Présentation des prévisions

La prévision est une technique qui vous permet d'analyser les données historiques afin de réaliser une prédiction avisée sur les tendances futures. Par exemple, vous pouvez analyser l'historique des ventes de plusieurs magasins afin de prédire les ventes futures dans ces emplacements. Dans BigQuery ML, vous effectuez des prévisions sur des données de séries temporelles.

Vous pouvez effectuer des prévisions de différentes manières :

  • À l'aide de la AI.FORECAST fonction avec le modèle TimesFM intégré. Utilisez cette approche lorsque vous devez prévoir les valeurs futures d'une seule variable. Cette approche ne nécessite pas de créer ni de gérer un modèle.
  • À l'aide de la ML.FORECAST fonction avec le ARIMA_PLUS modèle. Utilisez cette approche lorsque vous devez exécuter un pipeline de modélisation basé sur ARIMA et décomposer la série temporelle en plusieurs composants afin d'expliquer les résultats. Cette approche nécessite de créer et de gérer un modèle.
  • À l'aide de la ML.FORECAST fonction avec le ARIMA_PLUS_XREG modèle. Utilisez cette approche lorsque vous devez prévoir les valeurs futures de plusieurs variables. Cette approche nécessite de créer et de gérer un modèle.

En plus des prévisions, vous pouvez utiliser ARIMA_PLUS et ARIMA_PLUS_XREG modèles pour la détection d'anomalies. Pour en savoir plus, consultez les documents suivants :

Comparer les modèles ARIMA_PLUS et le modèle TimesFM

Utilisez le tableau suivant pour déterminer si vous devez utiliser le modèle TimesFM, ARIMA_PLUS ou ARIMA_PLUS_XREG pour votre cas d'utilisation :

Type de modèle ARIMA_PLUS et ARIMA_PLUS_XREG TimesFM
Informations sur le modèle Modèle statistique qui utilise l'algorithme ARIMA pour le composant de tendance et divers autres algorithmes pour les composants sans tendance. Pour en savoir plus, consultez la section Pipeline de modélisation de séries temporelles et la publication ci-dessous. Modèle de fondation basé sur un transformateur. Pour en savoir plus, consultez les publications de la ligne suivante.
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
Entraînement requis Oui, un ARIMA_PLUS ou ARIMA_PLUS_XREG modèle est entraîné pour chaque série temporelle. Non, le modèle TimesFM est pré-entraîné.
Facilité d'utilisation de SQL Élevée. Nécessite une instruction CREATE MODEL et un appel de fonction. Très élevée. Nécessite un seul appel de fonction.
Historique des données utilisé Utilise tous les points temporels des données d'entraînement, mais peut être personnalisé pour utiliser moins de points temporels. Peut être personnalisé à l'aide du paramètre context_window de la fonction AI.FORECAST.
Précision Très élevée. Pour en savoir plus, consultez les publications listées dans une ligne précédente. Très élevée. Pour en savoir plus, consultez les publications listées dans une ligne précédente.
Personnalisation Élevée. L' CREATE MODEL instruction propose des arguments qui vous permettent d'ajuster de nombreux paramètres de modèle, tels que les suivants :
  • Saisonnalité
  • Effets saisonniers
  • Modifications graduelles
  • Tendance
  • Suppression des pics et des creux
  • Limites supérieure et inférieure prévues
 Faible.
Compatible avec les covariables Oui, lorsque vous utilisez le ARIMA_PLUS_XREG modèle. Non.
Explicabilité Élevée. Vous pouvez utiliser la ML.EXPLAIN_FORECAST fonction pour inspecter les composants du modèle. Faible.
Évaluation du modèle Utilisez la ML.ARIMA_EVALUATE fonction. Utilisez la AI.EVALUATE fonction.
Meilleurs cas d'utilisation :
  • Vous souhaitez exercer un contrôle complet sur le modèle, y compris la personnalisation.
  • Vous avez besoin d'explicabilité pour la sortie du modèle.
  • Vous souhaitez une configuration minimale : effectuer des prévisions sans créer de modèle au préalable.

En utilisant les paramètres par défaut des instructions et des fonctions de BigQuery ML, vous pouvez créer et utiliser un modèle de prévision même sans grandes connaissances en ML. Toutefois, des connaissances de base sur le développement de ML, et en particulier sur les modèles de prévision, vous aident à optimiser vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML :