Présentation des prévisions

La prévision est une technique qui vous permet d'analyser les données historiques afin de réaliser une prédiction avisée sur les tendances futures. Par exemple, vous pouvez analyser l'historique des ventes de plusieurs magasins afin de prédire les ventes futures dans ces emplacements. Dans BigQuery ML, vous effectuez des prévisions sur des données de séries temporelles.

Vous pouvez effectuer des prévisions de différentes manières :

  • En utilisant la fonction AI.FORECAST avec le modèle TimesFM intégré. Utilisez cette approche lorsque vous devez prévoir les valeurs futures d'une seule variable et que vous n'avez pas besoin d'affiner le modèle. Cette approche ne nécessite pas de créer ni de gérer un modèle.
  • Utiliser la fonction ML.FORECAST avec le modèle ARIMA_PLUS. Utilisez cette approche lorsque vous devez exécuter un pipeline de modélisation basé sur ARIMA et décomposer la série temporelle en plusieurs composants afin d'expliquer les résultats. Cette approche nécessite de créer et de gérer un modèle.
  • En utilisant la fonction ML.FORECAST avec le modèle ARIMA_PLUS_XREG. Utilisez cette approche lorsque vous devez prévoir les valeurs futures de plusieurs variables. Cette approche nécessite de créer et de gérer un modèle.

Les modèles de séries temporelles ARIMA_PLUS et ARIMA_PLUS_XREG ne sont pas réellement des modèles uniques, mais plutôt des pipelines de modélisation de séries temporelles qui comprennent plusieurs modèles et algorithmes. Pour en savoir plus, consultez la page Pipeline de modélisation de séries temporelles.

Comparer les modèles TimesFM et ARIMA

Utilisez le tableau suivant pour déterminer si vous devez utiliser AI.FORECAST avec le modèle TimesFM intégré ou ML.FORECAST avec un modèle ARIMA_PLUS ou ARIMA_PLUS_XREG pour votre cas d'utilisation :

Fonctionnalité AI.FORECAST avec un modèle TimesFM ML.FORECAST avec un modèle ARIMA_PLUS ou ARIMA_PLUS_XREG
Type de modèle Modèle de fondation basé sur Transformer. Modèle statistique qui utilise l'algorithme ARIMA pour le composant de tendance et divers autres algorithmes pour les composants non liés à la tendance. Pour en savoir plus, consultez la page Pipeline de modélisation de séries temporelles.
Entraînement requis Non, le modèle TimesFM est pré-entraîné. Oui, un modèle ARIMA_PLUS ou ARIMA_PLUS_XREG est entraîné pour chaque série temporelle.
Facilité d'utilisation de SQL Très élevé. Nécessite un seul appel de fonction. Élevée. Nécessite une instruction CREATE MODEL et un appel de fonction.
Historique des données utilisé Utilise 512 points temporels. Utilise tous les points temporels des données d'entraînement, mais peut être personnalisé pour utiliser moins de points temporels.
Précision Très élevé. Surpasse un certain nombre d'autres modèles. Pour en savoir plus, consultez A Decoder-only Foundation Model for Time-series Forecasting. Très élevé, au même niveau que le modèle TimesFM.
Personnalisation Faible Élevée. L'instruction CREATE MODEL propose des arguments qui vous permettent d'ajuster de nombreux paramètres du modèle, tels que les suivants :
  • Saisonnalité
  • Effets des jours fériés
  • Modifications graduelles
  • Tendance
  • Suppression des pics et des creux
  • Limites supérieure et inférieure des prévisions
Compatible avec les covariables Non. Oui, lorsque vous utilisez le modèle ARIMA_PLUS_XREG.
Explicabilité Faible Élevée. Vous pouvez utiliser la fonction ML.EXPLAIN_FORECAST pour inspecter les composants du modèle.
Meilleurs cas d'utilisation
  • Prévisions rapides
  • Nécessitent une configuration minimale
  • Le modèle doit être affiné
  • Besoin d'explicabilité pour la sortie du modèle
  • Le modèle a besoin de plus de contexte

En utilisant les paramètres par défaut des instructions et des fonctions de BigQuery ML, vous pouvez créer et utiliser un modèle de prévision même sans grandes connaissances en ML. Toutefois, des connaissances de base sur le développement du ML et les modèles de prévision en particulier vous aideront à optimiser vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML :