Predicción utilizando el modelo de series temporales (Herramientas de GeoAI)

Resumen

Predice los valores de cada ubicación de un cubo de espacio-tiempo utilizando un modelo de predicción de serie temporal basado en el aprendizaje profundo que se han entrenado mediante el uso de la herramienta Entrenar el modelo de previsión de series temporales.

Uso

Debe instalar el marco de aprendizaje profundo adecuado para Python en ArcGIS Pro.

Vea cómo instalar marcos de aprendizaje profundo para ArcGIS
La entrada es un archivo de definición de modelo de Esri (".emd") o un archivo de paquete de aprendizaje profundo (".dlpk"), que se puede crear con la herramienta Entrenar el modelo de previsión de series temporales.
Esta herramienta acepta datos netCDF creados con las herramientas Crear cubo de espacio-tiempo agregando puntos, Crear cubo de espacio-tiempo a partir de ubicaciones definidas, Crear cubo de espacio-tiempo a partir de capa ráster multidimensional y Subdividir cubo de espacio-tiempo.
Esta herramienta utiliza modelos de predicción de serie temporal basada en el aprendizaje profundo. Los modelos de aprendizaje profundo tienen una gran capacidad de aprendizaje y son apropiados para series temporales que siguen tendencias complejas y son difíciles de modelar con funciones matemáticas sencillas. No obstante, requieren un volumen mayor de datos de entrenamiento para aprender dichas tendencias complejas y utilizan más recursos de cálculo para entrenamiento e inferencia. Se recomienda una GPU para utilizar esta herramienta.
El parámetro Opción de valor atípico se puede utilizar para detectar valores atípicos estadísticamente significativos en los valores de la serie temporal de cada ubicación.

Más información sobre cómo detectar valores atípicos de series temporales
Esta herramienta admite el uso de modelos de serie temporal de terceros creados mediante la entidad de extensibilidad de modelos. La entidad de extensibilidad del modelo habilita las tareas de previsión de serie temporal mediante un archivo de modelo de aprendizaje profundo personalizado (".dlpk") que no se crea con la herramienta Entrenar modelo de previsión de serie temporal.

Más información sobre el uso de modelos de series temporales de terceros con ArcGIS.
Para ejecutar esta herramienta utilizando una GPU, establezca el entorno Tipo de procesador en GPU. Si tiene más de una GPU, especifique el entorno de Id. de GPU en su lugar.
Esta herramienta utiliza un único modelo de predicción global que se ha entrenado con los datos de serie temporal de cada ubicación.
El valor del parámetro Entidades de salida se agregará al panel Contenido con una representación en pantalla basada en el mejor periodo de tiempo previsto del modelo guardado.
Esta herramienta genera mensajes de geoprocesamiento y gráficos emergentes que puede utilizar para comprender y visualizar los resultados de predicción. Los mensajes contienen información sobre la estructura del cubo de espacio-tiempo y la estadística de resumen de los valores de error cuadrático medio. Haga clic en una entidad con la herramienta de navegación Explorar para que aparezca un gráfico de líneas en el panel Elementos emergentes que muestra los valores del cubo de espacio-tiempo, los valores ajustados y los valores previstos para esa ubicación.
Para obtener información sobre los requisitos para ejecutar esta herramienta y los problemas que pueden presentarse, consulte Preguntas frecuentes sobre el aprendizaje profundo.

Etiqueta	Explicación	Tipo de datos
Datos de serie temporal de entrada	El cubo de netCDF que contiene la variable que se utilizará para predecir los futuros periodos de tiempo. Este archivo debe tener una extensión de archivo `.nc` y se debe haber creado utilizando la herramienta Crear cubo espacio-tiempo agregando puntos, Crear cubo espacio-tiempo a partir de ubicaciones definidas o Crear cubo espacio-tiempo a partir de capa ráster multidimensional.	File
Definición de modelo	Archivo de modelo de aprendizaje profundo entrenado (".dlpk" o `.emd`) que se utilizará para hacer predicciones. El modelo se puede entrenar con la herramienta Entrenar con el modelo de previsión de series temporales. El archivo `.dlpk` también puede ser un modelo de series temporales de terceros. Precaución: Un archivo `.dlpk` de modelo de serie temporal de terceros puede contener potencialmente código malicioso. Utilice solamente estos modelos si confía en su origen.	File
Entidades de salida	La clase de entidad de salida de todas las ubicaciones en el cubo espacio-tiempo con valores predichos almacenados como campos. La capa presenta la previsión correspondiente al periodo de tiempo final y contiene gráficos emergentes en los que se muestran las series temporales y las previsiones correspondientes a cada ubicación. Nota: Cuando utilice un modelo de serie temporal de terceros, los argumentos del modelo se actualizarán según los parámetros especificados en el archivo `.dlpk`. Para obtener más información sobre cómo definir los argumentos del modelo, consulte la sección getParameterInfo en Utilizar modelos de serie temporal de terceros con ArcGIS.	Feature Class
Número de periodos de tiempo para previsión	Entero positivo que especifica el número de periodos de tiempo que se emplearán para predecir la variable de análisis. El valor predeterminado es 2. Este valor no puede ser mayor que el 50 % de los periodos de tiempo totales del cubo de espacio-tiempo de entrada para la predicción de un solo periodo, y no puede ser mayor que el 50 % del valor del parámetro Longitud de secuencia en la herramienta Entrenar modelo de predicción de series temporales para la predicción de varios periodos.	Long
Variables explicativas coincidentes (Opcional)	La asignación de los nombres de campo del conjunto de predicciones al conjunto de entrenamiento. Utilice este parámetro si los nombres de campo de los conjuntos de entrenamiento y predicción son diferentes. Los valores son los nombres de campo del dataset de predicción que coinciden con los nombres de campo de los datos de serie temporal de entrada. Columnas de la tabla de valores: Prediction—The field names in the prediction dataset. Training—The field names in the input time series data.	Value Table
Cubo de salida (Opcional)	Un cubo de espacio-tiempo de salida (archivo ".nc") que contiene los valores del cubo de espacio-tiempo de entrada con los periodos de tiempo previstos anexados. Utilice la herramienta Visualizar cubo de espacio-tiempo en 3D para ver todos los valores observados y previstos de forma simultánea.	File
Opción de valor atípico (Opcional)	Especifica si se identificarán valores atípicos de series temporales estadísticamente significativos. Ninguno—No se identificarán valores atípicos. Esta es la opción predeterminada. Identificar valores atípicos—Se identificarán valores atípicos utilizando la prueba de ESD generalizada.	String
Nivel de confianza (Opcional)	Especifica el nivel de confianza que se utilizará para la prueba de los valores atípicos de series temporales. 90 %—El nivel de confianza para la prueba será del 90%. Esta es la opción predeterminada. 95%—El nivel de confianza para la prueba será del 95%. 99%—El nivel de confianza para la prueba será del 99%.	String
Número máximo de valores atípicos	El número máximo de periodos de tiempo que se pueden declarar como valores atípicos para cada ubicación. El valor predeterminado corresponde a un cinco por ciento (redondeado a la baja) del número de periodos de tiempo del cubo de espacio-tiempo de entrada (siempre se utilizará un valor de al menos 1). El valor no puede superar el 20% del número de periodos de tiempo.	Long
Variable de análisis	La variable numérica en el dataset que se tendrá previsto para futuros periodos de tiempo.	String
Argumentos de modelo (Opcional)	Argumentos adicionales que utilizará el modelo de terceros al llevar a cabo la previsión. Los argumentos de modelo compatibles incluyen `sequence_length` y `batch_size`. El parámetro solo es aplicable a la previsión mediante el uso de un modelo de terceros. Cuando utilice un modelo de serie temporal de terceros, los argumentos del modelo se actualizarán según los parámetros especificados en el archivo `.dlpk`. Para obtener más información sobre cómo definir los argumentos del modelo, consulte la sección getParameterInfo en Utilizar modelos de serie temporal de terceros con ArcGIS. Columnas de la tabla de valores: 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})

Nombre	Explicación	Tipo de datos
in_cube	El cubo de netCDF que contiene la variable que se utilizará para predecir los futuros periodos de tiempo. Este archivo debe tener una extensión de archivo `.nc` y se debe haber creado utilizando la herramienta Crear cubo espacio-tiempo agregando puntos, Crear cubo espacio-tiempo a partir de ubicaciones definidas o Crear cubo espacio-tiempo a partir de capa ráster multidimensional.	File
in_model_definition	Archivo de modelo de aprendizaje profundo entrenado (".dlpk" o `.emd`) que se utilizará para hacer predicciones. El modelo se puede entrenar con la herramienta Entrenar con el modelo de previsión de series temporales. El archivo `.dlpk` también puede ser un modelo de series temporales de terceros. Precaución: Un archivo `.dlpk` de modelo de serie temporal de terceros puede contener potencialmente código malicioso. Utilice solamente estos modelos si confía en su origen.	File
out_features	La clase de entidad de salida de todas las ubicaciones en el cubo espacio-tiempo con valores predichos almacenados como campos. La capa presenta la previsión correspondiente al periodo de tiempo final y contiene gráficos emergentes en los que se muestran las series temporales y las previsiones correspondientes a cada ubicación. Nota: Cuando utilice un modelo de serie temporal de terceros, los argumentos del modelo se actualizarán según los parámetros especificados en el archivo `.dlpk`. Para obtener más información sobre cómo definir los argumentos del modelo, consulte la sección getParameterInfo en Utilizar modelos de serie temporal de terceros con ArcGIS.	Feature Class
number_of_timesteps_to_forecast	Entero positivo que especifica el número de periodos de tiempo que se emplearán para predecir la variable de análisis. El valor predeterminado es 2. Este valor no puede ser mayor que el 50 % de los periodos de tiempo totales del cubo de espacio-tiempo de entrada para la predicción de un solo periodo, y no puede ser mayor que el 50 % del valor del parámetro en la herramienta Entrenar modelo de predicción de series tem`sequence_length`porales para la predicción de varios periodos.	Long
match_explanatory_variables [match_explanatory_variables,...] (Opcional)	La asignación de los nombres de campo del conjunto de predicciones al conjunto de entrenamiento. Utilice este parámetro si los nombres de campo de los conjuntos de entrenamiento y predicción son diferentes. Los valores son los nombres de campo del dataset de predicción que coinciden con los nombres de campo de los datos de serie temporal de entrada. Columnas de la tabla de valores: `Prediction`—The field names in the prediction dataset. `Training`—The field names in the input time series data.	Value Table
out_cube (Opcional)	Un cubo de espacio-tiempo de salida (archivo ".nc") que contiene los valores del cubo de espacio-tiempo de entrada con los periodos de tiempo previstos anexados. Utilice la herramienta Visualizar cubo de espacio-tiempo en 3D para ver todos los valores observados y previstos de forma simultánea.	File
outlier_option (Opcional)	Especifica si se identificarán valores atípicos de series temporales estadísticamente significativos. `NONE`—No se identificarán valores atípicos. Esta es la opción predeterminada. `IDENTIFY`—Se identificarán valores atípicos utilizando la prueba de ESD generalizada.	String
level_of_confidence (Opcional)	Especifica el nivel de confianza que se utilizará para la prueba de los valores atípicos de series temporales. `90%`—El nivel de confianza para la prueba será del 90%. Esta es la opción predeterminada. `95%`—El nivel de confianza para la prueba será del 95%. `99%`—El nivel de confianza para la prueba será del 99%.	String
maximum_number_of_outliers	El número máximo de periodos de tiempo que se pueden declarar como valores atípicos para cada ubicación. El valor predeterminado corresponde a un cinco por ciento (redondeado a la baja) del número de periodos de tiempo del cubo de espacio-tiempo de entrada (siempre se utilizará un valor de al menos 1). El valor no puede superar el 20% del número de periodos de tiempo.	Long
analysis_variable	La variable numérica en el dataset que se tendrá previsto para futuros periodos de tiempo.	String
arguments [arguments,...] (Opcional)	Argumentos adicionales que utilizará el modelo de terceros al llevar a cabo la previsión. Los argumentos de modelo compatibles incluyen `sequence_length` y `batch_size`. El parámetro solo es aplicable a la previsión mediante el uso de un modelo de terceros. Cuando utilice un modelo de serie temporal de terceros, los argumentos del modelo se actualizarán según los parámetros especificados en el archivo `.dlpk`. Para obtener más información sobre cómo definir los argumentos del modelo, consulte la sección getParameterInfo en Utilizar modelos de serie temporal de terceros con ArcGIS. Columnas de la tabla de valores: `Name`—The name of the function argument. `Value`—The value of the function argument.	Value Table

Muestra de código

Ejemplo de "ForecastUsingTimeSeriesModel" (script independiente)

Este ejemplo muestra cómo utilizar la función 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
)

Entornos

Sistema de coordenadas de salida, Transformaciones geográficas, Tipo de procesador, Id. de GPU

Información de licenciamiento

Basic: No
Standard: No
Avanzado: Sí

Predicción utilizando el modelo de series temporales (Herramientas de GeoAI)

Resumen

Uso

Parámetros

Precaución:

Nota:

Entornos

Información de licenciamiento

Temas relacionados