시계열 예측을 위한 기계 학습 이해

SAP HANA 데이터 프레임을 사용하여 환경 설정 및 데이터 준비

SAP HANA PAL 단일 변량 시계열 모델 훈련

다중 시계열로 예측

그룹화된 시계열의 예측

Objective

After completing this lesson, you will be able to SAP HANA PAL을 사용하여 그룹화된 시계열에서 예측 로직을 구현합니다.

다중 시계열 예측

실제 예측 시나리오에서는 국가, 점포 또는 제품 라인과 같은 여러 범주에 대해 별도의 예측을 생성하는 것이 일반적입니다. 이 소단원에서는 SAP HANA PAL의 group_key 매개변수와 사용자 정의 루프 로직을 사용하여 이러한 여러 그룹에서 시계열 예측을 조정하는 방법을 설명합니다.

AdditionModelForecast 알고리즘으로 모델 훈련

SAP HANA용 Python 기계 학습 클라이언트(hana-ml)는 SAP HANA DataFrames 입력 데이터를 기반으로 사용할 수 있도록 Python에서 모든 SAP HANA Predictive Analysis Library(PAL) 함수와 Automated Predictive Library(APL) 함수를 표시합니다.

다음으로, 단일 변량 시계열 모델 시나리오와 동일한 AdditiveModelForecast 알고리즘 [1]을 사용하여 개별 모델을 훈련합니다.

그러나 이제 거주 국가를 그룹 키로 지정하여 각 국가에 대한 개별 모델을 제공합니다.

Code Snippet

12
amf = AdditiveModelForecast(massive=True)
amf.fit(data=hdf_overnightstays_agg, group_key='COUNTRYOFRESIDENCE')

<hana_ml.algorithms.pal.tsa.addantive_model_forecast.AdditiveModelForecast - 0x1d9c79d7020>

시계열 예측 - 국가별

예측을 생성할 일자/월이 포함된 SAP HANA DataFrame을 생성합니다.

다음으로 교육 이력에서 가장 최근 월을 파악하는 것으로 시작합니다.

Code Snippet

1234
str_lastdate = hdf_overnightstays_agg.tail(1, ref_col='MONTH').collect().iloc[0,0]
str_lastdate = str(str_lastdate)[0:10]

print(str_lastdate)

2024-05-01

이제 원하는 월의 첫 번째 일자가 포함된 SAP HANA DataFrame을 생성하여 예상합니다.

Code Snippet

123456
months_to_forecast=12

hdf_overnightstays_future = binomial(conn, n=1, p=1, num_random=months_to_forecast)
hdf_overnightstays_future = hdf_overnightstays_future.select('*', (f'''ADD_MONTHS(TO_DATE ('{str_lastdate}', 'YYYY-MM-DD'), ID+1)''', 'MONTH') )
hdf_overnightstays_future = hdf_overnightstays_future.select('MONTH', ('0', 'TARGET'))
hdf_overnightstays_future.head(10).collect()

	MONTH	대상
0	2024-06-01	0
1	2024-07-01	0
2	2024-08-01	0
3	2024-09-01	0
4	2024-10-01	0
5	2024-11-01	0
6	2024-12-01	0
7	2025-01-01	0
8	2025-02-01	0
9	2025-03-01	0

그런 다음 예측이 제공될 국가를 포함하는 SAP HANA DataFrame을 생성합니다.

Code Snippet

123
hdf_overnightstays_countries = hdf_overnightstays.agg([('sum', 'OVERNIGHTSTAYS', 'TOTAL'  )], group_by='COUNTRYOFRESIDENCE' ) \
                            .sort('TOTAL', desc=True).select('COUNTRYOFRESIDENCE').head(10)
hdf_overnightstays_countries.collect()

	COUNTRYOFRESIDENCE
0	스위스
1	독일
2	미국
3	영국
4	프랑스
5	이탈리아
6	네덜란드
7	벨기에
8	인도
9	스페인

다음 두 개의 SAP HANA DataFrame을 결합하여 각 국가의 미래 일자/월이 포함된 새로운 DataFrame을 생성합니다.

Code Snippet

123
hdf_overnightstays_topredict = hdf_overnightstays_future.add_id().set_index('ID').join(hdf_overnightstays_countries.add_id('ID').set_index('ID'), how='cross' )
hdf_overnightstays_topredict = hdf_overnightstays_topredict.drop('ID')
hdf_overnightstays_topredict.head(10).collect()

	MONTH	COUNTRYOFRESIDENCE
0	2024-06-01	스위스
1	2024-06-01	독일
2	2024-06-01	미국
3	2024-06-01	영국
4	2024-06-01	프랑스
5	2024-06-01	이탈리아
6	2024-06-01	네덜란드
7	2024-06-01	벨기에
8	2024-06-01	인도
9	2024-06-01	스페인

모델을 적용하여 예측 생성

그런 다음 훈련된 시계열 모델을 채점하여 지정된 일자의 개별 국가에 대한 예측을 생성합니다.

Code Snippet

12
hdf_overnightstays_pred = amf.predict(data=hdf_overnightstays_topredict, group_key='COUNTRYOFRESIDENCE')
hdf_overnightstays_predicted = hdf_overnightstays_pred[0]

아래 그림과 같이 예측 구성요소의 세부사항, 즉 추세, 계절적 변동을 살펴볼 수 있습니다.

Code Snippet

1
hdf_overnightstays_pred[1].collect()

	그룹 ID	MONTH	추세	계절	휴일	EXOGENOUS
0	벨기에	2024-06-01	46941.398949	{"seasonalities":3149.2922197280824}	{}	{}
1	벨기에	2024-07-01	46645.399501	{"seasonalities":539699.69442748901}	{}	{}
2	벨기에	2024-08-01	46339.533404	{"계절성":47670.95477129075}	{}	{}
3	벨기에	2024-09-01	46033.667307	{"계절성":-10867.900939089028}	{}	{}
4	벨기에	2024-10-01	45737.667859	{"계절성":-35024.826999824596}	{}	{}
...	...	...	...	...	...	...
115	미국	2025-01-01	256174.088611	{"계절성":-105260.40367463966}	{}	{}
116	미국	2025-02-01	255710.827254	{"계절적 변동":-107113.21705733694}	{}	{}
117	미국	2025-03-01	255292.397641	{"계절성":-63771.189585235305}	{}	{}
118	미국	2025-04-01	254829.136284	{"계절성":-74262.95570659888}	{}	{}
119	미국	2025-05-01	254380.818842	{"계절성":35157.578049777409}	{}	{}

120행 × 6열

정확도 평가

다음과 같이 오류가 있는지 확인합니다.

Code Snippet

1
hdf_overnightstays_pred[2].collect()

GROUP_ID ERROR_TIMESTAMP ERRORCODE MESSAGE

아래 그림과 같이 독일에 대한 예측을 구체적으로 표시합니다.

Code Snippet

12
forecast_line_plot(pred_data=hdf_overnightstays_predicted.filter(''' "GROUP_ID" = 'Germany' ''').drop('GROUP_ID').set_index('MONTH'),
                   confidence=("YHAT_LOWER", "YHAT_UPPER"), enable_plotly=True)

이제 미국에 대한 예측을 다음과 같이 플롯합니다.

Code Snippet

12
forecast_line_plot(pred_data=hdf_overnightstays_predicted.filter(''' "GROUP_ID" = 'United States' ''').drop('GROUP_ID').set_index('MONTH'),
                   confidence=("YHAT_LOWER", "YHAT_UPPER"), enable_plotly=True)

아래와 같이 모델 훈련에 사용된 과거 데이터세트와 예측 값을 하나의 SAP HANA DataFrame에 결합할 수 있습니다.

Code Snippet

123456789
hdf_overnightstays_predicted = hdf_overnightstays_predicted.select(
                                  'MONTH',
                                  ('GROUP_ID', 'COUNTRYOFRESIDENCE'),
                                  ('NULL', 'OVERNIGHTSTAYS_SUM'),
                                  ('YHAT', 'FORECAST'),
                                  ('YHAT_LOWER', 'FORECAST_LOWER'),
                                  ('YHAT_UPPER', 'FORECAST_UPPER')
                                 )
hdf_overnightstays_predicted.head(10).collect()

	MONTH	COUNTRYOFRESIDENCE	OVERNIGHTSTAYS_SUM	예측	FORECAST_LOWER	FORECAST_UPPER
0	2024-06-01	벨기에	없음	50090.691169	47179.354589	52902.229641
1	2024-07-01	벨기에	없음	100615.093928	97772.912096	103203.241535
2	2024-08-01	벨기에	없음	94010.488175	91129.243296	96876.143447
3	2024-09-01	벨기에	없음	35165.766368	32295.303313	38081.503388
4	2024-10-01	벨기에	없음	10712.840859	7792.914224	13545.382103
5	2024-11-01	벨기에	없음	15575.706973	12869.710511	18361.714953
6	2024-12-01	벨기에	없음	43761.773402	40908.291509	46512.689291
7	2025-01-01	벨기에	없음	22965.282178	20305.025961	25710.640517
8	2025-02-01	벨기에	없음	36852.832053	33948.725286	39735.768094
9	2025-03-01	벨기에	없음	42565.990727	39522.284487	45665.217573

Code Snippet

123456
hdf_overnightstays_agg = hdf_overnightstays_agg.select('*', ('NULL', 'FORECAST'),
                                  ('NULL', 'FORECAST_LOWER'),
                                  ('NULL', 'FORECAST_UPPER')
                                  )
hdf_overnightstays_all = hdf_overnightstays_predicted.union(hdf_overnightstays_agg)
hdf_overnightstays_all.sort('MONTH').tail(20).collect()

	MONTH	COUNTRYOFRESIDENCE	OVERNIGHTSTAYS_SUM	예측	FORECAST_LOWER	FORECAST_UPPER
0	2025-04-01	이탈리아	없음	7.301358e+04	6.667947e+04	7.887995e+04
1	2025-04-01	미국	없음	1.805662e+05	1.680320e+05	1.921834e+05
2	2025-04-01	영국	없음	9.974975e+04	9.186932e+04	1.070457e+05
3	2025-04-01	벨기에	없음	2.574547e+04	2.259784e+04	2.862533e+04
4	2025-04-01	스위스	없음	1.37866e+06	1.322983e+06	1.430933e+06
5	2025-04-01	스페인	없음	3.213217e+04	2.940963e+04	3.476349e+04
6	2025-04-01	인도	없음	6.515502e+04	5.293711e+04	7.653153e+04
7	2025-04-01	독일	없음	2.407886e+05	2.251664e+05	2.552813e+05
8	2025-04-01	프랑스	없음	1.020115e+05	9.917646e+04	1.046622e+05
9	2025-04-01	네덜란드	없음	3.838326e+04	3.441906e+04	4.207428e+04
10	2025-05-01	미국	없음	2.895384e+05	2.755186e+05	3.024338e+05
11	2025-05-01	이탈리아	없음	6.399058e+04	5.780458e+04	6.952312e+04
12	2025-05-01	영국	없음	1.080254e+05	9.963275e+04	1.155868e+05
13	2025-05-01	스위스	없음	1.502996e+06	1.445847e+06	1.553558e+06
14	2025-05-01	인도	없음	1.180078e+05	1.052617e+05	1.293825e+05
15	2025-05-01	프랑스	없음	1.204332e+05	1.173433e+05	1.233076e+05
16	2025-05-01	스페인	없음	3.689542e+04	3.382324e+04	3.987497e+04
17	2025-05-01	네덜란드	없음	5.181526e+04	4.768336e+04	5.550257e+04
18	2025-05-01	독일	없음	2.789746e+05	2.621818e+05	2.946275e+05
19	2025-05-01	벨기에	없음	1.842008e+04	1.533416e+04	2.117920e+04

선택적으로, 병합된 데이터세트를 SAP HANA Cloud의 테이블에 저장할 수 있습니다. 예를 들어 SAP Analytics Cloud는 이러한 데이터에 액세스할 수 있습니다.

Code Snippet

1
hdf_overnightstays_all.save('OVERNIGHTSTAYS_FORECAST_COUNTRIES', force=True)

<hana_ml.dataframe.DataFrame at 0x1d9c79d69f0>

마지막으로 독일의 경우 단일 국가에 대한 전체 데이터세트(예: 과거 값 및 예측)를 플롯합니다.

Code Snippet

1
hdf_overnightstays_data = hdf_overnightstays_all.filter('''"COUNTRYOFRESIDENCE" = 'Germany' ''').collect()

Code Snippet

12345678910111213
fig, ax = plt.subplots()
ax.fill_between(hdf_overnightstays_data['MONTH'].values, 
                hdf_overnightstays_data['FORECAST_LOWER'].values, 
                hdf_overnightstays_data['FORECAST_UPPER'].values, alpha=0.2)

ax.plot(hdf_overnightstays_data['MONTH'].values, 
        hdf_overnightstays_data['OVERNIGHTSTAYS_SUM'].values, '-')

plt.xticks(rotation=45)
plt.xlabel("MONTH")
plt.ylabel("OVERNIGHTSTAYS")
plt.grid()
plt.show()

단일 국가인 독일에 대해 과거 값과 예측 값의 전체 데이터세트를 보여주는 그래프

참조

[1]SAP HANA PAL 알고리즘 - 추가 모델 예측

Continue to quiz