Übersicht über Prognosen

Bei der Prognose werden Verlaufsdaten analysiert, um fundierte Vorhersagen über zukünftige Trends zu treffen. Sie können beispielsweise Verlaufsdaten aus mehreren Geschäften analysieren, um zukünftige Umsätze an diesen Standorten vorherzusagen. In BigQuery ML können Sie Prognosen für Zeitreihen daten erstellen.

Sie haben folgende Möglichkeiten, Prognosen zu erstellen:

  • Verwenden Sie die AI.FORECAST Funktion mit dem integrierten TimesFM-Modell. Verwenden Sie diesen Ansatz, wenn Sie zukünftige Werte für eine einzelne Variable vorhersagen müssen. Bei diesem Ansatz müssen Sie kein Modell erstellen und verwalten.
  • Verwenden Sie die ML.FORECAST Funktion mit dem ARIMA_PLUS Modell. Verwenden Sie diesen Ansatz, wenn Sie eine ARIMA-basierte Modellierungspipeline ausführen und die Zeitreihe in mehrere Komponenten zerlegen müssen, um die Ergebnisse zu erklären. Bei diesem Ansatz müssen Sie ein Modell erstellen und verwalten.
  • Verwenden Sie die ML.FORECAST Funktion mit dem ARIMA_PLUS_XREG Modell. Verwenden Sie diesen Ansatz, wenn Sie zukünftige Werte für mehrere Variablen vorhersagen müssen. Bei diesem Ansatz müssen Sie ein Modell erstellen und verwalten.

Neben Prognosen können Sie ARIMA_PLUS und ARIMA_PLUS_XREG Modelle auch für die Anomalieerkennung verwenden. Weitere Informationen finden Sie in den folgenden Dokumenten:

ARIMA_PLUS-Modelle und das TimesFM-Modell vergleichen

Anhand der folgenden Tabelle können Sie feststellen, ob Sie für Ihren Anwendungsfall das TimesFM-, ARIMA_PLUS- oder ARIMA_PLUS_XREG-Modell verwenden sollten:

Modelltyp ARIMA_PLUS und ARIMA_PLUS_XREG TimesFM
Modelldetails Statistisches Modell, das den ARIMA Algorithmus für die Trendkomponente und eine Vielzahl anderer Algorithmen für nicht trendbezogene Komponenten verwendet. Weitere Informationen finden Sie unter Zeitreihenmodellierungspipeline und in der Veröffentlichung unten. Transformer-basiertes Foundation Model. Weitere Informationen finden Sie in den Veröffentlichungen in der nächsten Zeile.
Veröffentlichung 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
Training erforderlich Ja, für jede Zeitreihe wird ein ARIMA_PLUS- oder ARIMA_PLUS_XREG -Modell trainiert. Nein, das TimesFM-Modell ist vortrainiert.
Nutzerfreundlichkeit von SQL Hoch. Erfordert eine CREATE MODEL Anweisung und einen Funktionsaufruf. Sehr hoch. Erfordert einen einzelnen Funktionsaufruf.
Verwendeter Datenverlauf Verwendet alle Zeitpunkte in den Trainingsdaten, kann aber so angepasst werden, dass weniger Zeitpunkte verwendet werden. Kann mit dem Parameter context_window der Funktion AI.FORECAST angepasst werden.
Genauigkeit Sehr hoch. Weitere Informationen finden Sie in den Veröffentlichungen in einer vorherigen Zeile. Sehr hoch. Weitere Informationen finden Sie in den Veröffentlichungen in einer vorherigen Zeile.
Anpassung Hoch. Die CREATE MODEL Anweisung bietet Argumente, mit denen Sie viele Modelleinstellungen anpassen können, z. B.:
  • Saisonalität
  • Feiertagseffekte
  • Schrittänderungen
  • Trend
  • Entfernung von Spitzen und Tiefs
  • Prognostizierte Ober- und Untergrenzen
 Niedrig.
Unterstützt Kovariaten Ja, wenn das ARIMA_PLUS_XREG Modell verwendet wird. Nein.
Erklärbarkeit Hoch. Mit der ML.EXPLAIN_FORECAST Funktion können Sie Modellkomponenten untersuchen. Niedrig.
Modellbewertung Verwenden Sie die ML.ARIMA_EVALUATE Funktion. Verwenden Sie die AI.EVALUATE Funktion.
Ideale Anwendungsfälle:
  • Sie möchten die volle Kontrolle über das Modell, einschließlich der Anpassung.
  • Sie benötigen Erklärbarkeit für die Modellausgabe.
  • Sie möchten eine minimale Einrichtung – Prognosen ohne vorheriges Erstellen eines Modells.

Komponentenanalyse

Um Einblicke in Ihre Daten zu erhalten und Prognosen zu verbessern, können Sie die Zeitreihenkomponentenanalyse verwenden, um Ihre Zeitreihe in grundlegende zugrunde liegende Muster zu zerlegen. Die folgenden Funktionen sind für die Komponentenanalyse und Prognose verfügbar:

  • ML.SEASONALITY: extrahiert die Saisonalitätskomponente einer Zeitreihe, die sich wiederholende Muster über feste Zeiträume wie Jahre, Wochen oder Tage darstellt.
  • ML.TREND: extrahiert die Trendkomponente einer Zeitreihe, die den Richtungsverlauf eines Messwerts im Zeitverlauf darstellt und kurzfristige Schwankungen oder Rauschen ignoriert.

Mit den Standardeinstellungen der Anweisungen und Funktionen von BigQuery ML können Sie auch ohne viel ML-Wissen ein Prognosemodell erstellen und verwenden. Grundlegende Kenntnisse über die ML-Entwicklung und insbesondere über Prognosemodelle helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen Ihnen, sich mit den folgenden Ressourcen mit ML-Techniken und -Prozessen vertraut zu machen: