Descripción general de la previsión

La previsión es una técnica en la que se analizan datos históricos para realizar una predicción fundamentada sobre tendencias futuras. Por ejemplo, podría analizar los datos históricos de ventas de varias ubicaciones de tiendas para predecir las ventas futuras en esas ubicaciones. En BigQuery ML, realizas previsiones de datos de series temporales.

Puedes realizar previsiones de las siguientes maneras:

  • Usar la función AI.FORECAST con el modelo TimesFM integrado Usa este enfoque cuando necesites predecir valores futuros para una sola variable y no requieras la capacidad de ajustar el modelo. Este enfoque no requiere que crees y administres un modelo.
  • Usar la función ML.FORECAST con el modelo ARIMA_PLUS Usa este enfoque cuando necesites ejecutar una canalización de modelado basada en ARIMA y descompón la serie temporal en varios componentes para explicar los resultados. Este enfoque requiere que crees y administres un modelo.
  • Usando la función ML.FORECAST con el modelo ARIMA_PLUS_XREG Usa este enfoque cuando necesites predecir valores futuros para varias variables. Este enfoque requiere que crees y administres un modelo.

Los modelos de series temporales ARIMA_PLUS y ARIMA_PLUS_XREG no son modelos únicos, sino una canalización de modelado de series temporales que incluye varios modelos y algoritmos. Para obtener más información, consulta Canalización de modelado de series temporales.

Además de la previsión, puedes usar los modelos ARIMA_PLUS y ARIMA_PLUS_XREG para la detección de anomalías. Para obtener más información, consulta los siguientes documentos:

Comparación de los modelos TimesFM y ARIMA

Usa la siguiente tabla para determinar si debes usar AI.FORECAST con el modelo integrado TimesFM o ML.FORECAST con un modelo ARIMA_PLUS o ARIMA_PLUS_XREG para tu caso de uso:

Función AI.FORECAST con un modelo de TimesFM ML.FORECAST con un modelo ARIMA_PLUS o ARIMA_PLUS_XREG
Tipo de modelo Modelo de base basado en Transformer. Es un modelo estadístico que usa el algoritmo ARIMA para el componente de tendencia y una variedad de otros algoritmos para los componentes que no son de tendencia. Para obtener más información, consulta Canalización de modelado de series temporales.
Se requiere entrenamiento No, el modelo TimesFM está previamente entrenado. Sí, se entrena un modelo ARIMA_PLUS o ARIMA_PLUS_XREG para cada serie temporal.
Facilidad de uso de SQL Muy alta. Requiere una sola llamada a función. Alto. Requiere una sentencia CREATE MODEL y una llamada a función.
Historial de datos utilizado Usa 512 puntos temporales. Utiliza todos los puntos temporales de los datos de entrenamiento, pero se puede personalizar para usar menos puntos temporales.
Exactitud Muy alta. Supera el rendimiento de otros modelos. Para obtener más información, consulta A Decoder-only Foundation Model for Time-series Forecasting (Un modelo de base solo para decodificador para la previsión de series temporales). Es muy alta y está a la par del modelo de TimesFM.
Personalización Baja. Alto. La instrucción CREATE MODEL ofrece argumentos que te permiten ajustar muchos parámetros de configuración del modelo, como los siguientes:
  • Estacionalidad
  • Efectos de días feriados
  • Cambios en los pasos
  • Tendencia
  • Eliminación de aumentos y descensos
  • Previsión de límites inferior y superior
Admite covariables No. Sí, cuando se usa el modelo ARIMA_PLUS_XREG
Explicabilidad Baja. Alto. Puedes usar la función ML.EXPLAIN_FORECAST para inspeccionar los componentes del modelo.
Mejores casos de uso
  • Previsiones rápidas
  • Requieren una configuración mínima
  • El modelo necesita un ajuste
  • Necesitas explicabilidad para el resultado del modelo
  • La entrada del modelo necesita más contexto

Si usas la configuración predeterminada de las sentencias y funciones de BigQuery ML, puedes crear y usar un modelo de previsión incluso sin tener muchos conocimientos de AA. Sin embargo, tener conocimientos básicos sobre el desarrollo de AA y los modelos de previsión en particular te ayuda a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que uses los siguientes recursos para familiarizarte con las técnicas y los procesos de AA: