Panoramica della previsione

La previsione è una tecnica che prevede l'analisi dei dati storici per fare una previsione informata sulle tendenze future. Ad esempio, potresti analizzare i dati di vendita storici di diverse sedi di negozi per prevedere le vendite future in queste sedi. In BigQuery ML, esegui la previsione sui dati delle serie temporali.

Puoi eseguire la previsione nei seguenti modi:

  • Utilizzando la AI.FORECAST funzione con il modello TimesFM integrato. Utilizza questo approccio quando devi prevedere i valori futuri di una singola variabile. Questo approccio non richiede la creazione e la gestione di un modello.
  • Utilizzando la ML.FORECAST funzione con il ARIMA_PLUS modello. Utilizza questo approccio quando devi eseguire una pipeline di modellazione basata su ARIMA e scomporre 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 di più variabili. Questo approccio richiede la creazione e la gestione di un modello.

Oltre alla previsione, puoi utilizzare ARIMA_PLUS e ARIMA_PLUS_XREG modelli 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 varietà di altri algoritmi per i componenti non di tendenza. Per saperne di più, vedi Pipeline di modellazione di serie temporali e pubblicazione di seguito. Modello di base basato su Transformer. Per saperne di più, consulta le pubblicazioni nella riga successiva.
Publication 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
Addestramento obbligatorio Sì, viene addestrato un modello ARIMA_PLUS o ARIMA_PLUS_XREG per ogni serie temporale. No, il modello TimesFM è preaddestrato.
Facilità di utilizzo di SQL Alta. Richiede un'istruzione CREATE MODEL e una chiamata di funzione. Molto alta. 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 saperne di più, consulta le pubblicazioni elencate in una riga precedente. Molto alta. Per saperne di più, consulta le pubblicazioni elencate in una riga precedente.
Personalizzazione Alta. L' CREATE MODEListruzione offre argomenti che consentono di ottimizzare molte impostazioni del modello, ad esempio le seguenti:
  • Stagionalità
  • Effetti delle festività
  • Modifiche ai passaggi
  • Trend
  • Rimozione di picchi e cali
  • Limiti superiore e inferiore della previsione
 Bassa.
Supporta le covariate Sì, quando si utilizza il ARIMA_PLUS_XREG modello. No.
Spiegabilità Alta. Puoi utilizzare la ML.EXPLAIN_FORECAST funzione per esaminare i componenti del modello. Bassa.
Valutazione del modello Utilizza la ML.ARIMA_EVALUATE funzione. Utilizza la AI.EVALUATE funzione.
Principali casi d'uso
  • Vuoi il controllo completo del modello, inclusa la personalizzazione.
  • Hai bisogno della spiegabilità per l'output del modello.
  • Vuoi una configurazione minima: eseguire la previsione senza prima creare un modello.

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 sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di ML: