NRQL予測

概要

NRQL predictions New Relicは、時系列の履歴データ パターンを使用して将来の傾向を予測または予測し、メトリクスが将来どのように動作するかをサイトに提供します。 このプロアクティブなアプローチにより、傾向を視覚化して潜在的な問題を予測し、タイムリーな介入によって最適なシステム パフォーマンスを維持できるようになります。シグナルの予測は、機械学習モデルを履歴データに適合させ、そのモデルを使用して将来を予測することによって生成されます。この機能は現在、季節性（一定のリズムで繰り返されるパターンを持つデータ）と非季節性の両方の時系列の予測をサポートしています。強い傾向や明確な季節パターンを示すメトリクスは、予測に最適です。 これらの予測は、メトリクスがどこに向かっているのかを簡単に視覚的に示すために、既存のダッシュボードに追加すると最もよく活用されます。

チャートやダッシュボードに予測を追加する場合の例:

• 過去数時間にわたってアプリケーションがより多くのログを生成しており、ディスク容量が不足しています。
• アプリケーションのメモリが徐々に不足し、コンテナ全体がクラッシュする恐れがあります。
• 観察された季節や傾向のパターンに基づいて将来の収益を予測する必要があります。

NRQL predictions自体は潜在的な問題を特定しませんが、傾向を評価し、将来の課題に備えるために必要な情報を提供します。予測値が差し迫った問題を示している場合にアラートを生成するには、 Predictive Alerts機能を使用できます。Predictive Alerts 、 NRQL predictionsと連携して、メトリクスとその予測値が静的閾値を超えた場合の集計の予測を生成します。

価格

NRQL predictionsは、アドオンまたは計算価格モデルの一部として提供される高度な計算製品機能です。 この機能に対して NRQL クエリが実行されるときに、高度なCCU が消費されます。

使用方法

NRQL predictions すでに作成したチャート上で直接生成するか、 PREDICT句を使用して NRQL クエリを記述するかの 2 つの方法で生成できます。

既存のグラフに予測を追加します。

NRQL predictions 、折れ線グラフや面グラフなどの時系列データを表すグラフにのみ追加できます。既存のチャートにNRQL predictionを追加するには、次の手順を実行します。

折れ線グラフまたは面グラフにアクセスする

1. one.newrelic.com > All capabilitiesに移動します。
2. 折れ線グラフまたは面グラフに予測を追加するには、 Dashboardsから選択するか、 Metrics and eventsから開きます。

予測を追加する

ダッシュボードのチャートに予測を追加するには、 メニューで、 Predict trendを選択します。Predict trendオプションは、特定のサービス向けに設計されたシステム生成の編集不可能なダッシュボードであるキュレーションされたダッシュボード内のグラフでは使用できません。だから、 メニューで、 View Queryを選択し、クエリにPREDICT句を追加します。

データ エクスプローラーでは、予測はグラフ上で灰色の領域で強調表示され、予測値が破線で接続され、 NRQL predictionsデフォルトの動作を表します。要件に応じて微調整してクエリを絞り込み、再実行して更新された予測を取得できます。

ヒント

面グラフに予測を追加すると、予測を含む折れ線グラフに変わります。

ダッシュボードに追加

予測を含むグラフをダッシュボードに追加するには:

1. Add to dashboardをクリックします。
2. ウィジェット名を入力します。
3. 既存のダッシュボードを選択するか、新しいダッシュボードを作成します。

PREDICT句を使用します。

NRQL 構文には、 NRQL predictionsの使用を効率化するためのPREDICT句が含まれています。使用方法の詳細と例については、デフォルトの動作のセクションを参照してください。

NRQL クエリでPREDICT使用する例:

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT

コピー

チャート上のデフォルトの予測は次のように表示されます。

デフォルトの動作

クエリ内のPREDICT句には、クエリ ウィンドウの期間 ( SINCE句とUNTIL句を使用して指定) に応じて次のデフォルトの動作があります。

デフォルトのPREDICT句を使用したクエリの例。

クエリの例と、 PREDICTを使用した場合に期待される出力は次のとおりです。

Example 1:

FROM Transaction SELECT sum(currentWorkerCount) TIMESERIES PREDICT

コピー

デフォルトのクエリ ウィンドウが 1 時間で、次の 12 分間の予測を含む時系列チャートを返します。トレーニングには合計 3 時間の履歴データが使用されます (クエリ ウィンドウからの 1 時間とその前の 2 つのクエリ ウィンドウからの 2 時間)。

Example 2:

FROM Transaction SELECT sum(currentWorkerCount) TIMESERIES SINCE 3 hours ago UNTIL 1 hour ago PREDICT

コピー

2 時間のクエリ ウィンドウ ( SINCEとUNTIL句に基づく) と次の 24 分間の予測を含む時系列チャートを返します。トレーニングには合計 6 時間の履歴データが使用されます (クエリ ウィンドウからの 2 時間とその前の 2 つのクエリ ウィンドウからの 4 時間)。

BY 、 USING 、および SLIDE BY

モデルの季節性を手動で設定し、 BY 、 USING 、 SLIDE BYキーワードを追加することで、予測をカスタマイズできます。

BYキーワードを追加します。

BYキーワードを使用して、モデルでどのくらい先の時間を予測するかを設定します。たとえば、 PREDICT BY 3 hours時系列の最新時点から最大 3 時間先までの予測を生成します。時間範囲がinteger unitであることを確認してください。予測できる最大量は 360 個の時間ウィンドウ (つまり、時系列ウィンドウのサイズ × 360) です。

今後 30 分間の予測を生成するBYキーワードを使用したクエリの例:

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT BY 30 minutes

コピー

USINGキーワードを追加します。

モデルのトレーニングに使用する履歴データの量を指定するには、 USINGキーワードを使用します。使用されるデータの合計量は、クエリ ウィンドウの期間 ( SINCEとUNTIL句で指定) とUSING句で指定された値の合計です。たとえば、 PREDICT USING 1 dayクエリ ウィンドウと前日のデータを使用してモデルをトレーニングします。時間範囲がinteger unitであることを確認してください。

最大 3,660 個のデータ ポイントを使用してモデルをトレーニングできます。この制限を超えると、エラー メッセージが表示されます。 時系列ウィンドウを使用すると、これがどのくらいの時間を表すかを判断できます。たとえば、1 分間の時間ウィンドウでは、最大 3,660 分のトレーニング データを使用できます。これは、61 時間、つまり約 2.5 日に相当します。

USINGキーワードとSINCEを使用したクエリの例:

FROM Transaction SELECT sum(currentWorkerCount) SINCE 1 week ago TIMESERIES MAX PREDICT USING 2 weeks

コピー

SLIDE BYキーワードを追加します。

予測が短期間で大きな変動を示す場合は、 SLIDE BYキーワードを使用してデータ内のノイズを削減します。この句は、指定されたスライド間隔で重複する時間ウィンドウにデータを集約し、グラフの急上昇を平滑化して、傾向を特定しやすくします。

SLIDE BYキーワードを使用したクエリの例:

FROM Transaction SELECT count(*) PREDICT TIMESERIES 5 minutes SLIDE BY 1 minute

コピー

アルゴリズム

現在、 NRQL predictions季節性時系列と非季節性時系列の両方に対して、指数平滑法とも呼ばれるHolt-Wintersアルゴリズムをサポートしています。これは、予測や時系列予測に一般的に使用される標準アルゴリズムです。

季節を問わず

季節性のない時系列の場合、レベル (平均値) と傾向 (平均増加または減少) のみがモデル化されます。季節性のない予測は直線的であるため、傾向の有無にかかわらず平坦な線が予想されます。

季節限定

季節時系列の場合、レベルとトレンドに加えて季節パターンも含まれます。季節性は、ある周期的に発生する繰り返し可能なパターンを表します。Holt-Winters モデルでは、デフォルトで時間別、日別、週別の季節の長さの自動検出をサポートしています。それぞれの季節の長さを検出するには、クエリ ウィンドウの期間 ( SINCE句とUNTIL句を使用して指定) とUSING句の組み合わせを通じて十分なデータを提供していることを確認する必要があります。季節の長さごとに必要な最小データ量は以下に指定されています。デフォルトでは、 USING句が使用されていない場合、 NRQL predictionsクエリ ウィンドウの 3 倍を使用して予測を生成します。

seasonalityを使用してカスタムの季節の長さを指定できます。

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT holtwinters(seasonality: 1 hour)

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT holtwinters(seasonality: NONE)

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT holtwinters(seasonality: AUTO)

高度な使用法

オプションの Holt-Winters モデルのハイパーパラメータを設定します。

重要

モデルの調整は、モデルをきめ細かく制御したい上級ユーザーや、予測アラートで生成された予測を再作成することを目的としています。

現在、 Holt-Wintersは唯一サポートされている予測アルゴリズムであり、予測を微調整するために調整できるハイパーパラメータがいくつかあります。ハイパーパラメータは、クエリのPREDICT句の後にholtwinters(<hyperparameter>: <value>)を追加することで変更できます。次の懸念の任意の組み合わせを追加して、モデルを履歴データにどのように適合させるかを変更できます。

Hyperparameter	Description	Allowed values
alpha	レベル平滑化係数。値が大きいほど、最近の値に重みが与えられます。	[0, 1.0]
beta	値が大きいほど最近の値に重みが増す傾向平滑化係数。	[0, 1.0]
gamma	季節平滑化係数。値が大きいほど最近の値に重みが増します。この問題は非季節モデルと互換性がなく、 holtwinters(seasonality: NONE, gamma: <value>)を指定しようとするとエラーが返されます。	[0, 1.0]
phi	トレンドの減衰 値が小さいほど、トレンドの減衰が大きく、平坦化すると予測されます。	[0, 1.0] ( [0.98, 1.0] )の範囲内の値のみを使用することをお勧めします。

ハイパーパラメータを変更したクエリの例:

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT holtwinters(alpha: 0.2, beta: 0.5, gamma: 0.5, phi: 0.99)

コピー

季節性、カスタムハイパーパラメータを指定し、 BYおよびUSINGキーワードを追加したPREDICT句を含むクエリの例:

FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT holtwinters(seasonality: AUTO, alpha: 0.2) BY 1 hour USING 2 hours

コピー

このクエリは季節性を自動検出に設定し、レベル平滑化係数を調整して履歴データを強調します。今後 1 時間を予測し、クエリ ウィンドウの長さと過去 2 時間の履歴データを使用してモデルをトレーニングします。チャートには、次のようにカスタマイズされた予測が表示されます。