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 oder mehrere Variablen prognostizieren müssen. Bei diesem Ansatz müssen Sie kein Modell erstellen und verwalten.
  • Mithilfe der Funktion ML.FORECAST mit dem ARIMA_PLUS-Modell. 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.
  • Mit der Funktion ML.FORECAST und dem ARIMA_PLUS_XREG-Modell. 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 die Modelle ARIMA_PLUS, ARIMA_PLUS_XREG und TimesFM 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, bei dem der ARIMA-Algorithmus für die Trendkomponente und eine Vielzahl anderer Algorithmen für Nicht-Trendkomponenten verwendet werden. Weitere Informationen finden Sie unter Zeitreihenmodellierungspipeline und in der Publikation in der nächsten Zeile. 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 BigQuery
Training erforderlich Ja, für jede Zeitreihe wird ein ARIMA_PLUS- oder ARIMA_PLUS_XREG-Modell trainiert. Nein, das TimesFM-Modell ist vortrainiert.
SQL-Nutzerfreundlichkeit 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 Funktion AI.FORECAST angepasst werden.
Genauigkeit Sehr hoch. Weitere Informationen finden Sie in den Publikationen in einer vorherigen Zeile. Sehr hoch. Weitere Informationen finden Sie in den Publikationen in einer vorherigen Zeile.
Anpassung Hoch Mit der CREATE MODEL-Anweisung können Sie viele Modelleinstellungen anpassen, z. B.:
  • Saisonalität
  • Feiertagseffekte
  • Schrittänderungen
  • Trend
  • Spitzen und Einbrüche entfernen
  • Obergrenze und Untergrenze der Prognose
 Niedrig.
Unterstützt Kovariaten Ja, wenn Sie das ARIMA_PLUS_XREG-Modell verwenden. Ja, wenn Sie das Modell TimesFM 3.0 (Vorschau) verwenden.
Erklärbarkeit Hoch Mit der Funktion ML.EXPLAIN_FORECAST 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 Prognosen erstellen, ohne zuerst ein Modell zu erstellen.
  • Sie möchten ein leistungsstarkes, vortrainiertes Foundation Model.

Komponentenanalyse

Um Ihre Daten besser zu verstehen und Prognosen zu verbessern, können Sie die Zeitreihenkomponentenanalyse verwenden, um Ihre Zeitreihen in grundlegende zugrunde liegende Muster zu zerlegen. Die folgenden Funktionen sind für die Komponentenanalyse und ‑prognose verfügbar:

  • ML.SEASONALITY: Extrahiert die Komponente für die Saisonalität einer Zeitreihe, die sich wiederholende Muster über feste Zeiträume wie Jahre, Wochen oder Tage darstellt.
  • ML.TREND: Extrahiert die Trendkomponente einer Zeitreihe, die den Richtungsverlauf eines Messwerts im Zeitverlauf darstellt und kurzfristige Schwankungen oder Rauschen ignoriert.
  • ML.DETECT_CHANGE_POINTS: Identifiziert Intervalle, in denen sich das statistische Verhalten oder die Eigenschaften von Zeitreihendaten geändert haben. Diese Funktion bietet Einblicke in signifikante strukturelle Brüche und nicht in vorübergehende oder isolierte Ereignisse.

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: