Vista geral da previsão

A previsão é uma técnica em que analisa dados do histórico para fazer uma previsão informada sobre tendências futuras. Por exemplo, pode analisar os dados de vendas históricos de várias localizações de lojas para prever as vendas futuras nessas localizações. No BigQuery ML, faz previsões sobre dados de séries cronológicas.

Pode fazer previsões das seguintes formas:

  • Usando a função AI.FORECAST com o modelo TimesFM integrado. Use esta abordagem quando precisar de prever valores futuros para uma única variável. Esta abordagem não requer que crie e faça a gestão de um modelo.
  • Usando a ML.FORECAST função com o ARIMA_PLUS modelo. Use esta abordagem quando precisar de executar um pipeline de modelagem baseado em ARIMA e decompor a série cronológica em vários componentes para explicar os resultados. Esta abordagem requer que crie e faça a gestão de um modelo.
  • Usando a ML.FORECAST função com o ARIMA_PLUS_XREG modelo. Use esta abordagem quando precisar de prever valores futuros para várias variáveis. Esta abordagem requer que crie e faça a gestão de um modelo.

Além da previsão, pode usar modelos ARIMA_PLUS e ARIMA_PLUS_XREG para a deteção de anomalias. Para mais informações, consulte os seguintes documentos:

Compare ARIMA_PLUS modelos e o modelo TimesFM

Use a tabela seguinte para determinar se deve usar o modelo TimesFM, ARIMA_PLUS ou ARIMA_PLUS_XREG para o seu exemplo de utilização:

Tipo de modelo ARIMA_PLUS e ARIMA_PLUS_XREG TimesFM
Detalhes do modelo Modelo estatístico que usa o algoritmo ARIMA para o componente de tendência e uma variedade de outros algoritmos para componentes que não sejam de tendência. Para mais informações, consulte a secção Pipeline de modelagem de séries cronológicas e publicação abaixo. Modelo base baseado em transformadores. Para mais informações, consulte as publicações na linha seguinte.
Publicação ARIMA_PLUS: previsão de séries cronológicas e deteção de anomalias na base de dados em grande escala, precisas, automáticas e interpretáveis no Google BigQuery Um modelo base apenas de descodificador para a previsão de intervalos temporais
Preparação necessária Sim, é preparado um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG para cada série cronológica. Não, o modelo TimesFM está pré-preparado.
Facilidade de utilização do SQL Elevado. Requer uma declaração CREATE MODEL e uma chamada de função. Muito elevado. Requer uma única chamada de função.
Histórico de dados usado Usa todos os pontos temporais nos dados de preparação, mas pode ser personalizada para usar menos pontos temporais. Usa 512 pontos temporais.
Precisão Muito elevado. Para mais informações, consulte as publicações indicadas numa linha anterior. Muito elevado. Para mais informações, consulte as publicações listadas numa linha anterior.
Personalização Elevado. A declaração CREATE MODEL oferece argumentos que lhe permitem ajustar muitas definições do modelo, como as seguintes:
  • Periodicidade
  • Efeitos festivos
  • Alterações de passos
  • Tendência
  • Remoção de picos e quedas
  • Limites superior e inferior da previsão
 Baixa.
Suporta covariáveis Sim, quando usar o modelo ARIMA_PLUS_XREG. Não.
Capacidade de explicação Elevado. Pode usar a função ML.EXPLAIN_FORECAST para inspecionar os componentes do modelo. Baixa.
Melhores exemplos de utilização
  • Quer ter controlo total do modelo, incluindo a personalização.
  • Precisa de explicabilidade para a saída do modelo.
  • Quer uma configuração mínima, ou seja, fazer previsões sem criar primeiro um modelo.

Ao usar as predefinições das declarações e das funções do BigQuery ML, pode criar e usar um modelo de previsão mesmo sem muitos conhecimentos de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de AA e, em particular, sobre modelos de previsão, ajuda a otimizar os seus dados e o seu modelo para gerar melhores resultados. Recomendamos que use os seguintes recursos para desenvolver familiaridade com as técnicas e os processos de ML: