時間ごとの予測 Python* デモ

example

ここでは、時系列予測デモ・アプリケーションについて説明します。

どのように動作するか

起動時に、デモ・アプリケーションはコマンドライン・パラメーターを受け取り、モデルを OpenVINO™ ランタイムプラグインにロードします。

このプログラムは、.pickle 形式のテストデータセットを入力として、予測された分位数とグランド・トゥルース・カーブを描画する対話型 CLI インターフェイスを提供します。

実行の準備

デモでサポートされるモデルリストは、<omz_dir>/demos/whiteboard_inpainting_demo/python/models.lst ファイルにあります。このファイルは、モデル・ダウンローダーおよびコンバーターのパラメーターとして使用され、モデルをダウンロードし、必要に応じて OpenVINO IR 形式 (*.xml + *.bin) に変換できます。

モデル・ダウンローダーの使用例:

omz_downloader --list models.lst

モデル・コンバーターの使用例:

omz_converter --list models.lst

サポートされるモデル

  • time-series-forecasting-electricity-0001

注: 各種デバイス向けのモデル推論サポートの詳細については、インテルの事前トレーニング・モデルのデバイスサポートパブリックの事前トレーニング・モデルのデバイスサポートの表を参照してください。

サポートされるデータセット

データセットの準備

デモは、accuracy_checker によって提供される .pickle 形式のテスト・データセットを使用して動作します。

wget https://archive.ics.uci.edu/ml/machine-learning-databases/00321/LD2011_2014.txt.zip
unzip LD2011_2014.txt.zip
convert_annotation electricity --data_path_file LD2011_2014.txt

デモの実行

-h オプションを指定してアプリケーションを実行すると、使用方法が表示されます。

usage: time_series_forecasting_demo.py [-h] -m MODEL [--input-name INPUT_NAME] [--output-name OUTPUT_NAME] [--data-path DATA_PATH] [--quantiles QUANTILES]

optional arguments:
                                    -h, --help            show this help message and exit
                                    -m MODEL, --model MODEL
                                    Required. Path to an .xml file with a trained model
                                    --input-name INPUT_NAME
                                    Optional. Name of the models input node.
                                    --output-name OUTPUT_NAME
                                    Optional. Name of the models output node.
                                    -i INPUT, --input INPUT
                                    Required. Path to the dataset file in .pickle format.
                                    --quantiles QUANTILES
                                    Optional. Names of predicted quantiles.

オプションの空のリストを指定してアプリケーションを実行すると、上記の使用法メッセージとエラー・メッセージが表示されます。

次のコマンドを使用すると、事前トレーニングされた時系列予測電力ネットワークを使用して、変換されたデータセットの CPU で推論を行うことができます。

python3 time_series_forecasting_demo.py -i electricity.pickle -m <path_to_model>/time-series-forecasting-electricity-0001.xml

デモの出力

アプリケーションは、予測された分位数とグランド・トゥルース・カーブを描画します。