End-to-End-Nutzerpfade für Modelle zur Prognose von Zeitreihen

In diesem Dokument werden die Nutzerpfade für BigQuery ML-Zeitreihenprognosemodelle beschrieben, einschließlich der Anweisungen und Funktionen, die Sie für die Arbeit mit Zeitreihenprognosemodellen verwenden können. BigQuery ML bietet die folgenden Arten von Zeitreihenvorhersagemodellen:

• ARIMA_PLUS univariate Modelle
• ARIMA_PLUS_XREG multivariate Modelle
• Univariates TimesFM-Modell

User Journeys für die Modellerstellung

In der folgenden Tabelle werden die Anweisungen und Funktionen beschrieben, die Sie zum Erstellen von Zeitreihenvorhersagemodellen verwenden können:

Modelltyp	Modellerstellung	Vorverarbeitung von Features	Hyperparameter-Feinabstimmung	Modellgewichtungen	Tutorials
ARIMA_PLUS	CREATE MODEL	Automatische Vorverarbeitung	Automatische Abstimmung mit auto.ARIMA^1	ML.ARIMA_COEFFICIENTS	Einzelne Zeitachse prognostizieren Prognosen für mehrere Zeitreihen Prognosen für Millionen von Zeitreihen Benutzerdefinierte Feiertage verwenden Prognostizierte Werte begrenzen Hierarchische Zeitachsenprognosen durchführen Anomalieerkennung mit einem multivariaten Zeitreihenprognosemodell durchführen
ARIMA_PLUS_XREG	CREATE MODEL	Automatische Vorverarbeitung	Automatische Abstimmung mit auto.ARIMA^1	ML.ARIMA_COEFFICIENTS	Einzelne Zeitachse prognostizieren Prognosen für mehrere Zeitreihen
TimesFM	–	–	–	–	Prognosen für mehrere Zeitreihen

¹Der auto.ARIMA-Algorithmus führt eine Hyperparameter-Abstimmung für das Trendmodul durch. Die Hyperparameter-Abstimmung wird nicht für die gesamte Modellierungs-Pipeline unterstützt. Weitere Informationen finden Sie in der Modellierungs-Pipeline.

User Journeys für die Modellnutzung

In der folgenden Tabelle werden die Anweisungen und Funktionen beschrieben, mit denen Sie Zeitreihenprognosemodelle auswerten, erklären und Prognosen daraus abrufen können:

Modelltyp	Evaluierung	Inferenz	KI-Erklärung
ARIMA_PLUS	ML.EVALUATE^1 ML.ARIMA_EVALUATE ML.HOLIDAY_INFO	ML.FORECAST ML.DETECT_ANOMALIES	ML.EXPLAIN_FORECAST^2
ARIMA_PLUS_XREG	ML.EVALUATE^1 ML.ARIMA_EVALUATE ML.HOLIDAY_INFO	ML.FORECAST ML.DETECT_ANOMALIES	ML.EXPLAIN_FORECAST^2
TimesFM	–	AI.FORECAST	–

¹ Sie können Bewertungsdaten in die Funktion ML.EVALUATE eingeben, um Prognosemesswerte wie den mittleren absoluten prozentualen Fehler (Mean Absolute Percentage Error, MAPE) zu berechnen. Wenn Sie keine Evaluationsdaten haben, können Sie mit der Funktion ML.ARIMA_EVALUATE Informationen zum Modell wie Drift und Varianz ausgeben.

² Die Funktion ML.EXPLAIN_FORECAST umfasst die Funktion ML.FORECAST, da ihre Ausgabe eine Obermenge der Ergebnisse von ML.FORECAST ist.