Zeitreihenprognosen sind eine Art von statistischem oder Machine-Learning-Ansatz, bei dem versucht wird, historische Zeitreihendaten zu modellieren, um Vorhersagen über zukünftige Zeitpunkte zu treffen.
Im Vergleich zu anderen Modellen bringen Zeitreihenprognosen spezifische Herausforderungen mit sich, z. B. Saisonabhängigkeit, Feiertagseffekte, Datenknappheit und sich ändernde Trends. Viele Techniken des maschinellen Lernens funktionieren hier aufgrund der sequenziellen Natur und der zeitlichen Korrelation von Zeitreihen nicht gut. Die k-Fold-Cross-Validierung kann beispielsweise zu Datenlecks führen. müssen die Modelle neu trainiert werden, um neue Prognosen zu generieren. Das Gleichgewicht zwischen Überanpassung und Unteranpassung ist ohne die Möglichkeit, die Zeitdimension zufällig zu bestimmen, ein schwieriger Akt. Bei potenziell Millionen von Prognoseelementen muss auch die Skalierbarkeit jeder Prognoselösung berücksichtigt werden. Neben der Prognose von Aufgaben können für das Unternehmen Aufgaben wie die Anomalieerkennung, die Quantifizierung von Unsicherheiten und kausale Inferenzen von Bedeutung sein. Bei Zeitreihenprognosen geht es nicht nur um das überwachte Lernen anhand von Daten mit Zeitstempeln. Glücklicherweise bietet Google Cloud eine breite Palette von Lösungen für alle Geschäftsanforderungen.
Ein großes Einzelhandelsgeschäft hat beispielsweise Millionen von Artikeln zu prognostizieren, damit das Inventar bei hoher Nachfrage verfügbar und nicht überbestückt ist, wenn die Nachfrage gering ist.
Prognosen zur Einzelhandelsnachfrage für Produkte
Entwickeln Sie eine End-to-End-Lösung für die Nachfrageprognose nach Einzelhandelsprodukten. Anhand von bisherigen Verkaufsdaten können Sie mit BigQuery ML ein Modell für die Nachfrageprognose trainieren und anschließend die prognostizierten Werte in einem Looker Studio-Dashboard visualisieren, um sie mit Stakeholdern zu teilen. Hier erfahren Sie, wie Sie mit Bedarfsprognosen zur Reduzierung der Lebensmittelverschwendung beitragen können.
Prognosen von Warenpreisen
Zeitreihenmodelle werden verwendet, um die Preise von Rohstoffen zu prognostizieren, die für Ihre Geschäfts- und Produktionsprozesse entscheidend sind. Sie dienen als Grundlage für Ihre Cashflow-Modelle und Finanzpläne.
Cashflow-Prognose
Zeitreihenmodelle werden in der Regel mit Regressions- und Klassifizierungsmodellen kombiniert, um hochpräzise Cashflow-Prognosen zu erstellen, die auf historischen Buchhaltungs-Zeitreihen sowie auf Eingaben aus Transaktionsdaten und vertraglichen Verpflichtungen basieren. Hier können Sie ARIMA_PLUS mit BigQuery ML verwenden und mit überwachten Modellen in BigQuery ML kombinieren, z. B. GLM, Boosted Tree-Modelle und AutoML.
Anomalieerkennung mit Nachfrageprognosen
An Feiertagen, Geschenken oder Rabatten zum Jahresende gibt es manchmal bestimmte Spitzenwerte. Aber was ist mit unerwarteten Spitzen (oder Einbrüchen)? Wie können Sie beispielsweise eine ungewöhnlich hohe (oder ungewöhnlich niedrige) Nachfrage erkennen, mit der Sie nicht gerechnet haben? Erfahren Sie, wie Sie die Anomalieerkennung mit BigQuery ML verwenden können, um anomale Spitzen beim Fahrradverleih zu finden, die mit dem Tag zusammenfallen, an dem der öffentliche Verkehr in der Stadt London unterbrochen wurde.
Qualitätskontrollen und Messwertüberwachung in der Fertigung
Von IoT-Sensoren bis hin zur Produktionsausgabe kann die Überwachung von Metriken in vielerlei Hinsicht erfolgen. Üblicherweise wird der typische Bereich dieser Messwerte prognostiziert, damit Sie im Voraus planen und mit Monitoringsystemen so schnell wie möglich reagieren können.
Weitere häufige Anwendungsfälle für die Anomalieerkennung sind Preisanomalien aufgrund falscher Preise, die Erkennung von Anomalien in Echtzeit und die Qualitätskontrolle in der Fertigung.
Effektivität der Anzeigen
Wie effektiv haben Sie mit Ihren Anzeigen eine Steigerung für das Unternehmen erzielt? Mithilfe der kausalen Inferenz können Sie die statistische Signifikanz von Werbekampagnen untersuchen.
Auswirkungen großer Ereignisse auf Zeitreihen
Vielleicht möchten Sie wissen, ob die Auswirkungen von Großereignissen wie dem Brexit auf eine Zeitreihe statistisch signifikant waren. Erfahren Sie mehr darüber, wie sie kausale Inferenzen vornehmen können, um die Frage "Wie hat sich das Brexit-Votum auf die Wechselkurse zwischen dem britischen Pfund und dem US-Dollar ausgewirkt?" zu beantworten.
Weitere Bereiche für die kausale Inferenzanalyse sind Werbeaktionen, die Wirksamkeit von Anreizen und Preiselastizitätsschätzungen.
Mit BigQuery ML können Nutzer mithilfe von Standard-SQL-Abfragen Modelle für maschinelles Lernen in BigQuery erstellen und ausführen. Die Anwendung unterstützt einen Modelltyp namens ARIMA_PLUS, um Zeitreihenprognosen und Anomalieerkennung auszuführen.
Mit der ARIMA_PLUS Modellierung in BigQuery ML können Sie Prognosen für Millionen von Zeitreihen in einer einzigen SQL-Abfrage erstellen, ohne Ihr Data Warehouse verlassen zu müssen.
ARIMA_PLUS ist im Wesentlichen eine Pipeline für die Zeitreihenmodellierung, die die folgenden Funktionen umfasst:
Mit einer einzigen Abfrage können mehrere zehn Millionen Zeitreihen gleichzeitig prognostiziert werden. Verschiedene Modellierungspipelines werden parallel ausgeführt, wenn genügend BigQuery-Slots verfügbar sind.
Die folgenden Anleitungen helfen Ihnen beim Einstieg in BigQuery ARIMA_PLUS:
Weitere Informationen finden Sie in den öffentlichen Dokumentationen zu BigQuery ML.
Vertex Forecast bietet Nutzern mehrere Optionen zum Trainieren des Zeitreihenprognosemodells:
Weitere Informationen finden Sie in der öffentlichen Dokumentation zu Vertex Forecast.
Sie können mit der Anleitung für Vertex Forecast beginnen.
Wenn Sie eigenen benutzerdefinierten Code verwenden, aber die Trainings-/Bereitstellungsinfrastruktur in Google Cloud nutzen möchten, können Sie mit Vertex AI Workbench beliebigen Code in Python, R, TensorFlow oder PyTorch verwenden.
TimesFM (Time Series Foundation Model) ist ein vortrainiertes Zeitreihen-Foundation Model, das von Google Research für univariate Zeitreihenprognosen entwickelt wurde.
Die Version 1.0 enthält einen 200M-Parameter-Checkpoint sowie seinen Inferenzcode. Es ist ein auf Transformatoren basierendes Modell, das nur auf Decoder-Art mit einem vortrainierten Dataset trainiert wurde, das über 100 Milliarden reale Zeitpunkte enthält. Er führt univariate Zeitreihenprognosen für Kontextlängen von bis zu 512 Zeitpunkten und beliebige Horizontlängen mit einer optionalen Eingabe für die Häufigkeitsanzeige durch.
Anwendungsfall: Zeitreihenprognose – Das Modell verwendet als Eingabekontext eine univariate Zeitreihe mit einem optionalen Häufigkeitsparameter. Das Modell prognostiziert aus der Zeitreihe einen zukünftigen Horizont beliebiger Länge.
Mit univariaten Prognosen prognostizieren Sie zukünftige Daten ausschließlich anhand der bisherigen Zeitreihendaten. Um beispielsweise die Temperatur für morgen in New York City vorherzusagen, würde eine univariate Prognose nur eine einzige Variable, nämlich historische Temperaturen, verwenden, um zukünftige Temperaturen vorherzusagen. Mit univariaten Prognosen können Sie außerdem saisonale Muster und Trends erkennen.
Mit multivariaten Prognosen können Sie zukünftige Daten anhand mehrerer Faktoren prognostizieren. Um beispielsweise die Temperatur für morgen in New York City zu prognostizieren, können Sie neben historischen Temperaturen auch den Luftdruck, den UV-Index, den Prozentsatz der Wolkenbedeckung in nahe gelegenen geografischen Gebieten, die Windgeschwindigkeit und andere Variablen verwenden.
Hier erfahren Sie, wie BigQuery ML Ihrem Unternehmen helfen kann. Dokumentation ansehen
Profitieren Sie von einem Guthaben über 300 $, um Google Cloud und mehr als 20 „Immer kostenlos“-Produkte kennenzulernen.