Panoramica delle previsioni

La previsione è una tecnica in cui vengono analizzati i dati storici per fare una previsione informata sulle tendenze future. Ad esempio, potresti analizzare i dati storici sulle vendite di diverse sedi di negozi per prevedere le vendite future in quelle sedi. In BigQuery ML, esegui la previsione sui dati delle serie temporali.

Puoi eseguire le previsioni nei seguenti modi:

  • Utilizzando la funzione AI.FORECAST con il modello TimesFM integrato. Utilizza questo approccio quando devi prevedere i valori futuri per una o più variabili. Questo approccio non richiede la creazione e la gestione di un modello.
  • Utilizzando la funzioneML.FORECAST con il modelloARIMA_PLUS. Utilizza questo approccio quando devi eseguire una pipeline di modellazione basata su ARIMA e decomporre la serie temporale in più componenti per spiegare i risultati. Questo approccio richiede la creazione e la gestione di un modello.
  • Utilizzando la ML.FORECAST funzione con il ARIMA_PLUS_XREG modello. Utilizza questo approccio quando devi prevedere i valori futuri per più variabili. Questo approccio richiede la creazione e la gestione di un modello.

Oltre alla previsione, puoi utilizzare i modelli ARIMA_PLUS, ARIMA_PLUS_XREG e TimesFM per il rilevamento di anomalie. Per saperne di più, consulta i seguenti documenti:

Confrontare i modelli ARIMA_PLUS e il modello TimesFM

Utilizza la tabella seguente per determinare se utilizzare il modello TimesFM, ARIMA_PLUS o ARIMA_PLUS_XREG per il tuo caso d'uso:

Tipo di modello ARIMA_PLUS e ARIMA_PLUS_XREG TimesFM
Dettagli modello Modello statistico che utilizza l'algoritmo ARIMA per il componente di tendenza e una serie di altri algoritmi per i componenti non di tendenza. Per saperne di più, consulta Pipeline di modellazione delle serie temporali e la pubblicazione nella riga successiva. Modello di base basato su Transformer. Per saperne di più, consulta le pubblicazioni nella riga successiva.
Publication ARIMA_PLUS: previsione di serie temporali e rilevamento di anomalie nel database su larga scala, accurati, automatici e interpretabili in BigQuery
Addestramento obbligatorio Sì, viene addestrato un modello ARIMA_PLUS o ARIMA_PLUS_XREG per ogni serie temporale. No, il modello TimesFM è preaddestrato.
Facilità d'uso di SQL Alta. Richiede un'istruzione CREATE MODEL e una chiamata di funzione. Molto alto. Richiede una singola chiamata di funzione.
Cronologia dei dati utilizzata Utilizza tutti i punti temporali nei dati di addestramento, ma può essere personalizzato per utilizzare meno punti temporali. Può essere personalizzato utilizzando il parametro context_window della funzione AI.FORECAST.
Accuratezza Molto alta. Per ulteriori informazioni, consulta le pubblicazioni elencate in una riga precedente. Molto alto. Per ulteriori informazioni, consulta le pubblicazioni elencate in una riga precedente.
Personalizzazione Alta. L'istruzione CREATE MODEL offre argomenti che consentono di ottimizzare molte impostazioni del modello, ad esempio le seguenti:
  • Stagionalità
  • Effetti festività
  • Modifiche ai passaggi
  • Trend
  • Rimozione di picchi e cali
  • Previsione dei limiti superiore e inferiore
 Basso.
Supporta le covariate Sì, quando utilizzi il modello ARIMA_PLUS_XREG. Sì, quando utilizzi il modello TimesFM 3.0 (anteprima).
Spiegabilità Alta. Puoi utilizzare la funzione ML.EXPLAIN_FORECAST per esaminare i componenti del modello. Basso.
Valutazione del modello Utilizza la ML.ARIMA_EVALUATE funzione. Utilizza la AI.EVALUATE funzione.
Migliori casi d'uso
  • Vuoi il controllo completo del modello, inclusa la personalizzazione.
  • Hai bisogno della spiegabilità per l'output del modello.
  • Vuoi eseguire la previsione senza prima creare un modello.
  • Vuoi un modello di base preaddestrato ad alte prestazioni.

Analisi dei componenti

Per ottenere informazioni sui tuoi dati e migliorare le previsioni, utilizza l'analisi dei componenti delle serie temporali per scomporre le serie temporali in pattern sottostanti fondamentali. Per l'analisi e la previsione dei componenti sono disponibili le seguenti funzioni:

  • ML.SEASONALITY: estrae il componente di stagionalità di una serie temporale, che rappresenta i pattern ripetuti in periodi di tempo fissi come anni, settimane o giorni.
  • ML.TREND: estrae il componente di tendenza di una serie temporale, che rappresenta la traiettoria direzionale di una metrica nel tempo e ignora le fluttuazioni o il rumore a breve termine.
  • ML.DETECT_CHANGE_POINTS: identifica gli intervalli in cui il comportamento statistico o le proprietà dei dati delle serie temporali sono cambiati. Questa funzione fornisce informazioni su interruzioni strutturali significative, anziché su eventi transitori o isolati.

Utilizzando le impostazioni predefinite delle istruzioni e delle funzioni di BigQuery ML, puoi creare e utilizzare un modello di previsione anche senza molte conoscenze di ML. Tuttavia, avere una conoscenza di base dello sviluppo di ML e, in particolare, dei modelli di previsione ti aiuta a ottimizzare sia i dati che il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di ML: