預測總覽

預測指的是分析歷來資料，然後據以預測未來趨勢的技術。舉例來說，您可以分析多個門市的銷售資料，以便預測這些門市未來的銷售業績。在 BigQuery ML 中，您會對時間序列資料執行預測作業。

您可以透過下列方式進行預測：

  • 使用內建的 TimesFM 模型搭配 AI.FORECAST 函式。如要預測單一變數的未來值，且不需要微調模型，請使用這個方法。這種做法不需要建立及管理模型。
  • 使用 ARIMA_PLUS 模型搭配 ML.FORECAST 函式。如要執行以 ARIMA 為基礎的建模管道，並將時間序列分解為多個元件來解釋結果，請使用這個方法。這種做法需要您建立及管理模型。
  • 使用 ML.FORECAST 函式和 ARIMA_PLUS_XREG 模型。如要預測多個變數的未來值，請使用這種方法。這種做法需要您建立及管理模型。

ARIMA_PLUS 和 ARIMA_PLUS_XREG 時間序列模型實際上並非單一模型，而是包含多個模型和演算法的時間序列建模管道。詳情請參閱時間序列模型化管道。

比較 TimesFM 和 ARIMA 模型

請參閱下表，根據您的用途決定是否要將 AI.FORECAST 與內建的 TimesFM 模型搭配使用，或是將 ML.FORECAST 與 ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型搭配使用：

功能 AI.FORECAST TimesFM 模型 ML.FORECAST，搭配 ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型使用
模型類型 以 Transformer 為基礎的基礎模型。 統計模型，趨勢成分使用 ARIMA 演算法，非趨勢成分則使用各種其他演算法。詳情請參閱時間序列模型化管道。
需要訓練 否，TimesFM 模型是預先訓練的模型。 是，每個時間序列都會訓練一個 ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型。
SQL 易用性 非常高。需要單一函式呼叫。 高。需要 CREATE MODEL 陳述式和函式呼叫。
使用的資料記錄 使用 512 個時間點。 使用訓練資料中的所有時間點，但可自訂為使用較少時間點。
準確率 非常高。優於其他多個模型。詳情請參閱「A Decoder-only Foundation Model for Time-series Forecasting」。 非常高，與 TimesFM 模型相當。
自訂 低。 高。CREATE MODEL 陳述式提供引數，可讓您調整許多模型設定，例如：
  • 季節性
  • 節慶特效
  • 步驟變更
  • 趨勢
  • 移除尖峰和低谷
  • 預測上下限
支援共變數 不用 可以，但僅限使用 ARIMA_PLUS_XREG 模型。
可解釋性 低。 高。您可以使用 ML.EXPLAIN_FORECAST 函式檢查模型元件。
最佳用途
  • 快速預報
  • 設定最簡單
  • 模型需要微調
  • 需要模型輸出內容的可解釋性
  • 模型輸入內容需要更多脈絡

即使沒有太多機器學習知識，您也能使用 BigQuery ML 陳述式和函式的預設設定，建立及使用預測模型。不過，如果具備機器學習開發作業的基本知識，尤其是預測模型，有助於您同時最佳化資料和模型，進而獲得更出色的結果。建議您使用下列資源，熟悉機器學習技術和程序：