Prever várias séries temporais com um modelo univariado do TimesFM

Pré-lançamento

Este produto ou recurso está sujeitos aos "Termos das Soluções Pré-GA" na seção Termos Gerais de Serviço dos Termos Específicos de Serviço. Os produtos e recursos pré-GA estão disponíveis no estado em que se encontram e podem ter suporte limitado. Você encontra mais detalhes nas descrições das fases de lançamento.

Observação :para enviar feedback ou solicitar suporte sobre esse recurso, envie um e-mail para [e-mail].

Neste tutorial, você vai aprender a usar a função AI.FORECAST com o modelo univariado TimesFM integrado do BigQuery ML para prever o valor futuro de uma determinada coluna com base no valor histórico dela.

Neste tutorial, usamos dados da tabela pública bigquery-public-data.san_francisco_bikeshare.bikeshare_trips.

Prever uma única série temporal de viagens de aluguel de bicicletas

Preveja valores futuros de série temporal usando a função AI.FORECAST.

A consulta a seguir prevê o número de viagens de bicicleta compartilhada por hora para o próximo mês (aproximadamente 720 horas), com base nos quatro meses anteriores de dados históricos. O argumento confidence_level indica que a consulta gera um intervalo de previsão com um nível de confiança de 95%.

Siga estas etapas para prever dados com o modelo TimesFM:

1. No console do Google Cloud , acesse a página BigQuery.

   Acessar o BigQuery

2. No Editor de consultas, cole a consulta a seguir e clique em Executar:

   SELECT *
   FROM
     AI.FORECAST(
       (
         SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, COUNT(*) as num_trips
   FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
   WHERE subscriber_type = 'Subscriber' AND start_date >= TIMESTAMP('2018-01-01')
   GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
       ),
       horizon => 720,
       confidence_level => 0.95,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips');

   Os resultados são semelhantes aos seguintes:

   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | forecast_timestamp      | forecast_value    | confidence_level | prediction_interval_lower_bound | prediction_interval_upper_bound | ai_forecast_status |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 00:00:00 UTC | 26.3045959...     |            0.95  | 21.7088378...                   | 30.9003540...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 01:00:00 UTC | 34.0890502...     |            0.95  | 2.47682913...                   | 65.7012714...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 02:00:00 UTC | 24.2154693...     |            0.95  | 2.87621605...                   | 45.5547226...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | ...                     | ...               |  ...             | ...                             |  ...                            |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   

Comparar os dados previstos com os dados de entrada

Crie um gráfico com a saída da função AI.FORECAST e um subconjunto dos dados de entrada da função para comparar os dois.

Siga estas etapas para criar um gráfico da saída da função:

1. No console do Google Cloud , acesse a página BigQuery.

   Acessar o BigQuery

2. No Editor de consultas, cole a consulta a seguir e clique em Executar:

   WITH historical AS (
   SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, COUNT(*) as num_trips
   FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
   WHERE subscriber_type = 'Subscriber' AND start_date >= TIMESTAMP('2018-01-01')
   GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
   ORDER BY TIMESTAMP_TRUNC(start_date, HOUR)
   )
   SELECT * 
   FROM 
   (
   (SELECT
       trip_hour as date,
       num_trips AS historical_value,
       NULL as forecast_value,
       'historical' as type,
       NULL as prediction_interval_lower_bound,
       NULL as prediction_interval_upper_bound
   FROM
       historical
   ORDER BY historical.trip_hour DESC
   LIMIT 400)
   UNION ALL
   (SELECT forecast_timestamp AS date,
           NULL as historical_value,
           forecast_value as forecast_value,
           'forecast' as type,
           prediction_interval_lower_bound,
           prediction_interval_upper_bound
   FROM
       AI.FORECAST(
       (
       SELECT * FROM historical
       ),
       horizon => 720,
       confidence_level => 0.99,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips')))
   ORDER BY date asc;

3. Quando a consulta terminar, clique na guia Visualização no painel Resultados da consulta. O gráfico resultante será semelhante a este:

   

   É possível notar que os dados de entrada e os previstos mostram um uso semelhante de aluguel de bicicletas. Além disso, os limites inferior e superior do intervalo de previsão aumentam à medida que os pontos de tempo previstos avançam no futuro.

Prever várias série temporal de viagens de aluguel de bicicletas

A consulta a seguir prevê o número de viagens aluguel de bicicletas por tipo de assinante e por hora para o próximo mês (aproximadamente 720 horas), com base nos quatro meses anteriores de dados históricos. O argumento confidence_level indica que a consulta gera um intervalo de previsão com um nível de confiança de 95%.

Siga estas etapas para prever dados com o modelo TimesFM:

1. No console do Google Cloud , acesse a página BigQuery.

   Acessar o BigQuery

2. No Editor de consultas, cole a consulta a seguir e clique em Executar:

   SELECT *
   FROM
     AI.FORECAST(
       (
         SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, subscriber_type, COUNT(*) as num_trips
         FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
         WHERE start_date >= TIMESTAMP('2018-01-01')
         GROUP BY TIMESTAMP_TRUNC(start_date, HOUR), subscriber_type
       ),
       horizon => 720,
       confidence_level => 0.95,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips',
       id_cols => ['subscriber_type']);

   Os resultados são semelhantes aos seguintes:

   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | subscriber_type     | forecast_timestamp       | forecast_value   | confidence_level | prediction_interval_lower_bound | prediction_interval_upper_bound | ai_forecast_status |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | Subscriber          | 2018-05-01 00:00:00 UTC  | 26.3045959...    |            0.95  | 21.7088378...                   | 30.9003540...                   |                    |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | Subscriber          |  2018-05-01 01:00:00 UTC | 34.0890502...    |            0.95  | 2.47682913...                   | 65.7012714...                   |                    |
   +---------------------+-------------------+------------------+-------------------------+---------------------------------+---------------------------------+--------------------+
   | Subscriber          |  2018-05-01 02:00:00 UTC | 24.2154693...    |            0.95  | 2.87621605...                   | 45.5547226...                   |                    |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | ...                 | ...                      |  ...             | ...              | ...                             |  ...                            |                    |
   +---------------------+--------------------------+------------------+------------------+---------------------------------+---------------------------------+--------------------+