时序预测回归微调产物推理

功能介绍

使用微调产物进行部署推理。微调使用历史数据对基模型进行微调，实现时序预测任务，最多支持128个未来时间点的预测。预测目标数据需要是连续数值，数据类型一般是数值类。

授权信息

账号具备所有API的调用权限，如果使用账号下的IAM用户调用当前API，该IAM用户需具备调用API所需的权限，具体权限要求请参见权限和授权项。

URI

POST /

获取URI方式请参见请求URI。

请求参数

使用Token认证方式的请求Header参数见表1。

表1 请求Header参数（Token认证）
参数	是否必选	参数类型	描述
X-Auth-Token	是	String	参数解释：用户Token。用于获取操作API的权限。如图4中响应消息头中X-Subject-Token的值即为Token。约束限制：不涉及取值范围：不涉及默认取值：不涉及
Content-Type	是	String	参数解释：发送的实体的MIME类型。约束限制：不涉及取值范围：不涉及默认取值： application/json

使用API Key认证方式的请求Header参数见表2。

表2 请求Header参数（API Key认证）
参数	是否必选	参数类型	描述
X-Apig-AppCode	是	String	参数解释： API Key值。用于获取操作API的权限。API Key认证响应消息头中X-Apig-AppCode的值即为API Key。约束限制：不涉及取值范围：不涉及默认取值：不涉及
Content-Type	是	String	参数解释：发送的实体的MIME类型。约束限制：不涉及取值范围：不涉及默认取值： application/json

表3 请求Body参数
参数	是否必选	参数类型	描述
data	是	Array	参数解释：时序数据请求的批处理队列。约束限制：盘古时序预测回归任务的输入数据内容，用字典承载。输入数据字典中，键对应特征列名，值为序列数据具体内容。取值范围：输入数据中的一组数据。默认取值：预测大模型在训练完成后，可以在训练日志页面，“模型训练”日志节点中获取推理api所用的示例数据。填写请求Body时可以参考该示例填写。
context_len	否	int	参数解释：时序任务的历史窗口大小，该参数主要服务于支持多尺度窗口的模型的推理。约束限制：填写时需要保证输入序列长度大于等于该值。取值范围： min：32 max：与训练模型的历史窗口大小一致，最大不超过512。默认取值： -1，-1为当前服务模型的默认大小。
prediction_len	否	int	参数解释：时序预测输出的窗口长度。数值越大输出预测的时间范围越大，但相应的显存占用会增加以及模型预测精度可能会下降。约束限制：基于已发布模型的进行增量微调，输出窗口需要与其保持一致。取值范围： min：1 max：与训练模型的预测目标窗口大小一致，最大不超过128。默认取值：与训练模型的预测目标窗口大小一致。
auto_fill	否	boolean	参数解释：是否使用数据补齐功能，开启后将自动填充离散列缺失值和新类别。约束限制：只有经过类别特征列处理的列，才能进行数据补齐功能。取值范围： true：填充 false：不填充默认取值： false。

响应参数

状态码： 200

表4 响应Body参数
参数	参数类型	描述
data	LIST<OutputMeta>	参数解释：时序预测结果的列表。约束限制：不涉及取值范围：不涉及默认取值：不涉及
time_cost	JSON	参数解释：当启动服务时，本次请求服务各阶段耗时情况。约束限制：不涉及取值范围：不涉及默认取值：不涉及

表5 OutputMeta格式说明
参数名称	参数类型	说明
prediction	JSON	参数解释：时序分类的输出结果，具体见样例调用示例。约束限制：不涉及取值范围：不涉及默认取值：不涉及

状态码： 400

表6 响应Body参数
参数	参数类型	描述
error_code	String	错误码。
error_msg	String	错误信息。

请求示例

{
  "context_len": 256,
  "prediction_len": 96,
  "data": [
    {
      "context": {
        "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328,...],
        "feature_1": [ 864.1618041992188, 493.91827392578125, 252.7724151611328,...]
      }
    },
    {
      "context": {
        "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328,...],
        "feature_1": [ 864.1618041992188, 493.91827392578125, 252.7724151611328,...]
      }
    }
  ]
}

响应示例

{
  "data": [
    {
        "prediction":{
            "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328,...]
            "feature_1": [ 864.1618041992188, 493.91827392578125, 252.7724151611328,...]
        }
    }
  ],
  "time_cost": {
    "infer_cost_time": "82.609 ms",
    "postprocess_cost_time": "0.29 ms",
    "preprocess_cost_time": "0.1332 ms",
    "service_cost_total_time": "84.965 ms"
  }
}