Tidsseriemodell i Azure Time Series Insights Gen2
Kommentar
Tjänsten Time Series Insights (TSI) stöds inte längre efter mars 2025. Överväg att migrera befintliga TSI-miljöer till alternativa lösningar så snart som möjligt. Mer information om utfasning och migrering finns i vår dokumentation.
Den här artikeln beskriver Time Series Model, funktionerna och hur du börjar skapa och uppdatera dina egna modeller i Azure Time Series Insights Gen2-miljön.
Dricks
- Gå till Contoso Wind Farm-demomiljön för ett realtidsexempel på Time Series Model.
- Lär dig hur du arbetar med Time Series Model med Hjälp av Azure Time Series Insights Explorer.
Sammanfattning
Traditionellt saknar data som samlas in från IoT-enheter sammanhangsbaserad information, vilket gör det svårt att hitta och analysera sensorer snabbt. Huvudmotivet för Time Series Model är att förenkla sökning och analys av IoT- eller Time Series-data. Det uppnår detta mål genom att göra det möjligt att kurera, underhålla och berika tidsseriedata för att förbereda konsumentklara datamängder för analys.
Scenario: Contosos nya smarta ugn
Tänk dig det fiktiva scenariot med en smart Contoso-ugn. I det här scenariot antar vi att varje Contoso smart ugn har fem temperatursensorer, en för var och en av fyra översta brännare och en för själva ugnen. Fram till nyligen skickade, lagrade och visualiserade varje Contoso-temperatursensor sina data individuellt. För övervakning av köksutrustning förlitade sig Contoso på grundläggande diagram, ett för varje enskild sensor.
Contoso var nöjd med sin första data- och visualiseringslösning, men flera begränsningar blev uppenbara:
- Kunderna ville veta hur varmt den totala ugnen skulle bli när de flesta av de bästa brännarna var på. Contoso hade svårare att analysera och presentera ett enhetligt svar om förhållandena i den totala ugnen.
- Contosos tekniker ville kontrollera att de översta brännarna som körs samtidigt inte skulle resultera i ineffektiv strömdragning. Det var svårt att korsreferera vilka temperatur- och spänningssensorer som var associerade med varandra och hur de skulle hittas i butiken.
- Contosos kvalitetssäkringsteam ville granska och jämföra historiken mellan två sensorversioner. Det var svårt att avgöra vilka data som tillhörde vilken sensorversion.
Utan möjligheten att strukturera, organisera och definiera den övergripande tidsseriemodellen för smarta ugnar bibehålls varje temperatursensor ur led, isolerad och mindre informativa datapunkter. Det var svårare att omvandla dessa datapunkter till användbara insikter eftersom varje datauppsättning levde oberoende av de andra.
Dessa begränsningar visade vikten av smarta dataaggregerings- och visualiseringsverktyg som medföljer Contosos nya ugn:
- Datavisualisering visar sig vara användbart när du kan associera och kombinera data till en praktisk vy. Ett exempel är att visa spänningssensorer tillsammans med temperatursensorer.
- Det kan vara svårt att hantera flerdimensionella data för flera entiteter tillsammans med jämförelse, zoomning och tidsintervall.
Time Series Model är en praktisk lösning för många av de scenarier som påträffas i det här fiktiva exemplet:
- Tidsseriemodellen spelar en viktig roll i frågor och navigering eftersom den kontextualiserar data genom att tillåta jämförelser mellan tidsintervall och mellan sensor- och enhetstyper. (A)
- Data kontextualiseras ytterligare eftersom data som sparas i Time Series Model bevarar tidsseriefrågeberäkningar som variabler och återanvänder dem vid frågetillfället.
- Time Series Model organiserar och aggregerar data för bättre visualiserings- och hanteringsfunktioner. (B)
Viktiga funktioner
Med målet att göra det enkelt och enkelt att hantera kontextualisering av tidsserier möjliggör Time Series Model följande funktioner i Azure Time Series Insights Gen2. Det hjälper dig att:
- Skapa och hantera beräkningar eller formler som utnyttjar skalärfunktioner, aggregerade åtgärder och så vidare.
- Definiera överordnade och underordnade relationer för att aktivera navigering, sökning och referens.
- Definiera egenskaper som är associerade med instanserna, definieras som instansfält och använder dem för att skapa hierarkier.
Komponenter
Time Series Model har tre kärnkomponenter:
Dessa komponenter kombineras för att ange en tidsseriemodell och för att organisera dina data.
En tidsseriemodell kan skapas och hanteras via Azure Time Series Insights Explorer. Inställningar för Tidsseriemodell kan hanteras via API:et Modell Inställningar.
Tidsseriemodellinstanser
Time Series Model-instanser är virtuella representationer av själva tidsserien.
I de flesta fall identifieras instanser unikt av deviceId eller assetId, som sparas som tidsserie-ID:n.
Instanser har beskrivande information associerad med dem som kallas instansegenskaper, till exempel ett tidsserie-ID, typ, namn, beskrivning, hierarkier och instansfält. Instansegenskaperna innehåller minst hierarkiinformation.
Instansfält är en samling beskrivande information som kan innehålla värden för hierarkinivåer samt tillverkare, operator och så vidare.
När en händelsekälla har konfigurerats för Azure Time Series Insights Gen2-miljön identifieras och skapas instanser automatiskt i en tidsseriemodell. Instanserna kan skapas eller uppdateras via Azure Time Series Insights Explorer med hjälp av Time Series Model-frågor.
Contoso Wind Farm-demonstrationen innehåller flera exempel på live-instanser.
Instansegenskaper
Instanser definieras av timeSeriesId, typeId, name, description, hierarchyIds och instanceFields. Varje instans mappar endast till en typ och en eller flera hierarkier.
Kommentar
Hierarkier skapas med hjälp av instansfält. Ytterligare instansFält kan läggas till för ytterligare egenskapsdefinitioner för instanser.
Instanser har följande JSON-representation:
{
"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"
}
}
Dricks
För stöd för INstans-API:et skapar, läser, uppdaterar och tar bort (CRUD) läser du artikeln Datafrågefråga och REST-dokumentationen för instans-API.
Tidsseriemodellhierarkier
Tidsseriemodellhierarkier organiserar instanser genom att ange egenskapsnamn och deras relationer.
Du kan konfigurera flera hierarkier i en viss Azure Time Series Insights Gen2-miljö. En Time Series Model-instans kan mappas till en enda hierarki eller flera hierarkier (många-till-många-relation).
Contoso Wind Farm-demonstrationen visar en standardinstans- och typhierarki.
Hierarkidefinition
Hierarkier definieras av hierarki-ID, namn och källa.
| Property | Beskrivning |
|---|---|
| id | Den unika identifieraren för hierarkin, som till exempel används när du definierar en instans. |
| name | En sträng som används för att ange ett namn för hierarkin. |
| source | Anger organisationshierarkin eller sökvägen, som är en överordnad-underordnad ordning i hierarkin som användarna vill skapa. Mappningsinstansfälten för överordnade och underordnade egenskaper. |
Hierarkier representeras i JSON som:
{
"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"
]
}
}
]
}
I föregående JSON-exempel:
Locationdefinierar en hierarki med över- och underordnadstatescities. Var ochlocationen kan ha flerastates, vilket i sin tur kan ha fleracities.ManufactureDatedefinierar en hierarki med över- och underordnadyearmonth. Var ochManufactureDateen kan ha flerayears, vilket i sin tur kan ha fleramonths.
Dricks
För stöd för HIERARKI-API:et kan du skapa, läsa, uppdatera och ta bort (CRUD) genom att läsa artikeln Datafrågefråga och REST-dokumentationen för Api-hierarki.
Exempel på hierarki
Tänk dig ett exempel där hierarkin H1 har building, flooroch room som en del av dess instansFieldNames-definition :
{
"id": "aaaaaa-bbbbb-ccccc-ddddd-111111",
"name": "H1",
"source": {
"instanceFieldNames": [
"building",
"floor",
"room"
]
}
}
Med tanke på de instansfält som användes i föregående definition och flera tidsserier visas hierarkiattributen och värdena enligt följande tabell:
| Tidserie-ID | Instansfält |
|---|---|
| ID1 | "building" = "1000", "floor" = "10", "room" = "55" |
| ID2 | "building" = "1000", "room" = "55" |
| ID3 | "floor" = "10" |
| ID4 | "building" = "1000", "floor" = "10" |
| ID5 | Inget av "byggnad", "golv" eller "rum" har angetts. |
Time Series ID1 och ID4 visas som en del av hierarkiN H1 i Azure Time Series Insights Explorer eftersom de har fullständigt definierade och korrekt ordnade parametrar för byggnad, golv och rum .
De andra klassificeras under Oparenterade instanser eftersom de inte överensstämmer med den angivna datahierarkin.
Typer av tidsseriemodeller
Tidsseriemodelltyper hjälper dig att definiera variabler eller formler för att göra beräkningar. Typer är associerade med en specifik instans.
En typ kan ha en eller flera variabler. En Time Series Model-instans kan till exempel vara av typen Temperatursensor, som består av variablerna genomsnittlig temperatur, mintemperatur och maxtemperatur.
Contoso Wind Farm-demonstrationen visualiserar flera typer av Tidsseriemodeller som är associerade med deras respektive instanser.
Dricks
För stöd för typ-API:et skapar, läser, uppdaterar och tar bort (CRUD) läser du artikeln Datafrågefråga och rest-dokumentationen för typ-API.
Typegenskaper
Typer av tidsseriemodeller definieras med ID, namn, beskrivning och variabler.
| Property | Beskrivning |
|---|---|
| id | Skiftlägeskänsligt unikt sträng-ID för typen. |
| name | En sträng som används för att ange ett namn för typen. |
| beskrivning | En strängbeskrivning för typen. |
| variabler | Ange variabler som är associerade med typen. |
Typerna överensstämmer med följande JSON-exempel:
{
"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)"
}
}
}
}
]
}
Tidsseriemodelltyper kan ha många variabler som anger formel- och beräkningsregler för händelser. Läs mer om hur du definierar time series-modellvariabler
Nästa steg
Läs referensdokumentationen för Tidsseriemodell för mer information om hur du redigerar modellen via API:er.
Utforska formler och beräkningar som du kan skapa med time series-modellvariabler
Lär dig mer om att köra frågor mot data i Azure Time Series Insights Gen2