Prévoir à l’aide d’un modèle de série chronologique (Outils GeoAI)

Résumé

Prévoit les valeurs de chaque localisation d’un cube spatio-temporel en utilisant un modèle de prévision de séries chronologiques basé sur le Deep Learning et ayant été entraîné avec l’outil Entraîner le modèle de prévision de séries chronologiques.

Utilisation

Vous devez installer la structure de Deep Learning correspondant à Python dans ArcGIS Pro.

Découvrir comment installer des structures de Deep Learning pour ArcGIS
L’entrée est un fichier de définition de modèle Esri (.emd) ou un fichier de paquetage de Deep Learning (.dlpk), qu’il est possible de créer à l’aide de l’outil Entraîner le modèle de prévision de séries chronologiques.
Cet outil accepte les données netCDF créées par les outils Créer un cube spatio-temporel en agrégeant des points, Créer un cube spatio-temporel à partir d’emplacements définis, Créer un cube spatio-temporel à partir d’une couche raster multidimensionnelle et Subdiviser un cube spatio-temporel.
Cet outil utilise des modèles de prévision de séries chronologiques basés sur le Deep Learning. Les modèles de Deep Learning sont parfaitement capables d’apprendre et conviennent aux séries chronologiques qui suivent des tendances complexes et sont difficiles à modéliser avec de simples fonctions mathématiques. Toutefois, ils requièrent un volume de données d’entraînement plus important pour apprendre de telles tendances complexes et utilisent davantage de ressources de calcul pour l’entraînement et l’inférence. Un processeur graphique est recommandé pour utiliser cet outil.
Le paramètre Outlier Option (Option de point aberrant) peut être utilisé pour détecter des points aberrants statistiquement significatifs dans les valeurs de série chronologique à chaque localisation.

En savoir plus sur la détection des points aberrants des séries chronologiques
Cet outil prend en charge l’utilisation de modèles de séries chronologiques tiers créés avec la fonctionnalité d’extensibilité du modèle. La fonctionnalité d’extensibilité du modèle permet de réaliser des tâches de prévision de séries chronologiques à l’aide d’un fichier de modèle de Deep Learning personnalisé (.dlpk) qui n’est pas créé à l’aide de l’outil Entraîner le modèle de prévision de séries chronologiques.

Découvrez-en davantage sur l’utilisation de modèles de séries chronologiques tiers avec ArcGIS.
Pour exécuter cet outil avec un GPU, définissez le paramètre d’environnement Type de processeur sur GPU. Si vous avez plusieurs GPU, spécifiez plutôt le paramètre d’environnement ID de GPU.
Cet outil utilise un modèle de prévision global unique ayant été entraîné sur des données de série chronologique issues de chaque emplacement.
La valeur du paramètre Output Features (Entités en sortie) est ajoutée à la fenêtre Contents (Contenu) avec un rendu basé sur le meilleur intervalle temporel prévu de modèle enregistré.
Cet outil génère des messages de géotraitement et des diagrammes contextuels que vous pouvez utiliser pour comprendre et visualiser les résultats prévus. Les messages contiennent des informations sur la structure du cube spatio-temporel et des statistiques récapitulatives des valeurs de racine carrée de l’erreur quadratique moyenne. Cliquez sur une entité à l’aide de l’outil de navigation Explorer pour afficher dans la fenêtre Pop-up (Fenêtre contextuelle) un diagramme linéaire indiquant les valeurs du cube spatio-temporel, les valeurs ajustées et les valeurs prévues pour cet emplacement.
Pour obtenir des informations sur les exigences relatives à l’exécution de cet outil ainsi que sur les problèmes qui peuvent survenir, reportez-vous à la rubrique Forum aux questions sur le Deep Learning.

Etiqueter	Explication	Type de données
Données de série chronologique en entrée	Le cube netCDF contient la variable utilisée pour prévoir les intervalles temporels futurs. Ce fichier doit porter l’extension `.nc` et doit avoir été créé à l’aide de l’outil Créer un cube spatio-temporel en agrégeant des points, Créer un cube spatio-temporel à partir d’emplacements définis ou Créer un cube spatio-temporel à partir d’une couche raster multidimensionnelle.	File
Définition de modèle	Fichier de modèle de Deep Learning entraîné (`.dlpk` ou `.emd`) à utiliser pour effectuer les prévisions. Le modèle peut être entraîné avec l’outil Entraîner le modèle de prévision de séries chronologiques. Le fichier `.dlpk` peut également être un modèle de séries chronologiques tiers. Attention : Un fichier `.dlpk` de modèle de séries chronologiques tiers peut contenir du code dangereux. N’utilisez ces modèles que si vous connaissez et approuvez leur origine.	File
Entités en sortie	Classe d’entités en sortie de tous les emplacements du cube spatio-temporel avec les valeurs prévues stockées sous forme de champs. La couche affiche la prévision de l’intervalle temporel final et contient des diagrammes contextuels illustrant la série chronologique et les prévisions de chaque emplacement. Remarque : Lorsque vous utilisez un modèle de séries chronologiques tiers, les arguments du modèle sont mis à jour conformément aux paramètres spécifiés dans le fichier `.dlpk`. Pour en savoir plus sur la définition des arguments de modèle, consultez la section getParameterInfo de la rubrique Utiliser des modèles de prévision de séries chronologiques avec ArcGIS.	Feature Class
Nombre d’intervalles temporels à prévoir	Entier positif spécifiant le nombre d’intervalles temporels à utiliser pour prévoir la variable d’analyse. La valeur par défaut est de 2. Cette valeur ne doit pas être supérieure à 50 pour cent du nombre total d’intervalles temporels dans le cube spatio-temporel en entrée pour la prévision à étape unique et à 50 pour cent de la valeur du paramètre Sequence Length (Longueur de séquence) dans l’outil Entraîner le modèle de prévision de séries chronologiques pour la prévision en plusieurs étapes.	Long
Apparier les variables explicatives (Facultatif)	Appariement des noms de champ du jeu de prévision et du jeu d’entraînement. Utilisez ce paramètre si les noms de champ des jeux d’entraînement et de prévision sont différents. Les valeurs sont les noms de champ du jeu de données de prévision qui correspondent aux noms de champ des données de série chronologique en entrée. Colonnes de la table de valeurs : Prediction—The field names in the prediction dataset. Training—The field names in the input time series data.	Value Table
Cube en sortie (Facultatif)	Cube spatio-temporel en sortie (fichier `.nc`) contenant les valeurs du cube spatio-temporel en entrée auxquelles ont été ajoutés les intervalles temporels prévus. Utilisez l’outil Visualiser le cube spatio-temporel en 3D pour afficher simultanément toutes les valeurs observées et prévues.	File
Outlier Option (Option de point aberrant) (Facultatif)	Indique si les points aberrants de série chronologique statistiquement significatifs sont identifiés. Aucun—Les points aberrants ne seront pas identifiés. Il s’agit de l’option par défaut. Identify outliers (Identifier les points aberrants)—Les points aberrants seront identifiés via le test Generalized ESD (ESD généralisé).	String
Niveau de confiance (Facultatif)	Spécifie le niveau de confiance qui sera utilisé pour le test des points aberrants de série chronologique. 90 %—Le niveau de confiance du test sera de 90 %. Il s’agit de l’option par défaut. 95%—Le niveau de confiance du test sera de 95 %. 99%—Le niveau de confiance du test sera de 99 %.	String
Maximum Number of Outliers (Nombre maximal de points aberrants)	Nombre maximal de phases pouvant être déclarées comme des points aberrants pour chaque emplacement. La valeur par défaut correspond à 5 % (arrondi à la valeur inférieure) du nombre de phases du cube spatio-temporel en entrée (une valeur minimum de 1 est toujours utilisée). Cette valeur ne peut pas excéder 20 % du nombre d’intervalles temporels.	Long
Variable d'analyse	Variable numérique du jeu de données prévue pour les futurs intervalles temporels.	String
Arguments du modèle (Facultatif)	Arguments supplémentaires qui seront utilisés par le modèle tiers lors de la réalisation de la prévision. Les arguments de modèle pris en charge incluent `sequence_length` et `batch_size`. Le paramètre ne peut être utilisé que pour les prévisions utilisant un modèle tiers. Lorsque vous utilisez un modèle de séries chronologiques tiers, les arguments du modèle sont mis à jour conformément aux paramètres spécifiés dans le fichier `.dlpk`. Pour en savoir plus sur la définition des arguments de modèle, consultez la section getParameterInfo de la rubrique Utiliser des modèles de prévision de séries chronologiques avec ArcGIS. Colonnes de la table de valeurs : 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})

Nom	Explication	Type de données
in_cube	Le cube netCDF contient la variable utilisée pour prévoir les intervalles temporels futurs. Ce fichier doit porter l’extension `.nc` et doit avoir été créé à l’aide de l’outil Créer un cube spatio-temporel en agrégeant des points, Créer un cube spatio-temporel à partir d’emplacements définis ou Créer un cube spatio-temporel à partir d’une couche raster multidimensionnelle.	File
in_model_definition	Fichier de modèle de Deep Learning entraîné (`.dlpk` ou `.emd`) à utiliser pour effectuer les prévisions. Le modèle peut être entraîné avec l’outil Entraîner le modèle de prévision de séries chronologiques. Le fichier `.dlpk` peut également être un modèle de séries chronologiques tiers. Attention : Un fichier `.dlpk` de modèle de séries chronologiques tiers peut contenir du code dangereux. N’utilisez ces modèles que si vous connaissez et approuvez leur origine.	File
out_features	Classe d’entités en sortie de tous les emplacements du cube spatio-temporel avec les valeurs prévues stockées sous forme de champs. La couche affiche la prévision de l’intervalle temporel final et contient des diagrammes contextuels illustrant la série chronologique et les prévisions de chaque emplacement. Remarque : Lorsque vous utilisez un modèle de séries chronologiques tiers, les arguments du modèle sont mis à jour conformément aux paramètres spécifiés dans le fichier `.dlpk`. Pour en savoir plus sur la définition des arguments de modèle, consultez la section getParameterInfo de la rubrique Utiliser des modèles de prévision de séries chronologiques avec ArcGIS.	Feature Class
number_of_timesteps_to_forecast	Entier positif spécifiant le nombre d’intervalles temporels à utiliser pour prévoir la variable d’analyse. La valeur par défaut est de 2. Cette valeur ne doit pas être supérieure à 50 pour cent du nombre total d’intervalles temporels dans le cube spatio-temporel en entrée pour la prévision à étape unique et à 50 pour cent de la valeur du paramètre `sequence_length` dans l’outil Entraîner le modèle de prévision de séries chronologiques pour la prévision en plusieurs étapes.	Long
match_explanatory_variables [match_explanatory_variables,...] (Facultatif)	Appariement des noms de champ du jeu de prévision et du jeu d’entraînement. Utilisez ce paramètre si les noms de champ des jeux d’entraînement et de prévision sont différents. Les valeurs sont les noms de champ du jeu de données de prévision qui correspondent aux noms de champ des données de série chronologique en entrée. Colonnes de la table de valeurs : `Prediction`—The field names in the prediction dataset. `Training`—The field names in the input time series data.	Value Table
out_cube (Facultatif)	Cube spatio-temporel en sortie (fichier `.nc`) contenant les valeurs du cube spatio-temporel en entrée auxquelles ont été ajoutés les intervalles temporels prévus. Utilisez l’outil Visualiser le cube spatio-temporel en 3D pour afficher simultanément toutes les valeurs observées et prévues.	File
outlier_option (Facultatif)	Indique si les points aberrants de série chronologique statistiquement significatifs sont identifiés. `NONE`—Les points aberrants ne seront pas identifiés. Il s’agit de l’option par défaut. `IDENTIFY`—Les points aberrants seront identifiés via le test Generalized ESD (ESD généralisé).	String
level_of_confidence (Facultatif)	Spécifie le niveau de confiance qui sera utilisé pour le test des points aberrants de série chronologique. `90%`—Le niveau de confiance du test sera de 90 %. Il s’agit de l’option par défaut. `95%`—Le niveau de confiance du test sera de 95 %. `99%`—Le niveau de confiance du test sera de 99 %.	String
maximum_number_of_outliers	Nombre maximal de phases pouvant être déclarées comme des points aberrants pour chaque emplacement. La valeur par défaut correspond à 5 % (arrondi à la valeur inférieure) du nombre de phases du cube spatio-temporel en entrée (une valeur minimum de 1 est toujours utilisée). Cette valeur ne peut pas excéder 20 % du nombre d’intervalles temporels.	Long
analysis_variable	Variable numérique du jeu de données prévue pour les futurs intervalles temporels.	String
arguments [arguments,...] (Facultatif)	Arguments supplémentaires qui seront utilisés par le modèle tiers lors de la réalisation de la prévision. Les arguments de modèle pris en charge incluent `sequence_length` et `batch_size`. Le paramètre ne peut être utilisé que pour les prévisions utilisant un modèle tiers. Lorsque vous utilisez un modèle de séries chronologiques tiers, les arguments du modèle sont mis à jour conformément aux paramètres spécifiés dans le fichier `.dlpk`. Pour en savoir plus sur la définition des arguments de modèle, consultez la section getParameterInfo de la rubrique Utiliser des modèles de prévision de séries chronologiques avec ArcGIS. Colonnes de la table de valeurs : `Name`—The name of the function argument. `Value`—The value of the function argument.	Value Table

Exemple de code

Exemple d’utilisation de la fonction ForecastUsingTimeSeriesModel (script autonome)

Cet exemple illustre l’utilisation de la fonction 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
)

Environnements

Système de coordonnées en sortie, Transformations géographiques, Type de processeur, ID GPU

Informations de licence

Basic: Non
Standard: Non
Advanced: Oui

Prévoir à l’aide d’un modèle de série chronologique (Outils GeoAI)

Résumé

Utilisation

Paramètres

Attention :

Remarque :

Environnements

Informations de licence

Rubriques connexes