解決方案構想
本文是解決方案概念。 如果您想要使用詳細資訊來擴充內容,例如潛在的使用案例、替代服務、實作考慮或定價指引,請提供 GitHub 意見反應讓我們知道。
瞭解 Azure 機器學習 如何協助預測能源產品和服務需求激增。
架構
資料流程
- 時間序列數據可以儲存成各種格式,視其原始來源而定。 數據可以儲存為 Azure Data Lake 儲存體 內的檔案,或在 Azure Synapse 或 Azure SQL 資料庫 的表格式表單中儲存數據。
- 讀取:Azure 機器學習 (ML) 可以從這類來源連線和讀取。 將時間序列數據擷取至 Azure 機器學習,可讓自動化機器學習服務 (AutoML) 預先處理數據,以及定型和註冊模型。
- AutoML 中的第一個步驟是設定和前置處理時間序列數據。 在此步驟中,所提供的數據已準備好進行定型。 資料會驅動下列功能和預測組態:
- 插補遺漏值
- Holiday 和 DateTime 功能工程
- 延隔和滾動視窗
- 滾動來源交叉驗證
- 在定型階段,AutoML 會使用前置處理的數據集來定型、選取及說明最佳預測模型。
- 模型定型:可以使用各種不同的機器學習模型,範圍從傳統預測、深度神經網路和回歸模型不等。
- 模型評估:模型評估可讓 AutoML 評估每個定型模型的效能,並可讓您選取最適合部署的模型。
- 說明性:AutoML 可為選取的模型提供可解釋性,這可讓您進一步了解驅動模型結果的功能。
- 具有最佳效能的模型會使用 AutoML 在 Azure 機器學習 中註冊,讓其可供部署使用。
- 部署:可以部署在 Azure 機器學習 中註冊的模型,其提供可公開以進行推斷的即時端點。
- 您可以在執行 Kubernetes 受控叢集時,透過 Azure Kubernetes Service (AKS) 來完成部署,其中容器會從儲存在 Azure Container Registry 中的映像進行部署。 或者,可以使用 Azure 容器執行個體,而不是 AKS。
- 推斷:部署模型之後,即可透過可用的端點來推斷新數據。 您可以支援批次和近乎實時的預測。 推斷結果可以儲存為 Azure Data Lake 儲存體 或 Azure Synapse 或 Azure SQL 資料庫 中的表格式格式檔。
- 可視化:儲存的模型結果可以透過使用者介面來取用,例如Power BI儀錶板,或透過自定義建置的Web應用程式。 結果會以檔案或表格式格式寫入記憶體選項,然後由 Azure 認知搜尋 正確編製索引。 模型會以批次推斷的形式執行,並將結果儲存在個別的數據存放區中。
元件
- Azure Data Factory:處理數據操作和準備。
- Azure 自動化 機器學習:使用 Azure ML 來預測特定區域的能源需求。
- MLOps:設計、部署及管理生產模型工作流程。
- Power BI Azure ML 整合:取用 Power BI 中的模型預測結果。
案例詳細資料
能耗和能源需求隨著時間變化。 監視此變更一段時間,會產生時間序列,可用來瞭解模式,以及預測未來的行為。 Azure 機器學習 可協助預測能源產品和服務需求激增。
這個解決方案建基於 Azure 受控服務:
這些服務會在高可用性環境中執行、修補和支援,讓您專注於解決方案,而不是其執行的環境。
潛在的使用案例
此解決方案適用於能源產業。
參與者
本文由 Microsoft 維護。 原始投稿人如下。
主體作者:
- 卡洛斯·桑托斯博士 |資深雲端解決方案架構師 - AI & 資料科學
下一步
請參閱下列產品檔:
深入了解:
- 設定 AutoML 以使用 Python 定型時間序列預測模型
- 嘗試使用能源需求數據集進行預測 機器學習 Notebook。
- 請嘗試 Microsoft Learn 課程模組,在 Azure 機器學習 中使用自動化機器學習。