Ringkasan perkiraan

Perkiraan adalah teknik untuk menganalisis data historis guna membuat prediksi yang tepat tentang tren mendatang. Misalnya, Anda dapat menganalisis data penjualan historis dari beberapa lokasi toko untuk memprediksi penjualan mendatang di lokasi tersebut. Di BigQuery ML, Anda melakukan perkiraan pada data deret waktu.

Anda dapat melakukan prakiraan dengan cara berikut:

  • Dengan menggunakan fungsi AI.FORECAST dengan model TimesFM bawaan. Gunakan pendekatan ini jika Anda perlu memperkirakan nilai mendatang untuk satu variabel atau beberapa variabel. Pendekatan ini tidak mengharuskan Anda membuat dan mengelola model.
  • Dengan menggunakan fungsi ML.FORECAST dengan model ARIMA_PLUS. Gunakan pendekatan ini saat Anda perlu menjalankan pipeline pemodelan berbasis ARIMA dan menguraikan deret waktu menjadi beberapa komponen untuk menjelaskan hasilnya. Pendekatan ini mengharuskan Anda membuat dan mengelola model.
  • Dengan menggunakan fungsi ML.FORECAST dengan model ARIMA_PLUS_XREG. Gunakan pendekatan ini saat Anda perlu memperkirakan nilai mendatang untuk beberapa variabel. Pendekatan ini mengharuskan Anda membuat dan mengelola model.

Selain perkiraan, Anda dapat menggunakan model ARIMA_PLUS, ARIMA_PLUS_XREG, dan TimesFM untuk deteksi anomali. Untuk informasi selengkapnya, lihat referensi berikut:

Membandingkan model ARIMA_PLUS dan model TimesFM

Gunakan tabel berikut untuk menentukan apakah akan menggunakan model TimesFM, ARIMA_PLUS, atau ARIMA_PLUS_XREG untuk kasus penggunaan Anda:

Jenis model ARIMA_PLUS dan ARIMA_PLUS_XREG TimesFM
Detail model Model statistik yang menggunakan algoritma ARIMA untuk komponen tren, dan berbagai algoritma lain untuk komponen non-tren. Untuk mengetahui informasi selengkapnya, lihat Pipeline pemodelan deret waktu dan publikasi di baris berikutnya. Model dasar berbasis Transformer. Untuk informasi selengkapnya, lihat publikasi di baris berikutnya.
Publikasi ARIMA_PLUS: Perkiraan Deret Waktu dan Deteksi Anomali Dalam Database yang Berskala Besar, Akurat, Otomatis, dan Dapat Ditafsirkan di BigQuery
Perlu pelatihan Ya, satu model ARIMA_PLUS atau ARIMA_PLUS_XREG dilatih untuk setiap deret waktu. Tidak, model TimesFM sudah dilatih.
Kemudahan penggunaan SQL Tinggi. Memerlukan pernyataan CREATE MODEL dan panggilan fungsi. Sangat tinggi. Memerlukan satu panggilan fungsi.
Histori data yang digunakan Menggunakan semua titik waktu dalam data pelatihan, tetapi dapat disesuaikan untuk menggunakan lebih sedikit titik waktu. Dapat disesuaikan menggunakan parameter context_window dari fungsi AI.FORECAST.
Akurasi Sangat tinggi. Untuk mengetahui informasi selengkapnya, lihat publikasi yang tercantum di baris sebelumnya. Sangat tinggi. Untuk mengetahui informasi selengkapnya, lihat publikasi yang tercantum di baris sebelumnya.
Penyesuaian Tinggi. Pernyataan CREATE MODEL menawarkan argumen yang memungkinkan Anda menyesuaikan banyak setelan model, seperti berikut:
  • Tren Musiman
  • Holiday effect
  • Perubahan langkah
  • Tren
  • Penghapusan lonjakan dan penurunan
  • Batas atas dan bawah perkiraan
 Rendah.
Mendukung kovariat Ya, saat menggunakan model ARIMA_PLUS_XREG. Ya, saat menggunakan model TimesFM 3.0 (Pratinjau).
Keterjelasan Tinggi. Anda dapat menggunakan fungsi ML.EXPLAIN_FORECAST untuk memeriksa komponen model. Rendah.
Evaluasi model Gunakan fungsi ML.ARIMA_EVALUATE. Gunakan fungsi AI.EVALUATE.
Kasus penggunaan terbaik
  • Anda menginginkan kontrol penuh atas model, termasuk penyesuaian.
  • Anda memerlukan kemampuan penjelasan untuk output model.
  • Anda ingin melakukan perkiraan tanpa membuat model terlebih dahulu.
  • Anda menginginkan model dasar terlatih berperforma tinggi.

Analisis komponen

Untuk mendapatkan insight tentang data Anda dan meningkatkan kualitas perkiraan, gunakan analisis komponen deret waktu untuk menguraikan deret waktu Anda menjadi pola dasar yang mendasarinya. Fungsi berikut tersedia untuk analisis dan perkiraan komponen:

  • ML.SEASONALITY: mengekstrak komponen tren musiman dari deret waktu, yang merepresentasikan pola berulang selama periode waktu tetap seperti tahun, minggu, atau hari.
  • ML.TREND: mengekstrak komponen tren deret waktu, yang merepresentasikan lintasan terarah metrik dari waktu ke waktu dan mengabaikan fluktuasi atau derau jangka pendek.
  • ML.DETECT_CHANGE_POINTS: mengidentifikasi interval saat perilaku atau properti statistik data deret waktu telah berubah. Fungsi ini memberikan insight tentang perubahan struktural yang signifikan, bukan peristiwa sementara atau terisolasi.

Dengan menggunakan setelan default pernyataan dan fungsi BigQuery ML, Anda dapat membuat dan menggunakan model perkiraan meskipun tanpa banyak pengetahuan ML. Namun, memiliki pengetahuan dasar tentang pengembangan ML, dan model perkiraan khususnya, membantu Anda mengoptimalkan data dan model untuk memberikan hasil yang lebih baik. Sebaiknya gunakan referensi berikut untuk mengembangkan pemahaman tentang teknik dan proses ML: