解决方案构想
本文是一种解决方案构想。 如果你希望我们在内容中扩充更多信息，例如潜在用例、备用服务、实现注意事项或定价指南，请通过提供 GitHub 反馈来告知我们。
了解 Azure 机器学习可以如何帮助你预测能源产品和服务的需求高峰。
体系结构
下载此体系结构的 Visio 文件。
数据流
- 可以根据时序数据的原始源以各种格式存储这些数据。 可将数据作为文件存储在 Azure Data Lake Storage 中，或者以表格格式存储在 Azure Synapse 或 Azure SQL 数据库中。
- 读取：Azure 机器学习 (ML) 可以连接此类源并从中读取数据。 将时序数据引入 Azure 机器学习能使自动化机器学习 (AutoML) 预处理数据以及训练和注册模型。
- AutoML 中的第一步是配置和预处理时序数据。 在此步骤中，将准备提供的数据以进行训练。 数据驱动以下特征和预测的配置：
- 插补的缺失值
- 节假日和日期/时间特征工程
- 滞后和滚动窗口
- 滚动原点交叉验证
- 在训练阶段，AutoML 使用预处理的数据集来训练、选择和解释最佳预测模型。
- 模型训练：可以使用广泛的机器学习模型，其中包括经典预测、深度神经网络和回归模型。
- 模型评估：AutoML 可以通过模型评估来评估每个已训练模型的性能，并允许你选择性能最佳的模型进行部署。
- 可解释性：AutoML 为所选模型提供可解释性，使你可以更好地了解推动模型结果的特征。
- 性能最佳的模型通过 AutoML 注册到 Azure 机器学习中，使其可供部署。
- 部署：可以部署 Azure 机器学习中注册的模型，这会提供一个可公开用于推理的实时终结点。
- 可以通过 Azure Kubernetes 服务 (AKS) 完成部署，同时运行 Kubernetes 托管的群集，其中的容器是从存储在 Azure 容器注册表中的映像部署的。 或者，可以使用 Azure 容器实例来代替 AKS。
- 推理：部署模型后，可以通过可用终结点对新数据进行推理。 支持批量预测和准实时预测。 可将推理结果作为文档存储在 Azure Data Lake Storage 中，或者以表格格式存储在 Azure Synapse 或 Azure SQL 数据库中。
- 可视化：可以通过用户界面（例如 Power BI 仪表板）或通过定制的 Web 应用程序来使用存储的模型结果。 结果将以文件形式或表格格式写入存储选项，然后由 Azure 认知搜索适当地编制索引。 模型以批量推理的形式运行，将结果存储在相应的数据存储中。
组件
- Azure 数据工厂：处理数据操作和准备。
- Azure 自动化机器学习：使用 Azure ML 来预测特定区域的能源需求。
- MLOps：设计、部署和管理生产模型工作流。
- Power BI Azure ML 集成：在 Power BI 中使用模型预测结果。
方案详细信息
能源消耗和能源需求会随时变化。 监视不同时间的这种变化可以生成时序来了解模式和预测将来的行为。 Azure 机器学习可以帮助你预测能源产品和服务的需求高峰。
此解决方案基于 Azure 托管服务：
这些服务在高可用性环境中运行，经过修补和支持改进，让你可专注于解决方案而不是其运行环境。
可能的用例
此解决方案非常适合能源行业。
作者
本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。
主要作者：
- Dr. Carlos Santos | 高级云解决方案架构师 - AI 和数据科学
后续步骤
请参阅以下产品文档：
了解详细信息：
- 设置 AutoML，通过 Python 训练时序预测模型
- 参阅使用能源需求数据集进行预测机器学习笔记本。
- 参阅 Microsoft Learn 模块使用 Azure 机器学习中的自动化机器学习。