Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

執行時間序列預測

AlloyDB for PostgreSQL 的 ai.forecast 函式可讓您使用 SQL，直接對資料庫資料執行時間序列預測。您可以註冊並呼叫預測模型，例如 TimesFM 或任何以 ts_forecasting 模型類型註冊的模型，根據歷來資料預測未來趨勢。如要進一步瞭解 TimesFM 架構，請參閱 TimesFM 研究網誌。

事前準備

您必須先在 AlloyDB 啟用預測功能並註冊模型，才能執行時間序列預測。

註冊預測模型

AlloyDB 支援多種預測模型。

本節說明如何註冊 TimesFM 模型。如要瞭解如何註冊其他模型，請參閱「使用模型端點管理功能註冊模型端點」。

使用 TimesFM 模型

TimesFM 模型有下列版本：

TimesFM 1.0：TimesFM 模型的初始版本。
TimesFM 2.0：這個版本包含 5 億個參數的查核點，以及推論程式碼。與 1.0 模型相比，模型效能更佳。
TimesFM 2.5：這個版本包含 2 億個參數的查核點，以及推論程式碼。與 2.0 模型相比，這個模型效能更佳。

所有模型都可在 Model Garden 中快速部署。

如要使用 TimesFM 模型，您必須先將 TimesFM 模型部署至 Gemini Enterprise Agent Platform 端點，然後在 AlloyDB 中註冊。

將 TimesFM 模型部署至 Agent Platform 端點

您可以透過 Google Cloud 控制台一鍵部署模型，或使用 Colaboratory 筆記本手動部署。

一鍵部署

如要一鍵部署 TimesFM 模型，請按照下列步驟操作：

前往 Google Cloud 控制台的「Model Garden」頁面：
前往 Model Garden
在「Search」欄位中輸入 TimesFM。
在搜尋結果中，按一下「TimesFM」。
在「TimesFM」TimesFM頁面中，完成下列步驟：
1. 按一下 [Deploy model] (部署模型)。
2. 選取「Agent Platform」。
在「在 Agent Platform 部署」窗格中，設定及部署模型：
1. 如要使用最新版本 TimesFM 模型，請在「Resource ID」(資源 ID) 下拉式選單中選取 google/timesfm-2.0。
2. 為方便日後識別部署作業，請輸入下列內容：
  1. 在「Model name」(模型名稱) 中，輸入不重複的 MODEL_NAME。
  2. 在「Endpoint name」(端點名稱) 中，輸入不重複的 ENDPOINT_NAME。
3. 如要展開設定選項，請在「Deployment settings」(部署作業設定) 中按一下「Advanced」(進階)。
  1. 為盡可能降低延遲，請在「區域」下拉式選單中，選取 AlloyDB 執行個體所在的區域。
  2. 為達到最佳效能，請在「Machine spec」(機器規格) 下拉式選單中選取適當的機器規格。請注意，GPU 或 TPU 的延遲時間可能較短。
4. 在「可用性政策」的「端點存取權」下拉式選單中，選取「公開 (共用端點)」。
  
  這會在 aiplatform 網域中建立端點，可與 AlloyDB 搭配使用。
5. 如要將模型部署至代管端點，請按一下「Deploy」(部署)。部署作業可能需要 10 到 15 分鐘。
部署 TimesFM 模型後，「端點」中會顯示類似 google_timesfm-VERSION-one-click-deploy 的連結。
如要取得模型要求網址，請在「Endpoints」(端點) 中點選部署作業連結。
在端點詳細資料頁面，按一下「Sample request」(要求範例)。
在「Sample request」(要求範例) 窗格中，找出並記下模型要求網址。您會在「在 AlloyDB 中註冊 TimesFM 模型」中使用這項資訊，例如 https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict。

確認要求網址包含 aiplatform.googleapis.com。

手動部署

如要使用 Colaboratory 筆記本手動部署 TimesFM 模型，請按照下列步驟操作：

前往 Google Cloud 控制台的「Model Garden」頁面：
前往 Model Garden
在「Search」欄位中輸入 TimesFM。
在搜尋結果中，按一下「TimesFM」開啟模型資訊卡。
在「TimesFM」頁面，按一下「CO Open Notebook」。
在「開啟 Notebook」視窗中，點選 TimesFM 2.0 的「Colab Enterprise」連結。
在「Collab Enterprise」頁面完成下列步驟：
1. 如要建立與執行階段環境的連線，請按一下「連線」。
2. 選用：視需要完成下列步驟：
  - 在「設定 Google Cloud 雲端專案」的「必要條件」部分，設定 BUCKET_URI 和 REGION，例如將 BUCKET_URI 設為 gs://your-unique-bucket-name，並將 REGION 設為 us-central1。
    
    注意：bucket 名稱在全域範圍內不得重複。如未設定區域，系統會根據 Colab Enterprise 環境自動設定。
  - 在「Deploy TimesFM to a Vertex AI Endpoint」的「accelerator_type」下拉式選單中，視需要選取其他加速器類型。
  - 在「Step 3: Set the maximum forecast horizon」(步驟 3：設定預測時間範圍上限) 中，填寫「horizon」和「max_context」欄位，例如將 horizon 設為 128，並將 max_context 設為 512。
3. 取消勾選「use_dedicated_endpoint」核取方塊。
4. 執行筆記本中的所有儲存格。
筆記本的輸出內容會以下列格式提供端點詳細資料：projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID。

如要建構 model_request_url 來呼叫 SQL 模型建立作業，請將專案和端點 ID 替換為上一步的端點詳細資料，如下所示：

CALL google_ml.create_model(
 model_id => 'timesfm_v2',
 model_qualified_name => 'timesfm_v2',
 model_type => 'ts_forecasting',
 model_provider => 'google',
 model_request_url => 'https://REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict');

在 AlloyDB 中註冊 TimesFM 模型時，您需要在 google_ml.create_model 呼叫中使用這個 model_request_url，詳情請參閱下一節。

如要確認 ai.forecast 函式是否正常運作，請執行下列範例查詢：

SELECT * FROM ai.forecast(
   source_query=> '
     SELECT my_timestamp, my_data_value FROM (
       VALUES
         (CAST(''2025-01-01'' AS TIMESTAMP), 10.0),
         (CAST(''2025-01-02'' AS TIMESTAMP), 12.0),
         (CAST(''2025-01-03'' AS TIMESTAMP), 11.0),
         (CAST(''2025-01-04'' AS TIMESTAMP), 13.0),
         (CAST(''2025-01-05'' AS TIMESTAMP), 15.0),
         (CAST(''2025-01-06'' AS TIMESTAMP), 14.0),
         (CAST(''2025-01-07'' AS TIMESTAMP), 16.0),
         (CAST(''2025-01-08'' AS TIMESTAMP), 18.0),
         (CAST(''2025-01-09'' AS TIMESTAMP), 17.0),
         (CAST(''2025-01-10'' AS TIMESTAMP), 20.0)
       ) AS t (my_timestamp, my_data_value)
     ' ,
   model_id => 'timesfm_v2',
   data_col => 'my_data_value',
   timestamp_col => 'my_timestamp',

   -- The rest of the parameters are the same
   horizon => 7,
   conf_level => 0.80
);

在 AlloyDB 註冊 TimesFM 模型

如要在 AlloyDB 註冊 TimesFM 模型，請按照下列步驟操作：

確認 AlloyDB 資料庫已安裝 google_ml_integration 擴充功能，且資料庫中含有要執行預測作業的資料。

確認已安裝 1.4.5 以上版本的 google_ml_integration 擴充功能。

SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

以下是輸出內容範例：

extversion
------------
1.4.5
(1 row)

使用您在「註冊預測模型」中記下的模型要求網址，呼叫 google_ml.create_model。
```
CALL
google_ml.create_model(
  model_id => 'MODEL_ID',
  model_qualified_name => 'MODEL_QUALIFIED_NAME',
  model_type => 'ts_forecasting',
  model_provider => 'google',
  model_request_url => 'https://REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict' -- Example endpoint from Model Garden
  );
```
更改下列內容：
- MODEL_ID：要用於預測的已註冊模型專屬 ID，例如 vertex_timesfm。
- MODEL_QUALIFIED_NAME：使用者定義的模型名稱，例如 timesfm_v2。
- REGION：執行個體所在的區域，例如 us-central1。
- PROJECT_ID：模型部署所在專案的名稱，例如 forecast_project。
- ENDPOINT_ID：模型部署作業的名稱，例如 my-timesfm-endpoint。
  
  部署模型後，Agent Platform 會提供 model_request_url。從 Agent Platform 控制台的「Sample request」(要求範例) 窗格複製完整網址。其中已包含正確的專案和端點資訊。
注意： 如果 AlloyDB 執行個體與 Agent Platform 模型端點位於不同的 Google Cloud 專案，請務必在託管 Agent Platform 模型的專案中，將 Vertex AI 使用者角色 (roles/aiplatform.user) 授予 AlloyDB 服務帳戶。

生成預測

註冊 TimesFM 模型並啟用必要旗標後，只要傳遞來源資料表或含有時間序列資料的查詢，即可生成預測結果。

ai.forecast 函式會另外說明。如需完整的參數清單 (包括說明和範例)，請參閱「模型端點管理參考資料」。

根據來源資料表生成預測

下列範例說明如何使用來源資料表呼叫 ai.forecast 函式，產生預測結果：

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_table => 'time_series_data',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

依據查詢生成預測

下列範例說明如何使用子查詢做為資料來源，呼叫 ai.forecast 函式來生成預測：

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_query => 'SELECT * FROM time_series_data ORDER BY timestamp LIMIT 10',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

使用其他預測模型

ai.forecast 函式可與您在 AlloyDB 註冊的其他時間序列預測模型搭配使用。重點是確保模型已註冊為 ts_forecasting 模型類型。

如需註冊不同類型模型的詳細操作說明，請參閱「使用模型端點管理功能註冊及呼叫遠端 AI 模型」。模型註冊完畢後，只要指定 model_id，即可搭配 ai.forecast 函式使用。