Azure ML自动ML时序预测模型Power BI调用超100行报错求助

可能的原因及排查解决步骤 #

1. Azure ML在线端点的批量请求限制 #

• 检查Azure ML端点的默认限制：部分在线端点SKU会限制单次请求的数据行数或Payload大小，你遇到的100行阈值很可能是端点的默认批量处理上限。登录Azure ML Studio，进入对应端点的配置页面，查看请求配额或批量处理设置确认规则。
• 解决方法：拆分请求为小批次处理。在Power Query中将数据按每100行分组，分批调用端点后合并结果，示例代码如下：

let
    Source = 你的SQL查询返回表,
    // 添加分组列，每100行一组
    添加分组标识 = Table.AddColumn(Source, "分组ID", each Number.RoundDown((Table.PositionOf(Source, _) + 1)/100)),
    按分组聚合 = Table.Group(添加分组标识, {"分组ID"}, {{"数据子集", each _, type table}}),
    // 对每个分组调用Azure ML端点
    批量调用端点 = Table.AddColumn(按分组聚合, "预测结果", each AzureML.调用端点函数([数据子集])),
    // 展开所有预测结果并清理冗余列
    展开结果 = Table.ExpandTableColumn(批量调用端点, "预测结果", {"customer_id", "日期", "预测值"}),
    最终结果 = Table.RemoveColumns(展开结果, {"分组ID", "数据子集"})
in
    最终结果

2. Power Query的请求参数限制 #

• Power BI的Power Query对HTTP请求的Payload大小、超时时间有默认限制，数据量过大时会触发超时或超限报错。
• 解决方法：
  • 调整超时设置：进入文件>选项和设置>选项>数据加载，增大命令超时和数据检索超时的数值。
  • 精简请求字段：确保传递给端点的仅包含日期和customer_id两个必要字段，移除无关列以缩小Payload体积。

3. Azure ML端点计算资源不足 #

• 如果部署模型的计算实例规格过低（如CPU/内存不足），处理大量数据时会出现推理超时或资源耗尽错误。
• 排查方法：在Azure ML Studio的端点监控页面，查看请求延迟、CPU使用率指标，若CPU持续100%则说明资源瓶颈。
• 解决方法：升级计算实例SKU（比如从Standard_DS2_v2升级到Standard_DS3_v2），提升核心数和内存容量。

4. 时间序列模型的分组处理逻辑问题 #

• AutoML生成的时间序列模型，对单次请求中包含的不同customer_id分组数量可能有限制，过多分组会导致推理时内存溢出。
• 解决方法：按customer_id分组，每个客户或少量客户组成一批调用端点，避免一次性传递大量不同的时间序列分组。

验证步骤 #

1. 先在Azure ML Studio的端点测试页面，手动提交101行包含不同customer_id的测试数据，确认是否报错，快速定位问题出在Azure ML端还是Power BI端。
2. 若Azure ML端测试也报错，优先调整端点的批量设置或升级计算资源；若Azure ML端正常，则聚焦Power Query的请求配置优化。

内容的提问来源于stack exchange，提问作者Jorge Guerrero