Descripción general de las previsiones

La previsión es una técnica que consiste en analizar el historial de datos para hacer una predicción fundamentada sobre las tendencias futuras. Por ejemplo, puedes analizar el historial de datos de ventas de varias tiendas para predecir las ventas futuras en esas ubicaciones. En BigQuery ML, las previsiones se realizan con datos de series temporales.

Puedes hacer previsiones de las siguientes formas:

  • Usando la AI.FORECAST función con el modelo TimesFM integrado. Usa este método cuando necesites predecir valores futuros de una sola variable. Con este método no es necesario crear ni gestionar un modelo.
  • Usando la función ML.FORECAST con el modelo ARIMA_PLUS. Usa este método cuando necesites ejecutar un flujo de procesamiento de modelos basado en ARIMA y desglosar la serie temporal en varios componentes para explicar los resultados. Con este enfoque, debe crear y gestionar un modelo.
  • Usando la función ML.FORECAST con el modelo ARIMA_PLUS_XREG. Usa este método cuando necesites predecir los valores futuros de varias variables. Con este enfoque, debe crear y gestionar un modelo.

Además de hacer previsiones, puede usar los modelos ARIMA_PLUS y ARIMA_PLUS_XREG para detectar anomalías. Para obtener más información, consulta los siguientes documentos:

Comparar modelos ARIMA_PLUS y el modelo TimesFM

Usa la siguiente tabla para determinar si debes usar el modelo TimesFM, ARIMA_PLUS o ARIMA_PLUS_XREG en tu caso práctico:

Tipo de modelo ARIMA_PLUS y ARIMA_PLUS_XREG TimesFM
Detalles del modelo Modelo estadístico que usa el algoritmo ARIMA para el componente de tendencia y otros algoritmos para los componentes que no son de tendencia. Para obtener más información, consulta las secciones sobre la pipeline de modelado de series temporales y la publicación que se muestran más abajo. Modelo base basado en transformadores. Para obtener más información, consulta las publicaciones de la siguiente fila.
Publicación ARIMA_PLUS: previsión de series temporales y detección de anomalías a gran escala, precisas, automáticas e interpretables en bases de datos de Google BigQuery Un modelo fundacional basado únicamente en un decodificador para la previsión de series temporales
Debe entrenarse Sí, se entrena un modelo ARIMA_PLUS o ARIMA_PLUS_XREG para cada serie temporal. No, el modelo TimesFM está entrenado previamente.
Facilidad de uso de SQL Alto. Requiere una instrucción CREATE MODEL y una llamada de función. Muy alta. Requiere una sola llamada a una función.
Historial de datos usado Usa todos los puntos temporales de los datos de entrenamiento, pero se puede personalizar para usar menos puntos temporales. Usa 512 puntos temporales.
Precisión Muy alta. Para obtener más información, consulta las publicaciones que se indican en una fila anterior. Muy alta. Para obtener más información, consulta las publicaciones que se indican en una fila anterior.
Personalización Alto. La instrucción CREATE MODEL ofrece argumentos que te permiten ajustar muchos parámetros del modelo, como los siguientes:
  • Estacionalidad
  • Efectos festivos
  • Cambios de paso
  • Tendencia
  • Eliminación de picos y valles
  • Límites superiores e inferiores de las previsiones
 Bajo.
Admite covariables Sí, cuando se usa el modelo ARIMA_PLUS_XREG. No.
Explicabilidad Alto. Puedes usar la función ML.EXPLAIN_FORECAST para inspeccionar los componentes del modelo. Bajo.
Casos prácticos recomendados
  • Quieres tener un control total del modelo, incluida la personalización.
  • Necesitas explicaciones sobre los resultados del modelo.
  • Quieres una configuración mínima para hacer previsiones sin crear un modelo primero.

Si usas la configuración predeterminada de las instrucciones y funciones de BigQuery ML, puedes crear y usar un modelo de previsión aunque no tengas muchos conocimientos sobre aprendizaje automático. Sin embargo, tener conocimientos básicos sobre el desarrollo de aprendizaje automático y, en concreto, sobre los modelos de previsión, te ayudará a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que utilices los siguientes recursos para familiarizarte con las técnicas y los procesos de aprendizaje automático: