Model Time Series v Azure Time Series Insights Gen2

Tento článek popisuje model Time Series, možnosti a to, jak začít sestavovat a aktualizovat vlastní modely v Azure Time Series Insights Gen2.

Souhrn

Data shromážděná ze zařízení IoT tradičně chybí kontextové informace, což ztěžuje rychlé vyhledání a analýzu senzorů. Hlavní motivací pro model Time Series je zjednodušení hledání a analýzy dat IoT nebo Time Series. Dosahuje tohoto cíle tím, že umožňuje kurátorování, údržbu a rozšiřování dat časových řad a pomáhá tak připravit datové sady připravené pro uživatele pro analýzu.

Scénář: Nová inteligentní trouba společnosti Contoso

Představte si fiktivní scénář inteligentní trouby Contoso. V tomto scénáři předpokládejme, že každá inteligentní trouba Contoso má pět senzorů teploty, jeden pro každý ze čtyř horních burnerů a jeden pro samotnou pecí. Až donedávna odesílal, ukládal a vizualizovat data jednotlivě každý senzor teploty společnosti Contoso. Při monitorování spotřebičů pro kuchyně společnost Contoso spoléhá na základní grafy, jeden pro každý jednotlivý senzor.

Společnost Contoso byla s počátečními daty a řešením vizualizace spokojená, ale zřejmá byla i několik omezení:

• Zákazníci chtěli vědět, jak horká by byla celková pečka, když byla většina horních burnerů aktivní. Společnost Contoso měla větší potíže s analýzou a zobrazením jednotné odpovědi týkající se podmínek celkové trouby.
• Inženýři společnosti Contoso chtěli ověřit, že při současném běhu horních burnerů neskonče neefektivní příkon. Bylo obtížné křížně odkazovat na to, které senzory teploty a napětí jsou vzájemně spojené a jak je najít v obchodě.
• Tým společnosti Contoso pro kontrolu kvality chtěl auditovat a porovnávat historii mezi dvěma verzemi senzorů. Bylo obtížné určit, která data patří ke které verzi senzoru.

Bez možnosti strukturovat, organizovat a definovat zaocelený model časových řad inteligentních pekací udržuje každý senzor teploty dislocated, isolated a less informative data points ( dislocated, isolated a méně informativní datové body). Přeměna těchto datových bodů na užitečné přehledy byla obtížnější, protože každá datová sada byla nezávislá na ostatních.

Tato omezení odhalila důležitost inteligentních nástrojů pro agregaci a vizualizaci dat, které doprovází novou troubu společnosti Contoso:

• Vizualizace dat je užitečná, když můžete data přidružit a zkombinovat do pohodlného zobrazení. Příkladem je zobrazení senzorů napětí spolu se senzory teploty.
• Správa multidimenzionálních dat pro několik entit spolu s funkcemi porovnání, přiblížení a časového rozsahu může být obtížné dosáhnout.

Model Time Series nabízí vhodné řešení pro řadu scénářů, se kterými se setkáte v tomto fiktivním příkladu:

• Time Series Model hraje důležitou roli v dotazech a navigaci, protože kontextizuje data tím, že umožňuje vykreslit porovnání napříč časovými rozsahy a mezi typy senzorů a zařízení. (A)
• Data jsou další kontextová, protože data uložená v modelu Time Series zachovává výpočty dotazů časových řad jako proměnné a opakovaně je používá v době dotazu.
• Model Time Series organizuje a agreguje data pro lepší možnosti vizualizace a správy. (B)

Klíčové funkce

S cílem, aby správa kontextizace časových řad byla jednoduchá a bezproblémová, model Time Series model umožňuje následující funkce v Azure Time Series Insights Gen2. Pomůže vám to:

• Vytváření a správa výpočtů nebo vzorců s využitím skalárních funkcí, agregačních operací atd.
• Definujte vztahy nadřazenosti a podřízené položky, abyste umožnili navigaci, vyhledávání a odkazování.
• Definujte vlastnosti, které jsou přidruženy k instancím, definované jako pole instance, a použijte je k vytvoření hierarchií.

Komponenty

Model Time Series má tři základní komponenty:

• Instance modelu Time Series
• Hierarchie modelů časových řad
• Typy modelů Time Series

Tyto komponenty se kombinují a určují model časových řad a uspořádají data.

Model časových řad je možné vytvořit a spravovat prostřednictvím Azure Time Series Insights Exploreru. Nastavení modelu Time Series je možné spravovat prostřednictvím rozhraní API pro nastavení modelu.

Instance modelu Time Series

Instance modelu Time Series Model jsou virtuální reprezentace samotných časových řad.

Ve většině případů jsou instance jedinečně identifikované pomocí deviceId nebo assetId, které se ukládají jako ID časových řad.

Instance mají k nim přidružené popisné informace, které se nazývají vlastnosti instance , například ID časové řady, typ, název, popis, hierarchie a pole instance. Minimálně vlastnosti instance obsahují informace o hierarchii.

Pole instancí jsou kolekcí popisných informací, které mohou zahrnovat hodnoty úrovní hierarchie, výrobce, operátor atd.

Po nakonfigurování zdroje událostí pro Azure Time Series Insights Gen2 se instance automaticky zkoumou a vytvoří v modelu časové řady. Instance je možné vytvořit nebo aktualizovat prostřednictvím průzkumníka Azure Time Series Insights pomocí dotazů modelu Time Series.

Ukázka Contoso Wind Farm obsahuje několik živých příkladů instancí.

Vlastnosti instance

Instance jsou definovány pomocí timeSeriesId, typeId, name, description, hierarchyIds a instanceFields. Každá instance se mapuje pouze na jeden typ a jednu nebo více hierarchií.

Instance mají následující reprezentaci JSON:

{
  "timeSeriesId": ["PU2"],
  "typeId": "545314a5-7166-4b90-abb9-fd93966fa39b",
  "hierarchyIds": ["95f0a8d1-a3ef-4549-b4b3-f138856b3a12"],
  "description": "Pump #2",
  "instanceFields": {
    "Location": "Redmond",
    "Fleet": "Fleet 5",
    "Unit": "Pump Unit 3",
    "Manufacturer": "Contoso",
    "ScalePres": "0.54",
    "scaleTemp": "0.54"
  }
}

Hierarchie modelů časových řad

Hierarchie modelů časových řad organizují instance zadáním názvů vlastností a jejich relací.

Můžete nakonfigurovat více hierarchií v daném Azure Time Series Insights Gen2. Instance modelu Time Series Model se může mapovat na jednu hierarchii nebo několik hierarchií (relace M:N).

Ukázka Contoso Wind Farm zobrazuje standardní hierarchii instancí a typů.

Definice hierarchie

Hierarchie jsou definovány pomocí ID hierarchie, názvu a zdroje.

Hierarchie se ve formátu JSON reprezentují jako:

{
  "hierarchies": [
    {
      "id": "6e292e54-9a26-4be1-9034-607d71492707",
      "name": "Location",
      "source": {
        "instanceFieldNames": [
          "state",
          "city"
        ]
      }
    },
    {
      "id": "a28fd14c-6b98-4ab5-9301-3840f142d30e",
      "name": "ManufactureDate",
      "source": {
        "instanceFieldNames": [
          "year",
          "month"
        ]
      }
    }
  ]
}

V předchozím příkladu JSON:

• Location definuje hierarchii s nadřazenou states a podřízenou položkou cities . Každý location může mít více states , což může mít více cities .
• ManufactureDate definuje hierarchii s nadřazenou year a podřízenou položkou month . Každý ManufactureDate může mít více years , což může mít více months .

Příklad hierarchie

Vezměte v úvahu příklad, kdy hierarchie H1 má building , floor a room jako součást definice instanceFieldNames :

{
  "id": "aaaaaa-bbbbb-ccccc-ddddd-111111",
  "name": "H1",
  "source": {
    "instanceFieldNames": [
      "building",
      "floor",
      "room"
    ]
  }
}

Vzhledem k polím instance použitým v předchozí definici a několika časových řadách se atributy a hodnoty hierarchie zobrazí, jak je uvedeno v následující tabulce:

Time Series ID1 a ID4 se zobrazují jako součást hierarchie H1 v Azure Time Series Insights Exploreru , protože mají plně definované a správně seřazené parametry sestavení, podlah a místností .

Ostatní jsou klasifikovány v rámci nenadřazených instancí , protože neodpovídají zadané hierarchii dat.

Typy modelů časových řad

Typy modelů časových řad vám pomůžou definovat proměnné nebo vzorce pro provádění výpočtů. Typy jsou přidruženy k určité instanci.

Typ může mít jednu nebo více proměnných. Například instance modelu časové řady může být typu snímače teploty, který se skládá z proměnných Průměrná teplota, Minimální teplota a Maximální teplota.

Ukázka farmy společnosti Contoso Wind vizualizuje několik typů modelů časových řad přidružených ke svým příslušným instancím.

Vlastnosti typu

Typy modelů časových řad jsou definovány podle ID, názvu, popisu a proměnných.

Typy odpovídají následujícímu příkladu JSON:

{
  "types": [
    {
      "id": "1be09af9-f089-4d6b-9f0b-48018b5f7393",
      "name": "DefaultType",
      "description": "Default type",
      "variables": {
        "EventCount": {
          "kind": "aggregate",
          "value": null,
          "filter": null,
          "aggregation": {
            "tsx": "count()"
          }
        },
        "Interpolated Speed": {
          "kind": "numeric",
          "value": {
              "tsx": "$event['Speed-Sensor'].Double"
          },
          "filter": null,
          "interpolation": {
              "kind": "step",
              "boundary": {
                  "span": "P1D"
              }
          },
          "aggregation": {
              "tsx": "right($value)"
          }
        }
      }
    }
  ]
}

Typy modelů časových řad můžou mít mnoho proměnných, které určují pravidla vzorce a výpočtu pro události. Přečtěte si další informace o Definování proměnných modelu časové řady .

Další kroky

• Další informace o tom, jak upravit model prostřednictvím rozhraní API, najdete v referenční dokumentaci k modelu časové řady .

• Prozkoumejte vzorce a výpočty, které můžete vytvořit pomocí proměnných modelu časové řady .

• Další informace o dotazování na data v Azure Time Series Insights Gen2