BigQuery 予測を使用して宿泊状況分析アプリを作成する

コンソール

1. Google Cloud コンソールで [BigQuery] ページを開きます。

   [BigQuery] ページに移動

2. [エクスプローラ] パネルで、データセットを作成するプロジェクトを選択します。

3. more_vert アクション オプションを開いて、[データセットを作成] をクリックします。

4. [データセットを作成] ページで次の操作を行います。

   • [データセット ID] に「occupancy_dataset」と入力します。

   • [データのロケーション] で、データセットの地理的なロケーションを選択します。データセットの作成後はロケーションを変更できません。

   • [デフォルトのテーブルの有効期限] で、以下のいずれかのオプションを選択します。

     • 無期限: （デフォルト）データセット内に作成されたテーブルが自動的に削除されることはありません。テーブルを削除する場合は、手動で削除する必要があります。

     • テーブル作成後の日数: この値は、データセット内に新しく作成されたテーブルがいつ削除されるかを決定します。この値が適用されるのは、テーブルの作成時にテーブルの有効期限を設定しなかった場合です。

   • [データセットを作成] をクリックします。

コンソール

Google Cloud コンソールでアプリを作成します。

1. Vertex AI Vision ダッシュボードの [アプリケーション] タブを開きます。

   [アプリケーション] タブに移動

2. [add作成] ボタンをクリックします。

3. アプリ名として「occupancy-bq-app」と入力し、地域を選択します。

4. [作成] をクリックします。

コンソール

コンソールでアプリにコンポーネント ノードを追加します。

1. Vertex AI Vision ダッシュボードの [アプリケーション] タブを開きます。

   [アプリケーション] タブに移動

2. occupancy-bq-app 行で、schemaグラフを表示を選択します。これで、処理パイプラインのグラフ ビジュアリゼーションが表示されます。

データ取り込みノードを追加する

1. 入力ストリーム ノードを追加するには、サイドメニューの [コネクタ] セクションで [ストリーム] オプションを選択します。

2. [ストリーム] メニューの [ソース] セクションで、[addストリームを追加] を選択します。

3. [ストリームを追加] メニューで、radio_button_checked [新しいストリームを登録] を選択し、ストリーム名として occupancy-bq-stream を追加します。

4. ストリームをアプリグラフに追加するには、[ストリームを追加] をクリックします。

データ処理ノードを追加する

1. 占有数モデルノードを追加するには、サイドメニューの [特殊モデル] セクションで [占有分析] オプションを選択します。

2. デフォルトの選択肢である check_box[人物] と check_box[車両] はそのままにします。

BigQuery ノードを追加する

1. 出力先（ストレージ）ノードを追加するには、サイドメニューの [コネクタ] セクションで [BigQuery] オプションを選択します。

2. [BigQuery] メニューで occupancy_dataset_table を検索し、テーブルを選択します。

3. [メタデータの保存元:] セクションで、[check_boxストリーム] と [check_box占有率分析] の両方を選択します。

コンソール

1. Vertex AI Vision ダッシュボードの [アプリケーション] タブを開きます。

   [アプリケーション] タブに移動

2. リスト内の occupancy-bq-app アプリの横にある [グラフを表示] を選択します。

3. アプリケーション グラフ ビルダーのページで、play_arrow [デプロイ] ボタンをクリックします。

4. 次の確認ダイアログで、[デプロイ] を選択します。

   デプロイ オペレーションが完了するまでに数分かかることがあります。デプロイが完了すると、ノードの横に緑色のチェックマークが表示されます。

コンソール

1. コンソールで [VM インスタンス] ページに移動します。

   [VM インスタンス] に移動

2. プロジェクトを選択し、[続行] をクリックします。

3. [インスタンスを作成] をクリックします。

4. VM の名前を指定します。詳しくは、リソースの命名規則をご覧ください。

5. （省略可）この VM のゾーンを変更します。Compute Engine は、複数のゾーンで各リージョンが均等に使用されるように、各リージョン内でゾーンのリストをランダム化します。

6. 残りのデフォルト オプションはそのままにします。これらのオプションの詳細については、VM を作成して起動するをご覧ください。

7. VM を作成して起動するには、[作成] をクリックします。

コンソール

VM への SSH 接続を確立する

1. コンソールで [VM インスタンス] ページに移動します。

   [VM インスタンス] に移動

2. 作成したインスタンス行の [接続] セクションで、[SSH] をクリックします。新しいブラウザ ウィンドウに SSH 接続が開きます。

   

vaictl コマンドライン ツールをダウンロードする

1. [ブラウザでの SSH] ウィンドウで、次のコマンドを使用して Vertex AI Vision（vaictl）コマンドライン ツールをダウンロードします。

   wget https://github.com/google/visionai/releases/download/v0.0.5/visionai_0.0-5_amd64.deb
   

2. 次のコマンドを実行して、コマンドライン ツールをインストールします。

   sudo apt install ./visionai_0.0-5_amd64.deb
   

3. インストールをテストするには、次のコマンドを実行します。

   vaictl --help
   

コンソール

1. Google Cloud コンソールで、[BigQuery] ページを開きます。

   BigQuery に移動

2. occupancy_dataset の横にある arrow_drop_down展開を選択し、occupancy_dataset_table を選択します。

3. テーブルの詳細ビューで、クエリを新規作成（add_box）をクリックします。

   

4. [クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

   SELECT
    *
   FROM (
    SELECT
      TIMESTAMP_TRUNC(PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"', JSON_QUERY(annotation,
            "$.currentTime")), MINUTE) currentTime,
      CAST(JSON_QUERY(annotation,
          '$.stats.fullFrameCount[0].count') AS INT64) AS count,
      JSON_QUERY(annotation,
        '$.stats.fullFrameCount[0].entity.labelString') AS type
    FROM
      `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
   WHERE
    count IS NOT NULL

5. 省略可: データを処理するロケーションを変更するには、[展開]、[クエリの設定] の順にクリックします。[処理を行うロケーション] で [自動選択] をクリックし、データのロケーションを選択します。最後に [保存] をクリックしてクエリの設定を更新します。

6. [実行] をクリックします。

これにより、出力を一時テーブルに書き込むクエリジョブが作成されます。

コンソール

1. Google Cloud コンソールで、[BigQuery] ページを開きます。

   BigQuery に移動

2. occupancy_dataset の横にある arrow_drop_down展開を選択し、occupancy_dataset_table を選択します。

3. テーブルの詳細ビューで、クエリを新規作成（add_box）をクリックします。

   

4. [クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

   CREATE VIEW `PROJECT_ID.occupancy_dataset.forecast_training_data` AS (
     WITH
       raw_counts AS (
       SELECT
         *
       FROM (
         SELECT
           TIMESTAMP_TRUNC(
             PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"',
                             JSON_QUERY(annotation,
                                         "$.currentTime")),
                           MINUTE) AS currentTime,
           CAST(JSON_QUERY(annotation,
               '$.stats.fullFrameCount[0].count') AS INT64) AS count,
           JSON_QUERY(annotation,
             '$.stats.fullFrameCount[0].entity.labelString') AS type
         FROM
           `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
       WHERE
         count IS NOT NULL )
     SELECT
       currentTime,
       SUM(count) AS total_count,
       type
     FROM
       raw_counts
     GROUP BY
       currentTime, type)

5. [実行] をクリックします。

コンソール

1. occupancy_dataset_table テーブルの詳細ビューで、add_box[クエリを新規作成] をクリックします。

2. [クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

   SELECT
    *
   FROM
     `PROJECT_ID.occupancy_dataset.forecast_training_data`
   ORDER BY
    currentTime, type
   LIMIT
    100

3. [実行] をクリックします。

コンソール

1. occupancy_dataset_table テーブルの詳細ビューで、add_box[クエリを新規作成] をクリックします。

2. [クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

   CREATE OR REPLACE MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`
     OPTIONS( MODEL_TYPE = "ARIMA_PLUS",
       TIME_SERIES_TIMESTAMP_COL = "currentTime",
       TIME_SERIES_DATA_COL = "total_count",
       TIME_SERIES_ID_COL = "type" ) AS
   SELECT
     *
   FROM
     `PROJECT_ID.occupancy_dataset.forecast_training_data`

3. [実行] をクリックします。

コンソール

1. occupancy_dataset_table テーブルの詳細ビューで、add_box[クエリを新規作成] をクリックします。

2. [クエリエディタ] テキスト領域に、次の Google 標準 SQL クエリを入力します。

   SELECT
     *
   FROM
     ML.FORECAST(MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`,
     STRUCT(60 AS HORIZON))

3. [実行] をクリックします。