预测概览

预测是指分析历史数据，以便对未来趋势做出明智的预测。例如，您可以分析多个店面位置的历史销售数据，以预测这些位置的未来销售情况。在 BigQuery ML 中，您可以对时序数据执行预测。

您可以通过以下方式进行预测：

通过将 AI.FORECAST 函数与内置的 TimesFM 模型结合使用。如果您需要预测单个变量的未来值，并且不需要对模型进行微调，请使用此方法。此方法不要求您创建和管理模型。
通过将 ML.FORECAST 函数与 ARIMA_PLUS 模型结合使用。如果您需要运行基于 ARIMA 的建模流水线并将时序分解为多个组成部分以解释结果，请使用此方法。此方法要求您创建和管理模型。
通过将 ML.FORECAST 函数与 ARIMA_PLUS_XREG 模型结合使用。如果您需要预测多个变量的未来值，请使用此方法。此方法要求您创建和管理模型。

ARIMA_PLUS 和 ARIMA_PLUS_XREG 时序模型实际上不是单个模型，而是包含多个模型和算法的时序建模流水线。如需了解详情，请参阅时序建模流水线。

除了预测之外，您还可以使用 ARIMA_PLUS 和 ARIMA_PLUS_XREG 模型进行异常值检测。如需了解详情，请参阅以下文档：

比较 TimesFM 和 `ARIMA` 模型

请使用下表确定在您的应用场景中，是使用带有内置 TimesFM 模型的 AI.FORECAST，还是使用带有 ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型的 ML.FORECAST：

功能	带有 TimesFM 模型的 `AI.FORECAST`	带有 `ARIMA_PLUS` 或 `ARIMA_PLUS_XREG` 模型的 `ML.FORECAST`
模型类型	基于 Transformer 的基础模型。	一种统计模型，使用 `ARIMA` 算法处理趋势组件，并使用各种其他算法处理非趋势组件。如需了解详情，请参阅时序建模流水线。
需要训练	不需要，TimesFM 模型已经过预训练。	需要，针对每个时序训练一个 `ARIMA_PLUS` 或 `ARIMA_PLUS_XREG` 模型。
SQL 易用性	非常高。需要单次函数调用。	高。需要 `CREATE MODEL` 语句和函数调用。
使用的数据历史记录	使用 512 个时间点。	使用训练数据中的所有时间点，但可以自定义为使用较少的时间点。
准确率	非常高。性能优于许多其他模型。如需了解详情，请参阅用于时序预测的仅使用解码器的基础模型。	非常高，与 TimesFM 模型相当。
自定义	低。	高。`CREATE MODEL` 语句提供了一些参数，可用于对许多模型设置进行调优，例如以下这些：季节性节假日效应步进变化趋势移除高峰和低谷预测上限和下限
支持协变量	不支持。	支持（使用 `ARIMA_PLUS_XREG` 模型时）。
可解释性	低。	高。您可以使用 `ML.EXPLAIN_FORECAST` 函数检查模型组件。
最佳应用场景	快速预测需要极少的设置	模型需要微调需要具备模型输出可解释性模型输入需要更多上下文