関数ベースの時系列のはじめに

このガイドでは、リアルタイムの予測ワークフローを実現するために Quiver の分析で使用できる、関数ベースの時系列の作成方法を説明します。

前提条件

関数ベースの時系列を設定するには、次のリソースが必要です。

• 時系列 SDK を使用して数値の時系列を返す Foundry 関数。
• Quiver で参照するための、その関数のタグ付きバージョン。

Quiver で関数ベースの時系列を設定する

1. 時系列 SDK をインストールする： Code Repositories で、ライブラリタブを使用してコードリポジトリに timeseries-sdk ライブラリを追加します。
   
   
   
   

2. Python 関数を作成する： 次の列を持つ、シリアライズされた pandas DataFrame を返す関数を作成します。

   • timestamp： pandas のタイムスタンプ。
   • value： 数値。たとえば int32 や Float です。

   時系列 SDK には、次の例に示すように pandas DataFrame をシリアライズするためのライブラリが用意されています。

Copied!
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
from functions.api import function
from timeseries_sdk.types import TimeSeries
from ontology_sdk.ontology.objects import Machine
import pandas as pd

@function
def performance_prophet_forecast(
    machine: Machine,
    periods: int = 96,      # 将来のステップ数
    freq: str = "15min",    # サンプリング頻度
) -> list[bytes]:
    """
    Prophet を使用して機械の performance_score を予測します。
    """
    from prophet import Prophet

    # パフォーマンススコアのデータを取得します（列: timestamp, value）
    df = machine.performance_score.to_pandas(all_time=True)

    if df.empty:
        return TimeSeries.serialize(pd.DataFrame(columns=["timestamp", "value"]))

    # Prophet 用にデータを準備します
    df = df.rename(columns={"timestamp": "ds", "value": "y"}).sort_values("ds")
    model = Prophet().fit(df)

    # 予測用の将来のデータフレームを作成します
    future = model.make_future_dataframe(periods=periods, freq=freq, include_history=True)
    forecast = model.predict(future)

    # 予測の出力を整形します
    out = forecast[["ds", "yhat"]].rename(columns={"ds": "timestamp", "yhat": "value"})
    return TimeSeries.serialize(out)

3. 関数を公開する： 関数を公開し、バージョンにタグを付けます。

4. Quiver で関数を使用する：

   • コード関数時系列カードを追加します。
     
     
     
     
   • 関数を選択し、適切なバージョンを選択して、入力を設定します。
     
     
     
     
   • 必要に応じて、カードの別のインスタンスを追加し、複数のシナリオを左右配置で比較します。