果相加。
假设某商品三天的时序预测准确率Acc分别为92.1%、92.6%、100%，真实销量Rit为63、54、58，时序预测销量Fit为58、58、58，代入以上公式，结果取整，可以得到这三天的时序预测准确率为94.9%。
反馈
- 本页导读 （1）
文档反馈