סקירה כללית על תחזיות

תחזית היא טכניקה שבה מנתחים נתונים היסטוריים כדי להסיק תחזית מושכלת לגבי מגמות עתידיות. לדוגמה, אפשר לנתח נתוני מכירות היסטוריים מכמה מיקומים של חנויות כדי לחזות את המכירות העתידיות במיקומים האלה. ב-BigQuery ML, מבצעים תחזיות על נתוני סדרות זמן.

אפשר לבצע תחזיות בדרכים הבאות:

  • באמצעות הפונקציה AI.FORECAST עם המודל TimesFM המובנה. משתמשים בגישה הזו כשרוצים לחזות ערכים עתידיים של משתנה יחיד. בגישה הזו לא צריך ליצור ולנהל מודל.
  • באמצעות הפונקציה ML.FORECAST עם מודל ARIMA_PLUS. כדאי להשתמש בגישה הזו כשצריך להפעיל צינור מודלים שמבוסס על ARIMA ולפרק את סדרת הזמן לכמה רכיבים כדי להסביר את התוצאות. בגישה הזו צריך ליצור מודל ולנהל אותו.
  • באמצעות הפונקציה ML.FORECAST עם מודל ARIMA_PLUS_XREG. אפשר להשתמש בגישה הזו כשצריך לחזות ערכים עתידיים של כמה משתנים. בגישה הזו צריך ליצור מודל ולנהל אותו.

בנוסף לחיזוי, אפשר להשתמש במודלים ARIMA_PLUS ו-ARIMA_PLUS_XREG לזיהוי אנומליות. מידע נוסף זמין במסמכים הבאים:

השוואה בין ARIMA_PLUS מודלים לבין מודל TimesFM

הטבלה הבאה תעזור לכם להחליט אם להשתמש במודל TimesFM,‏ ARIMA_PLUS או ARIMA_PLUS_XREG לתרחיש השימוש שלכם:

סוג המודל ARIMA_PLUS וגם ARIMA_PLUS_XREG TimesFM
פרטי המודל מודל סטטיסטי שמשתמש באלגוריתם ARIMA לרכיב המגמה, ובמגוון אלגוריתמים אחרים לרכיבים שאינם מגמה. מידע נוסף מופיע בקטע צינור לעיבוד נתונים של מודלים של סדרות זמנים ופרסום בהמשך. מודל בסיס מבוסס-טרנספורמר. מידע נוסף זמין בפרסומים בשורה הבאה.
אתר חדשות ‫ARIMA_PLUS: Large-scale, Accurate, Automatic and Interpretable In-Database Time Series Forecasting and זיהוי אנומליות in Google BigQuery מודל בסיסי של מפענח בלבד לתחזיות של נתוני סדרות זמן
נדרש אימון כן, מאמנים מודל ARIMA_PLUS או ARIMA_PLUS_XREG אחד לכל סדרת זמן. לא, מודל TimesFM מאומן מראש.
קלות השימוש ב-SQL גבוהה. נדרשת הצהרת CREATE MODEL ובקשה להפעלת פונקציה. גבוהה מאוד. נדרשת בקשה יחידה להפעלת פונקציה.
היסטוריית הנתונים שנעשה בה שימוש המודל משתמש בכל נקודות הזמן בנתוני האימון, אבל אפשר להתאים אותו כך שישתמש בפחות נקודות זמן. השיטה משתמשת ב-512 נקודות זמן.
דיוק גבוהה מאוד. מידע נוסף זמין בפרסומים שמופיעים בשורה הקודמת. גבוהה מאוד. מידע נוסף זמין בפרסומים שמופיעים בשורה הקודמת.
התאמה אישית גבוהה. ההצהרה CREATE MODEL כוללת ארגומנטים שמאפשרים לכם לשנות הגדרות רבות של המודל, כמו ההגדרות הבאות:
  • עונתיות
  • אפקטים לחגים
  • שינויים בשלבים
  • מגמה
  • הסרת עליות וירידות חדות
  • הגבול העליון והגבול התחתון של התחזית
 נמוכה.
תמיכה במשתנים מסבירים כן, כשמשתמשים במודל ARIMA_PLUS_XREG. לא.
יכולת הסברה גבוהה. אפשר להשתמש בפונקציה ML.EXPLAIN_FORECAST כדי לבדוק את רכיבי המודל. נמוכה.
תרחישי השימוש הכי טובים
  • אתם רוצים שליטה מלאה במודל, כולל התאמה אישית.
  • אתם צריכים הסבר לפלט של המודל.
  • אתם רוצים להגדיר את התחזית בצורה מינימלית – ליצור תחזית בלי ליצור מודל קודם.

באמצעות הגדרות ברירת המחדל של ההצהרות והפונקציות של BigQuery ML, אפשר ליצור ולהשתמש במודל חיזוי גם בלי ידע רב בלמידת מכונה. עם זאת, ידע בסיסי בפיתוח ML, ובמודלים של תחזיות בפרט, יעזור לכם לבצע אופטימיזציה של הנתונים ושל המודל כדי להשיג תוצאות טובות יותר. כדי להכיר את התהליכים והטכניקות של ML, מומלץ להיעזר במקורות המידע הבאים: