Visão geral de previsão

Previsão é uma técnica em que você analisa dados históricos para fazer uma previsão informada sobre tendências futuras. Por exemplo, você pode analisar dados históricos de vendas de diversas lojas para prever vendas futuras nesses locais. No BigQuery ML, você realiza a previsão em dados de série temporal.

É possível fazer previsões das seguintes maneiras:

  • Usando a função AI.FORECAST com o modelo TimesFM integrado. Use essa abordagem quando precisar prever valores futuros para uma única variável e não precisar ajustar o modelo. Essa abordagem não exige que você crie e gerencie um modelo.
  • Usando a função ML.FORECAST com o modelo ARIMA_PLUS. Use essa abordagem quando precisar executar um pipeline de modelagem baseado em ARIMA e decompor a série temporal em vários componentes para explicar os resultados. Essa abordagem exige que você crie e gerencie um modelo.
  • Usando a função ML.FORECAST com o modelo ARIMA_PLUS_XREG. Use essa abordagem quando precisar prever valores futuros para várias variáveis. Essa abordagem exige que você crie e gerencie um modelo.

Na verdade, os modelos de série temporal ARIMA_PLUS e ARIMA_PLUS_XREG não são modelos únicos, mas um pipeline de modelagem de série temporal que inclui vários modelos e algoritmos. Para mais informações, consulte Pipeline de modelagem de série temporal.

Além da previsão, você pode usar modelos ARIMA_PLUS e ARIMA_PLUS_XREG para detecção de anomalias. Confira mais informações nestes documentos:

Comparar os modelos TimesFM e ARIMA

Use a tabela a seguir para determinar se é necessário usar AI.FORECAST com o modelo TimesFM integrado ou ML.FORECAST com um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG para seu caso de uso:

Recurso AI.FORECAST com um modelo TimesFM ML.FORECAST com um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG
Tipo de modelo Modelo de fundação baseado em transformador. Modelo estatístico que usa o algoritmo ARIMA para o componente de tendência e vários outros algoritmos para componentes sem tendência. Para mais informações, consulte Pipeline de modelagem de série temporal.
Treinamento necessário Não, o modelo TimesFM é pré-treinado. Sim, um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG é treinado para cada série temporal.
Facilidade de uso do SQL Muito alta. Requer uma única chamada de função. Alto. Requer uma instrução CREATE MODEL e uma chamada de função.
Histórico de dados usado Usa 512 pontos de tempo. Usa todos os pontos de tempo nos dados de treinamento, mas pode ser personalizado para usar menos pontos.
Precisão Muito alta. Supera vários outros modelos. Para mais informações, consulte Um modelo de fundação somente decodificador para previsão de série temporal. Muito alta, no mesmo nível do modelo TimesFM.
Personalização Baixa. Alto. A instrução CREATE MODEL oferece argumentos que permitem ajustar muitas configurações do modelo, como as seguintes:
  • Sazonalidade
  • Efeitos das datas comemorativas
  • Mudanças de etapa
  • Tendência
  • Remoção de picos e quedas
  • Limites superior e inferior da previsão
Aceita covariáveis Não. Sim, ao usar o modelo ARIMA_PLUS_XREG.
Explicabilidade Baixa. Alto. Você pode usar a função ML.EXPLAIN_FORECAST para inspecionar os componentes do modelo.
Melhores casos de uso
  • Previsões rápidas
  • Precisam de configuração mínima
  • O modelo precisa de ajuste
  • Preciso de explicabilidade para a saída do modelo
  • A entrada do modelo precisa de mais contexto

Ao usar as configurações padrão das instruções e funções do BigQuery ML, é possível criar e usar um modelo de previsão mesmo sem muito conhecimento de ML. No entanto, ter conhecimentos básicos sobre desenvolvimento de ML e modelos de previsão, em particular, ajuda a otimizar seus dados e seu modelo para oferecer resultados melhores. Recomendamos usar os seguintes recursos para se familiarizar com técnicas e processos de ML: