时序预测模型的端到端用户体验历程

本文档介绍了 BigQuery ML 时序预测模型的用户历程，包括可用于处理时序预测模型的语句和函数。BigQuery ML 提供以下类型的时序预测模型：

• ARIMA_PLUS 单变量模型
• ARIMA_PLUS_XREG 多变量模型
• TimesFM 单变量模型

模型创建用户体验历程

下表介绍了可用于创建时序预测模型的语句和函数：

模型类型	模型创建	特征预处理	超参数调节	模型权重	教程
ARIMA_PLUS	CREATE MODEL	自动预处理	auto.ARIMA^1 自动调谐	ML.ARIMA_COEFFICIENTS	预测单个时序 预测多个时序 预测数百万个时序 使用自定义节假日 限制预测值 执行分层时序预测 使用多变量时序预测模型执行异常值检测
ARIMA_PLUS_XREG	CREATE MODEL	自动预处理	auto.ARIMA^1 自动调谐	ML.ARIMA_COEFFICIENTS	预测单个时序 预测多个时序
TimesFM	不适用	不适用	不适用	不适用	预测多个时序

¹auto.ARIMA 算法针对趋势模块执行超参数调节。不支持针对整个建模流水线进行超参数调节。如需了解详情，请参阅建模流水线。

模型使用用户体验历程

下表介绍了可用于评估、解释时序预测模型并从中获取预测结果的语句和函数：

模型类型	评估	推断	AI 说明
ARIMA_PLUS	ML.EVALUATE^1 ML.ARIMA_EVALUATE ML.HOLIDAY_INFO	ML.FORECAST ML.DETECT_ANOMALIES	ML.EXPLAIN_FORECAST^2
ARIMA_PLUS_XREG	ML.EVALUATE^1 ML.ARIMA_EVALUATE ML.HOLIDAY_INFO	ML.FORECAST ML.DETECT_ANOMALIES	ML.EXPLAIN_FORECAST^2
TimesFM	不适用	AI.FORECAST	不适用

¹您可以将评估数据输入到 ML.EVALUATE 函数中，以计算平均绝对百分比误差 (MAPE) 等预测指标。如果您没有评估数据，可以使用 ML.ARIMA_EVALUATE 函数输出有关模型的信息，例如漂移和方差。

²ML.EXPLAIN_FORECAST 函数涵盖了 ML.FORECAST 函数，因为其输出是 ML.FORECAST 结果的超集。