Panoramica delle previsioni

La previsione è una tecnica che analizza i dati storici per fare una previsione informata sulle tendenze future. Ad esempio, potresti analizzare i dati storici sulle vendite di diverse sedi di negozi per prevedere le vendite future in quelle sedi. In BigQuery ML, esegui la previsione sui dati delle serie temporali.

Puoi eseguire le previsioni nei seguenti modi:

  • Utilizzando la funzione AI.FORECAST con il modello TimesFM integrato. Utilizza questo approccio quando devi prevedere i valori futuri per una singola variabile e non hai bisogno di perfezionare il modello. Questo approccio non richiede la creazione e la gestione di un modello.
  • Utilizzando la funzione ML.FORECAST con il modello ARIMA_PLUS. Utilizza questo approccio quando devi eseguire una pipeline di modellazione basata su ARIMA e decomporre la serie temporale in più componenti per spiegare i risultati. Questo approccio richiede la creazione e la gestione di un modello.
  • Utilizzando la funzione ML.FORECAST con il modello ARIMA_PLUS_XREG. Utilizza questo approccio quando devi prevedere i valori futuri per più variabili. Questo approccio richiede la creazione e la gestione di un modello.

I modelli di serie temporali ARIMA_PLUS e ARIMA_PLUS_XREG non sono in realtà modelli singoli, ma piuttosto una pipeline di generazione di modelli basati su serie temporali che include più modelli e algoritmi. Per saperne di più, vedi Pipeline di modellazione delle serie temporali.

Confrontare i modelli TimesFM e ARIMA

Utilizza la seguente tabella per determinare se utilizzare AI.FORECAST con il modello TimesFM integrato o ML.FORECAST con un modello ARIMA_PLUS o ARIMA_PLUS_XREG per il tuo caso d'uso:

Funzionalità AI.FORECAST con un modello TimesFM ML.FORECAST con un modello ARIMA_PLUS o ARIMA_PLUS_XREG
Tipo di modello Modello di base basato su Transformer. Modello statistico che utilizza l'algoritmo ARIMA per il componente di tendenza e una serie di altri algoritmi per i componenti non di tendenza. Per maggiori informazioni, vedi Pipeline di modellazione delle serie temporali.
Addestramento obbligatorio No, il modello TimesFM è preaddestrato. Sì, per ogni serie temporale viene addestrato un modello ARIMA_PLUS o ARIMA_PLUS_XREG.
Facilità d'uso di SQL Molto alto. Richiede una singola chiamata di funzione. Alto. Richiede un'istruzione CREATE MODEL e una chiamata di funzione.
Cronologia dei dati utilizzata Utilizza 512 punti temporali. Utilizza tutti i punti temporali nei dati di addestramento, ma può essere personalizzato per utilizzare meno punti temporali.
Accuratezza Molto alto. Supera le prestazioni di altri modelli. Per ulteriori informazioni, consulta A Decoder-only Foundation Model for Time-series Forecasting. Molto elevata, alla pari del modello TimesFM.
Personalizzazione Basso. Alto. L'istruzione CREATE MODEL offre argomenti che consentono di ottimizzare molte impostazioni del modello, ad esempio le seguenti:
  • Stagionalità
  • Effetti per le festività
  • Modifiche ai passaggi
  • Tendenza
  • Rimozione di picchi e cali
  • Previsione dei limiti superiore e inferiore
Supporta le covariate No. Sì, quando utilizzi il modello ARIMA_PLUS_XREG.
Spiegabilità Basso. Alto. Puoi utilizzare la funzione ML.EXPLAIN_FORECAST per esaminare i componenti del modello.
Migliori casi d'uso
  • Previsioni rapide
  • Richiedono una configurazione minima
  • Il modello deve essere ottimizzato
  • Necessità di spiegabilità per l'output del modello
  • L'input del modello richiede più contesto

Utilizzando le impostazioni predefinite delle istruzioni e delle funzioni di BigQuery ML, puoi creare e utilizzare un modello di previsione anche senza molte conoscenze di ML. Tuttavia, avere una conoscenza di base dello sviluppo di ML e, in particolare, dei modelli di previsione, ti aiuta a ottimizzare sia i dati che il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di ML: