Le modèle TimesFM
Ce document décrit le modèle de prévision de séries temporelles TimesFM intégré à BigQuery ML.
Le modèle TimesFM intégré est une implémentation du modèle TimesFM Open Source de Google Research. Le modèle TimesFM de Google Research est un modèle de fondation pour la prévision de séries temporelles. Il a été pré-entraîné sur des milliards de points temporels provenant de nombreux ensembles de données réels. Vous pouvez donc l'appliquer à de nouveaux ensembles de données de prévision dans de nombreux domaines. Le modèle TimesFM est disponible dans toutes les régions compatibles avec BigQuery.
L'utilisation du modèle TimesFM intégré de BigQuery ML avec la fonction AI.FORECAST vous permet d'effectuer des prévisions sans avoir à créer ni à entraîner votre propre modèle. Vous pouvez ainsi éviter la gestion des modèles.
Les résultats de prévision du modèle TimesFM sont comparables aux méthodes statistiques classiques telles qu'ARIMA. Si vous souhaitez disposer de plus d'options de réglage de modèle que celles proposées par le modèle TimesFM, vous pouvez créer un modèle ARIMA_PLUS ou ARIMA_PLUS_XREG et l'utiliser avec la fonction ML.FORECAST.
Pour savoir comment utiliser un modèle TimesFM avec la fonction AI.FORECAST, consultez les tutoriels suivants :
- Prévoir une ou plusieurs séries temporelles avec un modèle univarié TimesFM
- Prévoir une seule série temporelle avec un modèle multivarié TimesFM (aperçu)
- Prévoir plusieurs séries temporelles avec un modèle multivarié TimesFM (aperçu)
Pour utiliser le modèle TimesFM afin de détecter les anomalies dans les données de séries temporelles, utilisez la fonction AI.DETECT_ANOMALIES.
Pour évaluer les valeurs prévues du modèle TimesFM par rapport aux valeurs réelles, utilisez la fonction AI.EVALUATE.
Pour en savoir plus sur le modèle TimesFM de Google Research, consultez les ressources suivantes :