預測總覽

預測指的是分析歷來資料，然後據以預測未來趨勢的技術。舉例來說，您可以分析多個門市的銷售資料，以便預測這些門市未來的銷售業績。在 BigQuery ML 執行預測作業時，是以時間序列資料為依據。

您可以透過下列方式進行預測：

  • 使用內建的 TimesFM 模型搭配 AI.FORECAST 函式。如要預測單一或多個變數的未來值，請使用這個方法。這種做法不需要建立及管理模型。
  • 使用 ARIMA_PLUS 模型搭配 ML.FORECAST 函式。如需執行以 ARIMA 為基礎的模型建立管道，並將時間序列分解為多個元件來解釋結果，請使用這種方法。這種做法需要您建立及管理模型。
  • 使用 ML.FORECAST 函式和 ARIMA_PLUS_XREG 模型。如要預測多個變數的未來值，請使用這種方法。這種做法需要您建立及管理模型。

除了預測之外，您也可以使用 ARIMA_PLUS、ARIMA_PLUS_XREG 和 TimesFM 模型偵測異常狀況。詳情請參閱下列文件：

比較 ARIMA_PLUS 模型和 TimesFM 模型

請參閱下表，根據您的用途決定要使用 TimesFM、ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型：

模型類型 ARIMA_PLUS 和 ARIMA_PLUS_XREG TimesFM
模型詳細資料 統計模型，趨勢元件使用 ARIMA 演算法，非趨勢元件則使用各種其他演算法。詳情請參閱「時間序列模型化管道」和下一列的出版品。 以 Transformer 為基礎的基礎模型。詳情請參閱下一列的出版品。
Publication ARIMA_PLUS：在 BigQuery 中進行大規模、準確、自動且可解讀的資料庫內時間序列預測和異常偵測
需要訓練 是，系統會為每個時間序列訓練一個 ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型。 否，TimesFM 模型是預先訓練的模型。
SQL 使用便利性 高。需要 CREATE MODEL 陳述式和函式呼叫。 非常高。需要單一函式呼叫。
使用的資料記錄 使用訓練資料中的所有時間點，但可自訂為使用較少時間點。 可以使用 AI.FORECAST 函式的 context_window 參數進行自訂。
準確率 非常高。詳情請參閱前一列列出的出版品。 非常高。詳情請參閱前一列列出的出版品。
自訂 高。CREATE MODEL 陳述式提供引數，可供您調整許多模型設定，例如：
  • 季節性
  • 節慶效果
  • 步驟變更
  • 趨勢
  • 移除尖峰和低谷
  • 預測上下限
 低。
支援共變數 可以，但僅限使用 ARIMA_PLUS_XREG 模型。 是，使用 TimesFM 3.0 模型 (預覽版) 時可以。
可解釋性 高。您可以使用 ML.EXPLAIN_FORECAST 函式檢查模型元件。 低。
模型評估 使用 ML.ARIMA_EVALUATE 函式。 使用 AI.EVALUATE 函式。
最佳用途
  • 您希望完全掌控模型，包括自訂模型。
  • 您需要模型輸出內容的可解釋性。
  • 您想執行預測，但不想先建立模型。
  • 您想要使用預先訓練的高效能基礎模型。

元件分析

如要深入瞭解資料並提升預測準確度，請使用時間序列成分分析，將時間序列分解為基本基礎模式。下列函式可用於元件分析和預測：

  • ML.SEASONALITY： 擷取時間序列的季節性成分，代表固定時間週期 (例如年、週或天) 的重複模式。
  • ML.TREND： 從時間序列中擷取趨勢元件，代表指標隨時間變化的方向性軌跡，並忽略短期波動或雜訊。
  • ML.DETECT_CHANGE_POINTS：識別時間序列資料的統計行為或屬性發生變化的間隔。這項功能可深入瞭解重大結構性中斷，而非暫時或孤立的事件。

即使沒有太多機器學習知識，您也可以使用 BigQuery ML 陳述式和函式的預設設定，建立及使用預測模型。不過，如果具備機器學習開發作業的基本知識，尤其是預測模型，有助於您同時調整資料和模型，進而獲得更出色的結果。建議您使用下列資源，熟悉機器學習技術和程序：