| Beschriftung | Erläuterung | Datentyp |
Eingabe-Zeitseriendaten | Der NetCDF-Würfel, der die Variable enthält, mit der zukünftige Zeitschritte vorhergesagt werden sollen. Diese Datei muss eine .nc-Dateierweiterung aufweisen und mit dem Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, Raum-Zeit-Würfel aus definierten Positionen erstellen oder Raum-Zeit-Würfel aus multidimensionalem Raster-Layer erstellen erstellt worden sein. | File |
Modelldefinition | Die Datei des trainierten Deep-Learning-Modells (.dlpk oder .emd), die für die Vorhersagen verwendet werden soll. Das Modell kann mit dem Werkzeug Zeitserienvorhersagemodell trainieren trainiert werden. | File |
Ausgabe-Features | Die Ausgabe-Feature-Class von allen Positionen im Raum-Zeit-Würfel mit vorhergesagten Werten, die als Felder gespeichert werden. Der Layer zeigt die Vorhersage für den letzten Zeitschritt an und enthält Pop-up-Diagramme, die die Zeitserie und Vorhersagen für jede Position enthalten. | Feature Class |
Anzahl an Zeitintervallen für die Vorhersage | Eine positive Ganzzahl, welche die Anzahl der Zeitschritte angibt, die zur Vorhersage der Analysevariable verwendet werden soll. Der Standardwert ist 2. Dieser Wert darf für die Vorhersage in einem einzigen Schritt nicht mehr als 50 Prozent aller Zeitintervalle im Eingabe-Raum-Zeit-Würfel betragen. Für die Vorhersage in mehreren Schritten darf er nicht mehr als 50 Prozent des Wertes des Parameters Sequenzlänge im Werkzeug Zeitserienvorhersagemodell trainieren betragen. | Long |
Erklärende Variablen abgleichen (optional) |
Die Zuordnung von Feldnamen aus dem Vorhersagesatz zum Trainingssatz. Verwenden Sie diese Parameter, wenn die Feldnamen in den Trainings- und Vorhersagesätzen unterschiedlich sind. Die Werte sind die Feldnamen im Vorhersage-Dataset, die mit den Feldnamen in den Eingabe-Zeitseriendaten übereinstimmen. | Value Table |
Ausgabe-Würfel (optional) | Ein Raum-Zeit-Würfel (.nc-Datei), der die Werte des Eingabe-Raum-Zeit-Würfels mit den angehängten vorhergesagten Zeitintervallen enthält. Verwenden Sie das Werkzeug Raum-Zeit-Würfel in 3D visualisieren, um alle beobachteten und vorhergesagten Werte gleichzeitig anzuzeigen. | File |
Ausreißeroption (optional) | Gibt an, ob statistisch signifikante Ausreißer in einer Zeitserie identifiziert werden.
| String |
Konfidenzniveau (optional) | Gibt das Konfidenzniveau an, das für Tests auf Ausreißer in einer Zeitserie verwendet wird.
| String |
Maximale Anzahl von Ausreißern | Die maximale Anzahl von Zeitintervallen, die für jede Position als Ausreißer deklariert werden können. Der Standardwert entspricht 5 Prozent (abgerundet) der Anzahl der Zeitintervalle des Eingabe-Raum-Zeit-Würfels (es wird immer ein Wert von mindestens 1 verwendet). Der Wert darf 20 Prozent der Anzahl der Zeitintervalle nicht überschreiten. | Long |
Zusammenfassung
Sagt die Werte jeder Position eines Raum-Zeit-Würfels mit einem Zeitserienvorhersagemodell vorher, das auf Deep Learning basiert und mit dem Werkzeug Zeitserienvorhersagemodell trainieren trainiert wurde.
Verwendung
Sie müssen das richtige Deep-Learning-Framework für Python in ArcGIS Pro installieren.
Informationen zum Installieren von Deep-Learning-Frameworks für ArcGIS
Als Eingabe wird eine Esri Modelldefinitionsdatei (.emd) oder eine Deep-Learning-Paketdatei (.dlpk) verwendet, die mit dem Werkzeug Zeitserienvorhersagemodell trainieren erstellt werden kann.
Dieses Werkzeug akzeptiert netCDF-Daten, die mit den Werkzeugen Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, Raum-Zeit-Würfel aus definierten Positionen erstellen, Raum-Zeit-Würfel aus multidimensionalem Raster-Layer erstellen und Teilmenge eines Raum-Zeit-Würfels bilden erstellt wurden.
Dieses Werkzeug verwendet Zeitserienvorhersagemodelle, die auf Deep Learning basieren. Deep-Learning-Modelle sind besonders lernfähig und für Zeitserien geeignet, die komplexen Trends folgen und mit einfachen mathematischen Funktionen schwer zu modellieren sind. Um diese komplexen Trends zu erlernen, benötigen sie jedoch größere Mengen an Trainingsdaten. Für Training und Inferenz sind daher mehr Datenverarbeitungsressourcen erforderlich. Zum Ausführen dieses Werkzeugs wird eine GPU empfohlen.
Der Parameter Ausreißeroption kann verwendet werden, um statistisch signifikante Ausreißer für Zeitserienwerte an jeder Position zu erkennen.
Weitere Informationen zum Erkennen von Ausreißern in einer Zeitserie
Wenn Sie dieses Werkzeug mit einem Grafikprozessor ausführen möchten, legen Sie die Umgebungsvariable Prozessortyp auf "GPU" fest. Wenn Sie mehrere Grafikprozessoren haben, legen Sie stattdessen die Umgebungsvariable GPU ID fest.
Dieses Werkzeug verwendet ein einzelnes globales Vorhersagemodell, das mit Zeitseriendaten jeder Position trainiert wurde.
Der Parameterwert für Ausgabe-Features wird dem Bereich Inhalt hinzugefügt, wobei das Rendering auf dem besten vorhergesagten Zeitschritt basiert.
Das Werkzeug erstellt Geoverarbeitungsmeldungen und Pop-up-Diagramme, mit denen Sie die Ergebnisse der Vorhersage leichter verstehen und visualisieren können. Die Meldungen enthalten Informationen über die Struktur des Raum-Zeit-Würfels und Summenstatistiken der RMSE-Werte. Klicken Sie mit dem Navigationswerkzeug Erkunden auf ein Feature, um im Bereich Pop-up ein Liniendiagramm mit den Werten des Raum-Zeit-Würfels, den angepassten Werten und den vorhergesagten Werten für diese Position anzuzeigen.
Weitere Informationen zu den Voraussetzungen für die Ausführung dieses Werkzeugs und eventuell dabei auftretenden Problemen finden Sie unter Häufig gestellte Fragen zu Deep Learning.
Parameter
arcpy.geoai.ForecastUsingTimeSeriesModel(in_cube, in_model_definition, out_features, number_of_timesteps_to_forecast, {match_explanatory_variables}, {out_cube}, {outlier_option}, {level_of_confidence}, maximum_number_of_outliers)| Name | Erläuterung | Datentyp |
in_cube | Der NetCDF-Würfel, der die Variable enthält, mit der zukünftige Zeitschritte vorhergesagt werden sollen. Diese Datei muss eine .nc-Dateierweiterung aufweisen und mit dem Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, Raum-Zeit-Würfel aus definierten Positionen erstellen oder Raum-Zeit-Würfel aus multidimensionalem Raster-Layer erstellen erstellt worden sein. | File |
in_model_definition | Die Datei des trainierten Deep-Learning-Modells (.dlpk oder .emd), die für die Vorhersagen verwendet werden soll. Das Modell kann mit dem Werkzeug Zeitserienvorhersagemodell trainieren trainiert werden. | File |
out_features | Die Ausgabe-Feature-Class von allen Positionen im Raum-Zeit-Würfel mit vorhergesagten Werten, die als Felder gespeichert werden. Der Layer zeigt die Vorhersage für den letzten Zeitschritt an und enthält Pop-up-Diagramme, die die Zeitserie und Vorhersagen für jede Position enthalten. | Feature Class |
number_of_timesteps_to_forecast | Eine positive Ganzzahl, welche die Anzahl der Zeitschritte angibt, die zur Vorhersage der Analysevariable verwendet werden soll. Der Standardwert ist 2. Dieser Wert darf für die Vorhersage in einem einzigen Schritt nicht mehr als 50 Prozent aller Zeitintervalle im Eingabe-Raum-Zeit-Würfel betragen. Für die Vorhersage in mehreren Schritten darf er nicht mehr als 50 Prozent des Wertes des Parameters sequence_length im Werkzeug Zeitserienvorhersagemodell trainieren betragen. | Long |
match_explanatory_variables [match_explanatory_variables,...] (optional) |
Die Zuordnung von Feldnamen aus dem Vorhersagesatz zum Trainingssatz. Verwenden Sie diese Parameter, wenn die Feldnamen in den Trainings- und Vorhersagesätzen unterschiedlich sind. Die Werte sind die Feldnamen im Vorhersage-Dataset, die mit den Feldnamen in den Eingabe-Zeitseriendaten übereinstimmen. | Value Table |
out_cube (optional) | Ein Raum-Zeit-Würfel (.nc-Datei), der die Werte des Eingabe-Raum-Zeit-Würfels mit den angehängten vorhergesagten Zeitintervallen enthält. Verwenden Sie das Werkzeug Raum-Zeit-Würfel in 3D visualisieren, um alle beobachteten und vorhergesagten Werte gleichzeitig anzuzeigen. | File |
outlier_option (optional) | Gibt an, ob statistisch signifikante Ausreißer in einer Zeitserie identifiziert werden.
| String |
level_of_confidence (optional) | Gibt das Konfidenzniveau an, das für Tests auf Ausreißer in einer Zeitserie verwendet wird.
| String |
maximum_number_of_outliers | Die maximale Anzahl von Zeitintervallen, die für jede Position als Ausreißer deklariert werden können. Der Standardwert entspricht 5 Prozent (abgerundet) der Anzahl der Zeitintervalle des Eingabe-Raum-Zeit-Würfels (es wird immer ein Wert von mindestens 1 verwendet). Der Wert darf 20 Prozent der Anzahl der Zeitintervalle nicht überschreiten. | Long |
Codebeispiel
In diesem Beispiel wird die Verwendung der Funktion ForecastUsingTimeSeriesModel gezeigt.
# Description: Forecast a time series model on space-time cube data with the trained model
# obtained by the TrainTimeSeriesForecastingModel function.
# Import system modules
import arcpy
import os
# Set local variables
datapath = "path_to_data_for_forecasting"
out_path = "path_to_gdb_for_forecasting"
model_path = os.path.join(out_path, "model.dlpk")
in_cube = os.path.join(datapath, "test_data")
output_features = os.path.join(out_path, "forecasted_feature.gdb", "forecasted")
# Run Forecast Using Time Series Model
r = arcpy.geoai.ForecastUsingTimeSeriesModel(
in_cube,
model_path,
output_features,
number_of_timesteps_to_forecast=2,
match_explanatory_variables=None
)Lizenzinformationen
- Basic: Nein
- Standard: Nein
- Advanced: Ja