時間序列預測是一種統計或機器學習方法,會嘗試為歷來時間序列資料建立模型,以便預測未來時間點。
與其他類型的模型相比,時間序列預測功能也存在獨特的挑戰,例如季節性、節日效應、資料稀疏度和趨勢變化。由於時間序列的序列性質和時間相關性,許多機器學習技術在這方面並沒有良好的成效。例如,k-fold 交叉驗證可能會導致資料外洩;必須重新訓練模型,才能產生新的預測結果。沒有隨機安排時間維度的功能時,過度配適和配適不足之間要達到平衡相當困難。要預測的項目可能有數百萬項,任何預測解決方案的擴充性也必須納入考量。除了預測外,異常偵測、不確定性量化和因果推論等工作對業務可能也相當重要。時間序列預測不只是含有時間戳記的資料的監督式學習。還好,Google Cloud 提供多種解決方案,可滿足各種業務需求。
舉例來說,大型零售商店可能會有數百萬個商品可以進行預測,這樣在需求量大時就能取得庫存,並在需求較低時避免過度進貨。
產品的零售需求預測
建立端對端解決方案來預測零售產品的需求。使用歷來銷售資料,訓練使用 BigQuery ML 的需求預測模型,然後在 Looker Studio 資訊主頁中以視覺化方式呈現預測值,方便您與利害關係人分享。瞭解如何透過我們的需求預測參考模式,運用 Google Cloud 建立可擴充至數百萬項產品的需求預測解決方案。您也可以透過我們的參考模式,瞭解需求預測可如何減少食物浪費。
商品價格預測
時間序列模型可用於預測對您的業務和生產程序而言至關重要的商品的定價,並為您的現金流模式和財務計畫提供資訊。
現金流預測
時間序列模型通常會與迴歸和分類模型結合,根據歷來會計時間序列、交易資料和合約義務輸入內容,預測出高精確度的現金流量。您可以在這裡將 ARIMA_PLUS 與 BigQuery ML 搭配使用,並與 BigQuery ML 中的監督模型 (例如 GLM、強化型樹狀模型和 AutoML) 結合使用。
需求預測的異常偵測
如果有節慶、送禮季節或年終特賣活動,有時甚至會出現預期高峰。但如果出現預期之外的高點 (或低點),又該如何?例如,您可以如何找出非預期的異常高 (或異常低) 的需求?瞭解如何透過 BigQuery ML 使用異常偵測資料,以找出出現異常高點的自行車出租情況,且與倫敦大眾運輸服務停擺當天的情形相符。
製造業品質驗證 (QC) 與指標監控
從 IoT 感應器到實際工作環境輸出,指標監控方式也有很多種。然而,常見元素是預測這些指標的一般範圍,以便透過現有的監控系統預先規劃和快速回應。
異常偵測的其他常見用途包括價格錯誤造成的價格異常、即時異常偵測,以及製造業品質驗證 (QC) 等。
廣告成效
廣告為業務帶來升幅的成效如何?因果推論能夠幫助您瞭解廣告活動的統計顯著程度。
重大事件對時間序列的影響
您可能會想瞭解重大事件 (例如英國脫歐) 對時間序列的影響之統計顯著程度。進一步瞭解如何進行因果推論,找出「英國脫歐公投如何影響英鎊和美元匯率?」的答案。
因果推論分析還可用於其他領域,包括促銷、獎勵效益和價格彈性預估。
BigQuery ML 能讓使用者在 BigQuery 中,使用標準 SQL 查詢來建立及執行機器學習模型。它支援名為 ARIMA_PLUS 的模型類型,以執行時間序列預測和異常偵測工作。
有了 BigQuery ML 中的 ARIMA_PLUS 模型,您無須離開資料倉儲,就能在單一 SQL 查詢中預測數百萬個時間序列。
ARIMA_PLUS 是一種時間序列建模管道,包含以下功能:
只需輸入一項查詢,即可同時預測數千萬個時間序列。如果可用的 BigQuery 運算單元數量足夠,不同建模管道會平行執行。
透過以下教學課程,您可以開始使用 BigQuery ARIMA_PLUS:
詳情請參閱 BigQuery ML 公開說明文件。
Vertex 預測可讓使用者透過多個方式訓練時間序列預測模型:
詳情請參閱 Vertex 預測公開說明文件。
您可以透過 Vertex 預測教學課程來著手。
如果您想使用自己的自訂程式碼,但希望利用 Google Cloud 上的訓練/提供服務的基礎架構,可以使用 Vertex AI Notebooks 執行 Python、R、TensorFlow 或 PyTorch 的任何程式碼。
透過單變數預測,您可以只根據歷來時間序列資料預測未來資料。舉例來說,在預測紐約市明天的溫度時,單變數預測只會使用單一變數 (歷來溫度) 預測未來溫度。透過單變數預測,您也可以找出季節性模式和趨勢。
透過多變數預測,您可以根據多個因素預測未來資料。舉例來說,如要預測紐約市明天的溫度,除了使用歷來溫度外,您還可以使用氣壓、紫外線指數、鄰近地理區域的雲層覆蓋百分比、風速和其他變數。