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:

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

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

Compara los 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 para tu caso de uso:

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 una variedad de otros algoritmos para componentes que no son de tendencia. Para obtener más información, consulta la canalización de modelado de series temporales y la publicación a continuación. Modelo de base basado en Transformer. Para obtener más información, consulta las publicaciones en la siguiente fila.
Publicación 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
Se requiere entrenamiento Sí, se entrena un modelo ARIMA_PLUS o ARIMA_PLUS_XREG para cada serie temporal. No, el modelo TimesFM está previamente entrenado.
Facilidad de uso de SQL Alta. Requiere una sentencia CREATE MODEL y una llamada a función. Muy alta. Requiere una sola llamada a función.
Historial de datos usado Usa todos los puntos temporales en los datos de entrenamiento, pero se puede personalizar para usar menos puntos temporales. Se puede personalizar con el parámetro context_window de la AI.FORECAST función.
Exactitud Muy alta. Para obtener más información, consulta las publicaciones que se enumeran en una fila anterior. Muy alta. Para obtener más información, consulta las publicaciones que se enumeran en una fila anterior.
Personalización Alta. La CREATE MODEL sentencia ofrece argumentos que te permiten ajustar muchas configuraciones del modelo, como las siguientes:
  • Estacionalidad
  • Efectos de días feriados
  • Cambios en los pasos
  • Tendencia
  • Eliminación de picos y caídas
  • Previsión de límites superior e inferior
 Baja.
Admite covariables Sí, cuando se usa el el modelo.ARIMA_PLUS_XREG No.
Explicabilidad Alta. Puedes usar la ML.EXPLAIN_FORECAST función para inspeccionar los componentes del modelo. Baja.
Evaluación del modelo Usa la ML.ARIMA_EVALUATE función. Usa la AI.EVALUATE función.
Mejores casos de uso:
  • Quieres tener el control total del modelo, incluida la personalización.
  • Necesitas explicabilidad para el resultado del modelo.
  • Quieres una configuración mínima: hacer una previsión sin crear un modelo primero.

Análisis de componentes

Para obtener estadísticas sobre tus datos y mejorar la previsión, usa el análisis de componentes de series temporales para descomponer tu serie temporal en patrones subyacentes fundamentales. Las siguientes funciones están disponibles para el análisis de componentes y la previsión:

  • ML.SEASONALITY: Extrae el componente de estacionalidad de una serie temporal, que representa patrones repetidos durante períodos fijos, como años, semanas o días.
  • ML.TREND: Extrae el componente de tendencia de una serie temporal, que representa la trayectoria direccional de una métrica a lo largo del tiempo y omite las fluctuaciones o el ruido a corto plazo.

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