Прогнозирование с помощью модели временных рядов (GeoAI)

Краткая информация

Предсказывает значения каждого местоположения куба пространство-время с использованием модели прогнозирования временных рядов на основе глубокого обучения, которая была обучена с помощью инструмента Обучить модель прогнозирования временных рядов.

Использование

• Вы должны установить соответствующую среду глубокого обучения для Python в ArcGIS Pro.

  Узнайте, как установить среду глубокого обучения для ArcGIS

• Входными данными является файл определения модели Esri (.emd) или файл пакета глубокого обучения (.dlpk), которые являются результатом инструмента Обучить модель прогнозирования временных рядов.

• Этот инструмент поддерживает данные netCDF, созданные инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений, Создать куб пространство-время из многомерного растрового слоя и Поднабор куба пространство-время.

• Этот инструмент использует модели прогнозирования временных рядов на основе глубокого обучения. Модели глубокого обучения обладают высокой способностью к обучению и подходят для временных рядов, которые следуют сложным тенденциям и которые трудно моделировать с помощью простых математических функций. Однако им требуется больший объем данных для обучения, чтобы выявить такие сложные тенденции, также они используют большой объем вычислительных ресурсов для обучения и логического вывода. Для использования этого инструмента рекомендуется GPU.

• Чтобы запустить этот инструмент с помощью графического процессора, установите для параметра Тип процессора значение GPU. Если у вас более одного графического процессора, вместо этого задайте параметр среды GPU ID.

• Этот инструмент использует одну глобальную модель прогнозирования, которая была обучена на данных временных рядов для каждого местоположения.

• Значения параметра Выходные объекты будут добавлены на панель Содержание с отображением, основанным на лучшем сохраненном прогнозируемом временном шаге.

• Этот инструмент создает сообщения геообработки и всплывающие диаграммы, которые помогут вам понять и визуализировать результаты прогноза. Сообщения содержат информацию о структуре куба пространство-время и сводную статистику значений RMSE. Если щелкнуть объект с помощью инструмента навигации Исследовать, отображается диаграмма-график во Всплывающей панели, которая показывает значения куба пространство-время и соответствующие значения, а также прогнозные значения для этого местоположения.

• Информацию о требованиях к запуску этого инструмента и проблемах, с которыми вы можете столкнуться, см. в разделе Часто задаваемые вопросы по глубокому обучению.

Параметры

Диалог

Подпись	Описание	Тип данных
Входные данные временного ряда	Куб netCDF, содержащий переменную, которая будет использоваться, чтобы спрогнозировать будущие временные ряды. Файл должен быть с расширением .nc, и должен быть создан инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя.	File
Определение модели	Файл модели глубокого обучения (.dlpk или .emd), который будет использоваться для прогнозов. Модель можно обучить с помощью инструмента Обучить модель прогнозирования временных рядов.	File
Выходные объекты	Выходной класс объектов, содержащий все местоположения куба пространства-времени с прогнозируемыми значениями, хранящимися в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды и прогнозы для каждого местоположения.	Feature Class
Количество временных шагов для прогноза	Положительное целое число, определяющее количество временных рядов, которые будут использоваться для прогноза переменной анализа. Значение по умолчанию – 2. Это значение не может быть больше 50 процентов от общего числа временных шагов во Входном кубе пространства-времени.	Long
Сопоставление независимых переменных (Дополнительный)	Сопоставление названий имен полей из прогнозируемой выборки с обучающей выборкой. Используйте этот параметр, если имена полей обучающих и прогнозируемых наборов отличаются. Эти значения - имена полей в наборе данных прогнозирования, которые соответствуют именам полей во входных данных временных рядов.	Value Table

Python

arcpy.geoai.ForecastUsingTimeSeriesModel(in_cube, in_model_definition, out_features, number_of_timesteps_to_forecast, {match_explanatory_variables})

Имя	Описание	Тип данных
in_cube	Куб netCDF, содержащий переменную, которая будет использоваться, чтобы спрогнозировать будущие временные ряды. Файл должен быть с расширением .nc, и должен быть создан инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя.	File
in_model_definition	Файл модели глубокого обучения (.dlpk или .emd), который будет использоваться для прогнозов. Модель можно обучить с помощью инструмента Обучить модель прогнозирования временных рядов.	File
out_features	Выходной класс объектов, содержащий все местоположения куба пространства-времени с прогнозируемыми значениями, хранящимися в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды и прогнозы для каждого местоположения.	Feature Class
number_of_timesteps_to_forecast	Положительное целое число, определяющее количество временных рядов, которые будут использоваться для прогноза переменной анализа. Значение по умолчанию – 2. Это значение не может быть больше 50 процентов от общего числа временных шагов во Входном кубе пространства-времени.	Long
match_explanatory_variables [match_explanatory_variables,...] (Дополнительный)	Сопоставление названий имен полей из прогнозируемой выборки с обучающей выборкой. Используйте этот параметр, если имена полей обучающих и прогнозируемых наборов отличаются. Эти значения - имена полей в наборе данных прогнозирования, которые соответствуют именам полей во входных данных временных рядов.	Value Table

Пример кода

ForecastUsingTimeSeriesModel (автономный скрипт)

Это пример использования функции ForecastUsingTimeSeriesModel.

# 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
)

Параметры среды

Выходная система координат, Географические преобразования, Тип процессора, GPU ID

Информация о лицензиях

• Basic: Нет
• Standard: Нет
• Advanced: Да