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 :

  • En utilisant la fonction AI.FORECAST 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.
  • Utiliser la fonction ML.FORECAST avec le modèle ARIMA_PLUS. 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.
  • En utilisant la fonction ML.FORECAST avec le modèle ARIMA_PLUS_XREG. 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 les modèles ARIMA_PLUS et ARIMA_PLUS_XREG pour détecter les 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 non liés à la tendance. Pour en savoir plus, consultez la page Pipeline de modélisation de séries temporelles et la publication ci-dessous. Modèle de fondation basé sur les Transformers. Pour en savoir plus, consultez les publications de la ligne suivante.
Publication ARIMA_PLUS : prévisions de séries temporelles et détection d'anomalies à grande échelle, précises, automatiques et interprétables dans Google BigQuery Un modèle de fondation basé uniquement sur le décodeur pour la prévision de séries temporelles
Entraînement requis Oui, un modèle ARIMA_PLUS ou ARIMA_PLUS_XREG 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 élevé. 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 élevé. Pour en savoir plus, consultez les publications listées dans une ligne précédente. Très élevé. Pour en savoir plus, consultez les publications listées dans une ligne précédente.
Personnalisation Élevée. L'instruction CREATE MODEL propose des arguments qui vous permettent d'ajuster de nombreux paramètres du modèle, tels que les suivants :
  • Saisonnalité
  • Effets saisonniers
  • Modifications graduelles
  • Tendance
  • Suppression des pics et des creux
  • Limites supérieure et inférieure des prévisions
 Faible.
Compatible avec les covariables Oui, lorsque vous utilisez le modèle ARIMA_PLUS_XREG. Non.
Explicabilité Élevée. Vous pouvez utiliser la fonction ML.EXPLAIN_FORECAST pour inspecter les composants du modèle. Faible.
Évaluation du modèle Utilisez la fonction ML.ARIMA_EVALUATE. Utilisez la fonction AI.EVALUATE.
Meilleurs cas d'utilisation
  • Vous souhaitez contrôler entièrement le modèle, y compris le personnaliser.
  • Vous avez besoin d'explicabilité pour la sortie du modèle.
  • Vous souhaitez une configuration minimale, c'est-à-dire effectuer des prévisions sans créer de modèle au préalable.

Analyse des composants

Pour obtenir des insights sur vos données et améliorer les prévisions, utilisez l'analyse des composants de séries temporelles afin de décomposer vos séries temporelles en tendances sous-jacentes fondamentales. Les fonctions suivantes sont disponibles pour l'analyse et la prévision des composants :

  • ML.SEASONALITY : extrait le composant de saisonnalité d'une série temporelle, qui représente les tendances répétitives sur des périodes fixes telles que les années, les semaines ou les jours.
  • ML.TREND : extrait la composante de tendance d'une série temporelle, qui représente la trajectoire directionnelle d'une métrique au fil du temps et ignore les fluctuations ou le bruit à court terme.
  • ML.DETECT_CHANGE_POINTS : identifie les intervalles où le comportement ou les propriétés statistiques des données de série temporelle ont changé. Cette fonction fournit des informations sur les ruptures structurelles importantes, plutôt que sur les événements transitoires ou isolés.

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 du ML et les modèles de prévision en particulier vous aideront 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 :