Vorhersage mit Zeitserienmodell (GeoAI Tools)

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
Dieses Werkzeug unterstützt die Verwendung von Zeitserien von Drittanbietern, die mithilfe des Modellerweiterbarkeits-Features erstellt wurden. Das Modellerweiterbarkeits-Feature ermöglicht Zeitserienvorhersage-Tasks unter Verwendung einer benutzerdefinierten Deep-Learning-Modelldatei (.dlpk), die nicht mit dem Werkzeug Zeitreihenprognosemodell trainieren erstellt wird.

Weitere Informationen zur Verwendung von Drittanbieter-Zeitserienmodellen mit ArcGIS.
Um dieses Werkzeug mithilfe einer GPU auszuführen, legen Sie die Umgebung für den Prozessortyp auf "GPU" fest. Bei mehr als einer GPU geben Sie stattdessen die Umgebung GPU-ID an.
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 Root-Mean-Square-Fehlerwerte. 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.

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. Die `.dlpk`-Datei kann auch ein Drittanbieter-Zeitserienmodell sind. Achtung: Die `.dlpk`-Datei für ein Zeitserienmodell eines Drittanbieters kann schädlichen Code enthalten. Verwenden Sie diese Modelle daher nur, wenn Sie deren Quelle als vertrauenswürdig einstufen.	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 Zeitserien und die Vorhersagen für die einzelnen Positionen zeigen. Hinweis: Bei Verwendung einer Zeitserie eines Drittanbieters werden die Modellargumente entsprechend den in der `.dlpk`-Datei angegebenen Parametern aktualisiert. Weitere Informationen zum Definieren von Modellargumenten finden Sie im Abschnitt "getParameterInfo" unter "Verwenden von Zeitserien von Drittanbietern mit ArcGIS".	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. Spalten der Wertetabelle: Prediction—The field names in the prediction dataset. Training—The field names in the input time series data.	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. Keine—Ausreißer werden nicht identifiziert. Dies ist die Standardeinstellung. Ausreißer identifizieren—Ausreißer werden mithilfe des generalisierten ESD-Tests identifiziert.	String
Konfidenzniveau (Optional)	Gibt das Konfidenzniveau an, das für Tests auf Ausreißer in einer Zeitserie verwendet wird. 90 %—Das Konfidenzniveau für den Test beträgt 90 Prozent. Dies ist die Standardeinstellung. 95 %—Das Konfidenzniveau für den Test beträgt 95 Prozent. 99 %—Das Konfidenzniveau für den Test beträgt 99 Prozent.	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
Analysevariable	Die numerische Variable im Dataset, die für zukünftige Zeitschritte vorhergesagt wird.	String
Modellargumente (Optional)	Zusätzliche Argumente, die vom Drittanbietermodell beim Erstellen von Vorhersagen verwendet werden. Zu den unterstützten Modellargumenten zählt `sequence_length` und `batch_size`. Der Parameter gilt nur für Vorhersagen, die ein Drittanbietermodell verwenden. Bei Verwendung einer Zeitserie eines Drittanbieters werden die Modellargumente entsprechend den in der `.dlpk`-Datei angegebenen Parametern aktualisiert. Weitere Informationen zum Definieren von Modellargumenten finden Sie im Abschnitt "getParameterInfo" unter "Verwenden von Zeitserien von Drittanbietern mit ArcGIS". Spalten der Wertetabelle: Name—The name of the function argument. Value—The value of the function argument.	Value Table

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, analysis_variable, {arguments})

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. Die `.dlpk`-Datei kann auch ein Drittanbieter-Zeitserienmodell sind. Achtung: Die `.dlpk`-Datei für ein Zeitserienmodell eines Drittanbieters kann schädlichen Code enthalten. Verwenden Sie diese Modelle daher nur, wenn Sie deren Quelle als vertrauenswürdig einstufen.	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 Zeitserien und die Vorhersagen für die einzelnen Positionen zeigen. Hinweis: Bei Verwendung einer Zeitserie eines Drittanbieters werden die Modellargumente entsprechend den in der `.dlpk`-Datei angegebenen Parametern aktualisiert. Weitere Informationen zum Definieren von Modellargumenten finden Sie im Abschnitt "getParameterInfo" unter "Verwenden von Zeitserien von Drittanbietern mit ArcGIS".	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. Spalten der Wertetabelle: `Prediction`—The field names in the prediction dataset. `Training`—The field names in the input time series data.	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. `NONE`—Ausreißer werden nicht identifiziert. Dies ist die Standardeinstellung. `IDENTIFY`—Ausreißer werden mithilfe des generalisierten ESD-Tests identifiziert.	String
level_of_confidence (Optional)	Gibt das Konfidenzniveau an, das für Tests auf Ausreißer in einer Zeitserie verwendet wird. `90%`—Das Konfidenzniveau für den Test beträgt 90 Prozent. Dies ist die Standardeinstellung. `95%`—Das Konfidenzniveau für den Test beträgt 95 Prozent. `99%`—Das Konfidenzniveau für den Test beträgt 99 Prozent.	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
analysis_variable	Die numerische Variable im Dataset, die für zukünftige Zeitschritte vorhergesagt wird.	String
arguments [arguments,...] (Optional)	Zusätzliche Argumente, die vom Drittanbietermodell beim Erstellen von Vorhersagen verwendet werden. Zu den unterstützten Modellargumenten zählt `sequence_length` und `batch_size`. Der Parameter gilt nur für Vorhersagen, die ein Drittanbietermodell verwenden. Bei Verwendung einer Zeitserie eines Drittanbieters werden die Modellargumente entsprechend den in der `.dlpk`-Datei angegebenen Parametern aktualisiert. Weitere Informationen zum Definieren von Modellargumenten finden Sie im Abschnitt "getParameterInfo" unter "Verwenden von Zeitserien von Drittanbietern mit ArcGIS". Spalten der Wertetabelle: `Name`—The name of the function argument. `Value`—The value of the function argument.	Value Table

Codebeispiel

ForecastUsingTimeSeriesModel: Beispiel (eigenständiges Skript)

In diesem Beispiel wird gezeigt, wie die Funktion ForecastUsingTimeSeriesModel verwendet wird.

# 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
)

Umgebungen

Ausgabe-Koordinatensystem, Geographische Transformationen, Prozessortyp, GPU-ID

Lizenzierungsinformationen

Basic: Nein
Standard: Nein
Advanced: Ja

Vorhersage mit Zeitserienmodell (GeoAI Tools)

Zusammenfassung

Verwendung

Parameter

Achtung:

Hinweis:

Umgebungen

Lizenzierungsinformationen

Verwandte Themen