Datos de serie temporal

Los datos de series temporales se refieren a los datos que se pueden cargar en un marco de datos tridimensional. En el marco, en cada marca de tiempo, cada fila representa un registro de destino y cada registro de destino tiene una o más columnas relacionadas. Los valores de cada celda del marco de datos pueden ser de tipo numérico, categórico o de texto.

Requisitos previos del conjunto de datos de series temporales

Antes del análisis, complete los pasos de preprocesamiento necesarios para preparar los datos, como la limpieza de los datos o la ingeniería de características. Puede proporcionar uno o varios conjuntos de datos. Si proporciona varios conjuntos de datos, utilice uno de los siguientes métodos para proporcionarlos al trabajo de procesamiento de SageMaker Clarify:

• Utilice una configuración con ProcessingInputnombre dataset o de análisis dataset_uri para especificar el conjunto de datos principal. Para obtener más información al respectodataset_uri, consulte la lista de parámetros enConfiguración del análisis.

• Utilice el parámetro baseline proporcionado en el archivo de configuración del análisis. El conjunto de datos de referencia es obligatorio parastatic_covariates, si está presente. Para obtener más información sobre el archivo de configuración del análisis, incluidos ejemplos, consulteConfiguración del análisis.

En la siguiente tabla se enumeran los formatos de datos compatibles, sus extensiones de archivo y los tipos MIME.

Formato de los datos	Extensión de archivo	Tipo MIME
item_records	json	application/json
timestamp_records	json	application/json
columns	json	application/json

JSON es un formato flexible que puede representar cualquier nivel de complejidad en sus datos estructurados. Como se muestra en la tabla, SageMaker Clarify admite los formatos item_recordstimestamp_records, ycolumns.

Ejemplos de configuración de conjuntos de datos de series temporales

En esta sección, se muestra cómo establecer una configuración de análisis utilizando datos time_series_data_config de series temporales en formato JSON. Supongamos que tiene un conjunto de datos con dos elementos, cada uno con una marca de tiempo (t), una serie temporal objetivo (x), dos series temporales relacionadas (r) y dos covariables estáticas (u), de la siguiente manera:

t ₁ = [0,1,2], t = [2,3] ₂

x ₁ = [5,6,4], x ₂ = [0,4]

r ₁ = [0,1,0], r ₂ ¹ = [1,1]

r ₁ ² = [0,0,0], r ₂ ² = [1,0]

u ₁ ¹ = -1, u ₂ ¹ = 0

u ₁ ² = 1, u ₂ ² = 2

Puede codificar el conjunto de datos de tres time_series_data_config maneras diferentes, segúndataset_format. En las siguientes secciones se describe cada método.

Configuración de datos de series temporales: ¿cuándo dataset_format es columns

En el siguiente ejemplo, se utiliza el columns valor dedataset_format. El siguiente archivo JSON representa el conjunto de datos anterior.

{
    "ids": [1, 1, 1, 2, 2],
    "timestamps": [0, 1, 2, 2, 3], # t
    "target_ts": [5, 6, 4, 0, 4], # x
    "rts1": [0, 1, 0, 1, 1], # r1
    "rts2": [0, 0, 0, 1, 0], # r2
    "scv1": [-1, -1, -1, 0, 0], # u1
    "scv2": [1, 1, 1, 2, 2], # u2
}

Tenga en cuenta que los identificadores de los elementos se repiten en el ids campo. La implementación correcta de time_series_data_config se muestra a continuación:

"time_series_data_config": {
    "item_id": "ids",
    "timestamp": "timestamps",
    "target_time_series": "target_ts",
    "related_time_series": ["rts1", "rts2"],
    "static_covariates": ["scv1", "scv2"],
    "dataset_format": "columns"
}

Configuración de datos de series temporales cuando dataset_format es item_records

En el siguiente ejemplo, se utiliza el item_records valor dedataset_format. El siguiente archivo JSON representa el conjunto de datos.

[
    {
        "id": 1,
        "scv1": -1,
        "scv2": 1,
        "timeseries": [
            {"timestamp": 0, "target_ts": 5, "rts1": 0, "rts2": 0},
            {"timestamp": 1, "target_ts": 6, "rts1": 1, "rts2": 0},
            {"timestamp": 2, "target_ts": 4, "rts1": 0, "rts2": 0}
        ]
    },
    {
        "id": 2,
        "scv1": 0,
        "scv2": 2,
        "timeseries": [
            {"timestamp": 2, "target_ts": 0, "rts1": 1, "rts2": 1},
            {"timestamp": 3, "target_ts": 4, "rts1": 1, "rts2": 0}
        ]
    }
]

Cada elemento se representa como una entrada independiente en el JSON. En el siguiente fragmento se muestra el correspondiente time_series_data_config (que utiliza JMEspath).

"time_series_data_config": {
    "item_id": "[*].id",
    "timestamp": "[*].timeseries[].timestamp",
    "target_time_series": "[*].timeseries[].target_ts",
    "related_time_series": ["[*].timeseries[].rts1", "[*].timeseries[].rts2"],
    "static_covariates": ["[*].scv1", "[*].scv2"],
    "dataset_format": "item_records"
}

Configuración de datos de series temporales: ¿cuándo es dataset_formattimestamp_record

En el siguiente ejemplo, se utiliza el timestamp_record valor dedataset_format. El siguiente archivo JSON representa el conjunto de datos anterior.

[
    {"id": 1, "timestamp": 0, "target_ts": 5, "rts1": 0, "rts2": 0, "svc1": -1, "svc2": 1},
    {"id": 1, "timestamp": 1, "target_ts": 6, "rts1": 1, "rts2": 0, "svc1": -1, "svc2": 1},
    {"id": 1, "timestamp": 2, "target_ts": 4, "rts1": 0, "rts2": 0, "svc1": -1, "svc2": 1},
    {"id": 2, "timestamp": 2, "target_ts": 0, "rts1": 1, "rts2": 1, "svc1": 0, "svc2": 2},
    {"id": 2, "timestamp": 3, "target_ts": 4, "rts1": 1, "rts2": 0, "svc1": 0, "svc2": 2},
]

Cada entrada del JSON representa una marca de tiempo única y corresponde a un único elemento. La implementación time_series_data_config se muestra de la siguiente manera:

{
    "item_id": "[*].id",
    "timestamp": "[*].timestamp",
    "target_time_series": "[*].target_ts",
    "related_time_series": ["[*].rts1"],
    "static_covariates": ["[*].scv1"],
    "dataset_format": "timestamp_records"
}