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 objetivo, y cada registro objetivo 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 datos o la ingeniería de características. Puede proporcionar uno o varios conjuntos de datos. Si proporciona varios conjuntos de datos, utilice uno de los métodos siguientes para suministrárselos al trabajo de procesamiento de SageMaker Clarify:

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

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_records, timestamp_records y columns.

Ejemplos de configuración de conjuntos de datos de series temporales

Esta sección le muestra cómo establecer una configuración de análisis utilizando time_series_data_config para los datos de series temporales en formato JSON. Suponga 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:

t₁ = [0,1,2], t₂ = [2,3]

x₁ = [5,6,4], x₂ = [0,4]

r₁ = [0,1,0], r₂¹ = [1,1]

r₁² = [0,0,0], r₂² = [1,0]

u₁¹ = -1, u₂¹ = 0

u₁² = 1, u₂² = 2

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

Configuración de datos de series temporales cuando dataset_format es columns

En el ejemplo siguiente se utiliza el valor columns para dataset_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 ID de los elementos se repiten en el campo ids. A continuación, se muestra la implementación correcta de time_series_data_config:

"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 ejemplo siguiente se utiliza el valor item_records para dataset_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 time_series_data_config correspondiente (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 cuando dataset_format es timestamp_record

En el ejemplo siguiente se utiliza el valor timestamp_record para dataset_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. A continuación, se muestra la implementación de time_series_data_config:

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