Übersicht über Prognosen
Bei der Prognose werden Verlaufsdaten analysiert, um fundierte Vorhersagen über zukünftige Trends zu treffen. Sie können beispielsweise Verlaufsdaten aus mehreren Geschäften analysieren, um zukünftige Umsätze an diesen Standorten vorherzusagen. In BigQuery ML können Sie Prognosen für Zeitreihendaten erstellen.
Sie haben folgende Möglichkeiten, Prognosen zu erstellen:
- Mithilfe der Funktion
AI.FORECAST
mit dem integrierten TimesFM-Modell. Verwenden Sie diesen Ansatz, wenn Sie zukünftige Werte für eine einzelne Variable vorhersagen müssen und das Modell nicht optimieren möchten. Bei diesem Ansatz müssen Sie kein Modell erstellen und verwalten. ML.FORECAST
-Funktion mit demARIMA_PLUS
-Modell verwenden. Verwenden Sie diesen Ansatz, wenn Sie eine ARIMA-basierte Modellierungspipeline ausführen und die Zeitreihe in mehrere Komponenten zerlegen müssen, um die Ergebnisse zu erklären. Für diesen Ansatz müssen Sie ein Modell erstellen und verwalten.- Mit der
ML.FORECAST
-Funktion und demARIMA_PLUS_XREG
-Modell. Verwenden Sie diesen Ansatz, wenn Sie zukünftige Werte für mehrere Variablen vorhersagen müssen. Für diesen Ansatz müssen Sie ein Modell erstellen und verwalten.
ARIMA_PLUS
- und ARIMA_PLUS_XREG
-Zeitreihenmodelle sind keine einzelnen Modelle, sondern eine Zeitreihenmodellierungspipeline, die mehrere Modelle und Algorithmen enthält. Weitere Informationen finden Sie unter Zeitreihenmodellierungspipeline.
Neben Prognosen können Sie ARIMA_PLUS
- und ARIMA_PLUS_XREG
-Modelle auch für die Anomalieerkennung verwenden. Weitere Informationen finden Sie in folgenden Dokumenten:
- Anomalieerkennung – Übersicht
- Anomalieerkennung mit einem multivariaten Zeitreihenprognosemodell durchführen
TimesFM- und ARIMA
-Modelle vergleichen
Anhand der folgenden Tabelle können Sie entscheiden, ob Sie AI.FORECAST
mit dem integrierten TimesFM-Modell oder ML.FORECAST
mit einem ARIMA_PLUS
- oder ARIMA_PLUS_XREG
-Modell für Ihren Anwendungsfall verwenden sollten:
Funktion | AI.FORECAST mit einem TimesFM-Modell |
ML.FORECAST mit einem ARIMA_PLUS - oder ARIMA_PLUS_XREG -Modell |
---|---|---|
Modelltyp | Transformer-basiertes Foundation Model. | Statistisches Modell, das den ARIMA -Algorithmus für die Trendkomponente und eine Vielzahl anderer Algorithmen für Komponenten ohne Trend verwendet. Weitere Informationen finden Sie unter Zeitreihenmodellierungspipeline. |
Training erforderlich | Nein, das TimesFM-Modell ist vortrainiert. | Ja, für jede Zeitreihe wird ein ARIMA_PLUS - oder ARIMA_PLUS_XREG -Modell trainiert. |
Nutzerfreundlichkeit von SQL | Sehr hoch. Erfordert einen einzelnen Funktionsaufruf. | Hoch Erfordert eine CREATE MODEL -Anweisung und einen Funktionsaufruf. |
Verwendeter Datenverlauf | Es werden 512 Zeitpunkte verwendet. | Verwendet alle Zeitpunkte in den Trainingsdaten, kann aber so angepasst werden, dass weniger Zeitpunkte verwendet werden. |
Genauigkeit | Sehr hoch. Es ist leistungsfähiger als eine Reihe anderer Modelle. Weitere Informationen finden Sie unter A Decoder-only Foundation Model for Time-series Forecasting. | Sehr hoch, vergleichbar mit dem TimesFM-Modell. |
Anpassung | Niedrig | Hoch Die CREATE MODEL -Anweisung bietet Argumente, mit denen Sie viele Modelleinstellungen anpassen können, z. B.:
|
Unterstützt Kovariaten | Nein. | Ja, wenn Sie das ARIMA_PLUS_XREG -Modell verwenden. |
Erklärbarkeit | Niedrig | Hoch Mit der ML.EXPLAIN_FORECAST -Funktion können Sie Modellkomponenten untersuchen. |
Ideale Anwendungsfälle |
|
|
Empfohlenes Wissen
Mit den Standardeinstellungen der Anweisungen und Funktionen von BigQuery ML können Sie ein Prognosemodell erstellen und verwenden, auch wenn Sie nicht viel ML-Wissen haben. Grundkenntnisse in der ML-Entwicklung und insbesondere in Prognosemodellen helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen die folgenden Ressourcen, um sich mit ML-Techniken und -Prozessen vertraut zu machen:
- Crashkurs zum maschinellen Lernen
- Einführung in das maschinelle Lernen
- Intermediate Machine Learning
- Zeitreihen