Übersicht über Prognosen

Bei der Prognose werden Verlaufsdaten analysiert, um fundierte Vorhersagen über zukünftige Trends zu treffen. Sie können beispielsweise Verlaufsdaten aus mehreren Geschäften analysieren, um zukünftige Umsätze an diesen Standorten vorherzusagen. In BigQuery ML können Sie Prognosen für Zeitreihendaten erstellen.

Sie haben folgende Möglichkeiten, Prognosen zu erstellen:

  • Mithilfe der Funktion AI.FORECAST mit dem integrierten TimesFM-Modell. Verwenden Sie diesen Ansatz, wenn Sie zukünftige Werte für eine einzelne Variable vorhersagen müssen. Bei diesem Ansatz müssen Sie kein Modell erstellen und verwalten.
  • ML.FORECAST-Funktion mit dem ARIMA_PLUS-Modell verwenden. Verwenden Sie diesen Ansatz, wenn Sie eine ARIMA-basierte Modellierungspipeline ausführen und die Zeitreihe in mehrere Komponenten zerlegen müssen, um die Ergebnisse zu erklären. Für diesen Ansatz müssen Sie ein Modell erstellen und verwalten.
  • ML.FORECAST-Funktion mit dem ARIMA_PLUS_XREG-Modell verwenden. Verwenden Sie diesen Ansatz, wenn Sie zukünftige Werte für mehrere Variablen vorhersagen müssen. Für diesen Ansatz müssen Sie ein Modell erstellen und verwalten.

Neben Prognosen können Sie ARIMA_PLUS- und ARIMA_PLUS_XREG-Modelle auch für die Anomalieerkennung verwenden. Weitere Informationen finden Sie in folgenden Dokumenten:

ARIMA_PLUS-Modelle und das TimesFM-Modell vergleichen

Anhand der folgenden Tabelle können Sie entscheiden, ob Sie das TimesFM-, ARIMA_PLUS- oder ARIMA_PLUS_XREG-Modell für Ihren Anwendungsfall verwenden sollten:

Modelltyp ARIMA_PLUS und ARIMA_PLUS_XREG TimesFM
Modelldetails Statistisches Modell, das den ARIMA-Algorithmus für die Trendkomponente und eine Vielzahl anderer Algorithmen für Nicht-Trendkomponenten verwendet. Weitere Informationen finden Sie unten unter Zeitreihenmodellierungspipeline und Publikation. Transformer-basiertes Foundation Model. Weitere Informationen finden Sie in den Publikationen in der nächsten Zeile.
Veröffentlichung ARIMA_PLUS: Large-scale, Accurate, Automatic and Interpretable In-Database Time Series Forecasting and Anomaly Detection in Google BigQuery A Decoder-only Foundation Model for Time-series Forecasting
Training erforderlich Ja, für jede Zeitreihe wird ein ARIMA_PLUS- oder ARIMA_PLUS_XREG-Modell trainiert. Nein, das TimesFM-Modell ist vortrainiert.
Nutzerfreundlichkeit von SQL Hoch Erfordert eine CREATE MODEL-Anweisung und einen Funktionsaufruf. Sehr hoch. Erfordert einen einzelnen Funktionsaufruf.
Verwendeter Datenverlauf Verwendet alle Zeitpunkte in den Trainingsdaten, kann aber so angepasst werden, dass weniger Zeitpunkte verwendet werden. Kann mit dem Parameter context_window der AI.FORECAST-Funktion angepasst werden.
Genauigkeit Sehr hoch. Weitere Informationen finden Sie in den Publikationen, die in einer vorherigen Zeile aufgeführt sind. Sehr hoch. Weitere Informationen finden Sie in den Publikationen, die in einer vorherigen Zeile aufgeführt sind.
Anpassung Hoch Die CREATE MODEL-Anweisung bietet Argumente, mit denen Sie viele Modelleinstellungen anpassen können, z. B. die folgenden:
  • Saisonalität
  • Feiertagseffekte
  • Schrittänderungen
  • Trend
  • Spitzen und Einbrüche entfernen
  • Obergrenzen und Untergrenzen für Prognosen
 Niedrig
Unterstützt Kovariaten Ja, wenn Sie das ARIMA_PLUS_XREG-Modell verwenden. Nein.
Erklärbarkeit Hoch Mit der ML.EXPLAIN_FORECAST-Funktion können Sie Modellkomponenten untersuchen. Niedrig.
Modellbewertung Verwenden Sie die ML.ARIMA_EVALUATE-Funktion. Verwenden Sie die AI.EVALUATE-Funktion.
Ideale Anwendungsfälle
  • Sie möchten die vollständige Kontrolle über das Modell haben, einschließlich der Anpassung.
  • Sie benötigen Erklärbarkeit für die Modellausgabe.
  • Sie möchten möglichst wenig Aufwand bei der Einrichtung haben und Prognosen erstellen, ohne zuerst ein Modell zu erstellen.

Mit den Standardeinstellungen der Anweisungen und Funktionen von BigQuery ML können Sie ein Prognosemodell erstellen und verwenden, auch wenn Sie nicht viel ML-Wissen haben. Grundkenntnisse in der ML-Entwicklung und insbesondere in Prognosemodellen helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen die folgenden Ressourcen, um sich mit ML-Techniken und -Prozessen vertraut zu machen: