Talep Tahmini

Data Factory
Event Hubs
Machine Learning
SQL Veritabanı
Stream Analytics

Çözüm fikri Solution Idea

Daha fazla bilgi, uygulama ayrıntıları, fiyatlandırma Kılavuzu veya kod örneği ile bu makaleyi genişletmemizi istiyorsanız GitHub geri bildirimlerindenhaberdar olalım!If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Ürün ve hizmetler için isteğe bağlı ani artışları doğru şekilde tahmin etmek bir şirkete rekabet avantajı sağlayabilir.Accurately forecasting spikes in demand for products and services can give a company a competitive advantage. Bu çözüm, enerji sektörü dahilinde talep tahminlerine odaklanmaktadır.This solution focuses on demand forecasting within the energy sector.

MimariArchitecture

Mimari diyagramı Bu mimarinin bir SVG indirin.Architecture diagram Download an SVG of this architecture.

Genel BakışOverview

Ürün ve hizmetler için isteğe bağlı ani artışları doğru şekilde tahmin etmek bir şirkete rekabet avantajı sağlayabilir.Accurately forecasting spikes in demand for products and services can give a company a competitive advantage. Tahmin arttıkça, talep arttıkça daha fazla ölçeklendirebilir ve gereksiz envanterde daha az risk taşır.The better the forecasting, the more they can scale as demand increases, and the less they risk holding onto unneeded inventory. Kullanım örnekleri, perakende/çevrimiçi mağazadaki bir ürüne yönelik tahmine dayalı bir ürün ve benimsemeyi bekleme güç tüketimini tahmin eder.Use cases include predicting demand for a product in a retail/online store, forecasting hospital visits, and anticipating power consumption.

Bu çözüm, enerji sektörü dahilinde talep tahminlerine odaklanmaktadır.This solution focuses on demand forecasting within the energy sector. Enerji depolama uygun maliyetli değildir, bu nedenle yardımcı programlar ve güç oluşturanlar, tedariği talebe göre verimli bir şekilde dengeleyebilir.Storing energy is not cost-effective, so utilities and power generators need to forecast future power consumption so that they can efficiently balance the supply with the demand. Yoğun saatlerde, kısa tedarik güç kesintilerine neden olabilir.During peak hours, short supply can result in power outages. Bunun tersine, çok fazla tedarik, kaynakların harcanmasına neden olabilir.Conversely, too much supply can result in waste of resources. Gelişmiş talep tahmini, belirli bir gün için saatlik talep ve yoğun saatlerin ayrıntılarını sağlar ve enerji sağlayıcısına güç oluşturma işlemini en iyi hale getirir.Advanced demand forecasting techniques detail hourly demand and peak hours for a particular day, allowing an energy provider to optimize the power generation process. Cortana Intelligence kullanan bu çözüm, enerji şirketlerinin işletmelerinde güçlü bir tahmin teknolojisini hızla tanıtmalarını sağlar.This solution using Cortana Intelligence enables energy companies to quickly introduce powerful forecasting technology into their business.

AyrıntılarDetails

Cortana Intelligence Suite, Microsoft Azure veri alma, veri depolama, veri işleme ve gelişmiş analiz bileşenleri aracılığıyla gelişmiş analiz araçları sağlar. enerji çözümü için bir talep tahmini oluşturmak için gerekli tüm öğelere sahiptir.The Cortana Intelligence Suite provides advanced analytics tools through Microsoft Azure - data ingestion, data storage, data processing and advanced analytics components - all of the essential elements for building an demand forecasting for energy solution.

Bu çözüm, güçlü avantajlar sağlamak için çeşitli Azure hizmetlerini birleştirir.This solution combines several Azure services to provide powerful advantages. Event Hubs gerçek zamanlı tüketim verileri toplar.Event Hubs collects real-time consumption data. Stream Analytics akış verilerini toplar ve görselleştirme için kullanılabilir hale getirir.Stream Analytics aggregates the streaming data and makes it available for visualization. Azure SQL, tüketim verilerini depolar ve dönüştürür.Azure SQL stores and transforms the consumption data. Machine Learning tahmin modelini uygular ve yürütür.Machine Learning implements and executes the forecasting model. PowerBI, gerçek zamanlı enerji tüketimini ve tahmin sonuçlarını görselleştirir.PowerBI visualizes the real-time energy consumption as well as the forecast results. Son olarak, veri akışının tamamını Data Factory düzenler ve zamanlar.Finally, Data Factory orchestrates and schedules the entire data flow.

' Dağıt ' düğmesi, belirttiğiniz Azure aboneliğindeki bir kaynak grubu içinde çözümün bir örneğini dağıtan bir iş akışı başlatır.The 'Deploy' button will launch a workflow that will deploy an instance of the solution within a Resource Group in the Azure subscription you specify. Çözüm, verilerin benzetimini yapan bir Web işiyle birlikte birden çok Azure hizmeti (aşağıda açıklanmıştır) içerir. böylece, dağıtımdan hemen sonra çalışan bir uçtan uca çözümünüz vardır.The solution includes multiple Azure services (described below) along with a web job that simulates data so that immediately after deployment you have a working end-to-end solution. Bu çözümün örnek verileri, NYıSO 'daki genel kullanıma açık verilerden benzetilir.The sample data of this solution is simulated from publicly available data from the NYISO.

Teknik ayrıntılar ve iş akışıTechnical details and workflow

  1. Örnek veriler, yeni dağıtılan Azure Web Işleri tarafından akışla kaydedilir.The sample data is streamed by newly deployed Azure Web Jobs.
  2. Bu yapay veri akışları, Azure Event Hubs ve Azure SQL hizmetinde veri noktaları veya olaylar olarak, çözüm akışının geri kalanında kullanılacaktır.This synthetic data feeds into the Azure Event Hubs and Azure SQL service as data points or events, that will be used in the rest of the solution flow.
  3. Verileri analiz ederek Olay Hub 'ından gelen giriş akışında neredeyse gerçek zamanlı analizler sağlar ve görselleştirme için doğrudan PowerBI 'a yayımlayın. Azure Stream AnalyticsAzure Stream Analytics analyze the data to provide near real-time analytics on the input stream from the event hub and directly publish to PowerBI for visualization.
  4. Azure Machine Learning, alınan girişler verilen belirli bir bölgenin enerji talebinde tahmin yapmak için kullanılır.Azure Machine Learning is used to make forecast on the energy demand of particular region given the inputs received.
  5. Azure SQL veritabanı, Azure Machine Learning alınan tahmin sonuçlarını depolamak için kullanılır.Azure SQL Database is used to store the prediction results received from Azure Machine Learning. Bu sonuçlar daha sonra Power BI panosunda tüketilecektir.These results are then consumed in the Power BI dashboard.
  6. Azure Data Factory, saat modeli yeniden eğitiminin düzenlemesini ve zamanlamasını işler.Azure Data Factory handles orchestration, and scheduling of the hourly model retraining.
  7. Son olarak, kullanıcıların bir bölgeden gerçek zamanlı olarak enerji tüketimini izleyebilmesi ve güç üretimi veya dağıtım sürecini iyileştirmek için tahmin talebini kullanabilmesi için sonuç görselleştirme için Power BI kullanılır.Finally, Power BI is used for results visualization, so that users can monitor the energy consumption from a region in real time and use the forecast demand to optimize the power generation or distribution process.

Fiyatlandırma bilgileriPricing Info

Dağıtım için kullanılan Azure aboneliğiniz, bu çözümde kullanılan hizmetler üzerinde tüketim ücretleri oluşturacak.Your Azure subscription used for the deployment will incur consumption charges on the services used in this solution. Fiyatlandırma ayrıntıları için Azure fiyatlandırma sayfasınıziyaret edin.For pricing details, visit the Azure Pricing Page.