執行時間序列預測

本頁說明如何直接在 AlloyDB 資料庫中執行時間序列預測。您可以運用各種預測模型 (包括 TimesFM 模型)，因應不確定性並做出明智的策略決策。如要進一步瞭解模型，請參閱 TimesFM 研究網誌。

AlloyDB 的 ai.forecast 函式可與註冊為 ts_forecasting 模型類型的任何模型搭配使用，讓您彈性地根據需求使用最佳模型。本文詳細說明如何使用 TimesFM，但您也可以將這些原則套用至其他模型。

事前準備

如要執行時間序列預測，必須先在 AlloyDB 中啟用預測功能，並註冊模型。

註冊預測模型

您可以在 AlloyDB 中使用各種預測模型。

本節提供註冊 TimesFM 模型的操作說明。如需註冊其他模型的說明，請參閱「使用模型端點管理服務註冊模型端點」。

使用 TimesFM 模型

TimesFM 模型有兩個版本：

  • TimesFM 1.0：TimesFM 模型的初始版本。
  • TimesFM 2.0：建議使用這個版本，因為與 1.0 版相比，準確度最多可提高 25%。

這兩種模型都可在 Model Garden 中快速部署。

如要使用 TimesFM 模型，請先將模型部署至 Vertex AI 端點，然後在 AlloyDB 中註冊。

將 TimesFM 模型部署至 Vertex AI 端點

您可以從 Google Cloud 控制台按一下滑鼠部署模型，也可以使用 Colaboratory 筆記本手動部署。

一鍵部署

如要使用一鍵部署功能部署 TimesFM 模型，請按照下列步驟操作：

  1. 前往 Google Cloud 控制台的「Model Garden」(模型花園) 頁面：

    前往 Model Garden
  2. 在「搜尋」欄位中輸入 TimesFM。
  3. 在搜尋結果中按一下 TimesFM。

  4. 在「TimesFM」TimesFM頁面中，完成下列步驟：

  5. 按一下 [Deploy model] (部署模型)。
  6. 選取「Vertex AI」。

  7. 在「Deploy on Vertex AI」(在 Vertex AI 上部署) 窗格中，設定及部署模型：

    1. 如要使用最新版的 TimesFM 模型，請在「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「模型名稱」中，輸入專屬的 MODEL_NAME。
      2. 在「Endpoint name」(端點名稱) 中，輸入專屬的 ENDPOINT_NAME。
    3. 如要展開設定選項，請在「部署設定」中按一下「進階」。
      1. 為確保延遲時間盡可能縮短，請在「區域」下拉式選單中，選取 AlloyDB 執行個體所在的區域。
      2. 如要獲得最佳效能，請在「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 可能會提供較低的延遲時間。

    4. 在「Availability policies」(可用性政策) 的「Endpoint access」(端點存取權) 下拉式選單中，選取「Public (Shared endpoint)」(公開 (共用端點))。

      這會在 aiplatform 網域中建立可與 AlloyDB 搭配使用的端點。

    5. 如要將模型部署至受管理端點，請按一下「Deploy」(部署)。部署作業可能需要約 10 到 15 分鐘。
  8. 部署 TimesFM 模型後，端點會顯示類似 google_timesfm-VERSION-one-click-deploy 的連結。
  9. 如要取得模型要求網址，請在「端點」中按一下部署連結。
  10. 在端點詳細資料頁面中，按一下「範例要求」。

  11. 在「範例要求」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：

  1. 前往 Google Cloud 控制台的「Model Garden」頁面：

    前往 Model Garden
  2. 在「搜尋」欄位中輸入 TimesFM。
  3. 在搜尋結果中，按一下 TimesFM 開啟模型資訊卡。
  4. 在「TimesFM」頁面中，按一下「CO Open Notebook」。
  5. 在「開啟筆記本」視窗中，按一下 TimesFM 2.0 的「Collab Enterprise」連結。

  6. 在「Collab Enterprise」頁面中，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「Setup Google Cloud project」(設定 Google Cloud 專案) 的「Prerequisites」(必要條件) 區段中，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。

      • 在「Deploy TimesFM to a Vertex AI Endpoint」(將 TimesFM 部署至 Vertex AI 端點) 的 accelerator_type 下拉式選單中，視需要選取其他加速器類型。
      • 在步驟 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提供端點詳細資料，格式如下：projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID。

  7. 如要建構 SQL 模型建立呼叫的 model_request_url，請將專案和端點 ID 替換為上一個步驟中的端點詳細資料，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，您需要這個 model_request_url，詳情請見下一節。the google_ml.create_model

  8. 如要確認 ai.forecast 函式是否正常運作，請執行下列查詢範例：

    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 中註冊 TimesFM 模型

如要在 AlloyDB 中註冊 TimesFM 模型，請按照下列步驟操作：

  1. 確認已在 AlloyDB 資料庫中安裝 google_ml_integration 擴充功能，該資料庫包含您要執行預測的資料。

  2. 確認您已安裝 google_ml_integration 擴充功能 1.4.5 以上版本。

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

    以下是輸出範例：

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

  3. 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。
    • PROJECT_ID：模型部署所在的專案名稱，例如 forecast_project。

    • ENDPOINT_ID：模型部署作業的名稱，例如 my-timesfm-endpoint。

      模型部署完成後，Vertex AI 會提供 model_request_url。從 Vertex AI 控制台的「範例要求」窗格中，複製整個網址。其中已包含正確的專案和端點資訊。

    Google Cloud

產生預測

註冊 TimesFM 模型並啟用必要標記後，您就能傳遞來源資料表或查詢，連同時間序列資料一併傳遞，藉此產生預測結果。

ai.forecast 函式的說明文件另行提供。如需參數的完整清單，包括說明和範例，請參閱「模型端點管理參考資料」。

根據來源表格生成預測

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

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
);

根據查詢生成預測

以下範例說明如何使用子查詢做為資料來源，呼叫 ai.forecast 函式來產生預測：

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_query => '(SELECT * FROM time_series_data ORDER BY timestamp LIMIT 1) AS time_series_data',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

使用其他預測模型

您可以在 AlloyDB 中註冊任何其他時間序列預測模型，並搭配 ai.forecast 函式使用。重點是確保模型是以 ts_forecasting 模型類型註冊。

如需註冊不同類型模型的詳細操作說明，請參閱「使用模型端點管理工具註冊及呼叫遠端 AI 模型」。註冊模型後，您可以使用 ai.forecast 函式，並指定模型的 model_id。

後續步驟