Visão geral de previsão

Previsão é uma técnica em que você analisa dados históricos para fazer uma previsão informada sobre tendências futuras. Por exemplo, você pode analisar dados históricos de vendas de diversas lojas para prever vendas futuras nesses locais. No BigQuery ML, você realiza a previsão em dados de série temporal.

É possível realizar previsões das seguintes maneiras:

  • Usando a AI.FORECAST função com o modelo TimesFM integrado. Use essa abordagem quando precisar prever valores futuros para uma única variável. Essa abordagem não exige que você crie e gerencie um modelo.
  • Usando a ML.FORECAST função com o ARIMA_PLUS modelo. Use essa abordagem quando precisar executar um pipeline de modelagem baseado em ARIMA e decompor a série temporal em vários componentes para explicar os resultados. Essa abordagem exige que você crie e gerencie um modelo.
  • Usando a ML.FORECAST função com o ARIMA_PLUS_XREG modelo. Use essa abordagem quando precisar prever valores futuros para várias variáveis. Essa abordagem exige que você crie e gerencie um modelo.

Além da previsão, você pode usar ARIMA_PLUS e ARIMA_PLUS_XREG modelos para detecção de anomalias. Confira mais informações nestes documentos:

Comparar modelos ARIMA_PLUS e o modelo TimesFM

Use a tabela a seguir para determinar se você deve usar o modelo TimesFM, ARIMA_PLUS ou ARIMA_PLUS_XREG para seu caso de uso:

Tipo de modelo ARIMA_PLUS e ARIMA_PLUS_XREG TimesFM
Detalhes do modelo Modelo estatístico que usa o ARIMA algoritmo para o componente de tendência e uma variedade de outros algoritmos para componentes não relacionados a tendências. Para mais informações, consulte o pipeline de modelagem de série temporal e a publicação abaixo. Modelo de fundação baseado em transformadores. Para mais informações, consulte as publicações na próxima linha.
Publicação ARIMA_PLUS: Large-scale, Accurate, Automatic and Interpretable In-Database Time Series Forecasting and Anomaly Detection in Google BigQuery (ARIMA_PLUS: previsão de série temporal e detecção de anomalias em grande escala, precisas, automáticas e interpretáveis no banco de dados do Google BigQuery, link em inglês) A Decoder-only Foundation Model for Time-series Forecasting (Um modelo de fundação somente de decodificador para previsão de série temporal, link em inglês)
Treinamento necessário Sim, um ARIMA_PLUS ou ARIMA_PLUS_XREG modelo é treinado para cada série temporal. Não, o modelo TimesFM é pré-treinado.
Facilidade de uso do SQL Alto. Requer uma instrução CREATE MODEL e uma chamada de função. Muito alto. Requer uma única chamada de função.
Histórico de dados usado Usa todos os pontos de tempo nos dados de treinamento, mas pode ser personalizado para usar menos pontos de tempo. Pode ser personalizado usando o context_window parâmetro d a AI.FORECAST função.
Precisão Muito alto. Para mais informações, consulte as publicações listadas em uma linha anterior. Muito alto. Para mais informações, consulte as publicações listadas em uma linha anterior.
Personalização Alto. A instrução CREATE MODELoferece argumentos que permitem ajustar muitas configurações do modelo, como:
  • Sazonalidade
  • Efeitos das datas comemorativas
  • Mudanças de etapas
  • Tendência
  • Remoção de picos e quedas
  • Estimativa de limites superiores e inferiores
 Baixo.
Suporta covariáveis Sim, ao usar o oARIMA_PLUS_XREG modelo. Não.
Explicabilidade Alto. É possível usar a ML.EXPLAIN_FORECAST função para inspecionar os componentes do modelo. Baixo.
Avaliação do modelo Use a função ML.ARIMA_EVALUATE. Use a função AI.EVALUATE.
Melhores casos de uso:
  • Você quer controle total do modelo, incluindo a personalização.
  • Você precisa de explicabilidade para a saída do modelo.
  • Você quer uma configuração mínima, fazendo a previsão sem criar um modelo primeiro.

Análise de componentes

Para entender melhor seus dados e melhorar a previsão, use a análise de componentes de série temporal para decompor sua série temporal em padrões fundamentais subjacentes. As seguintes funções estão disponíveis para análise de componentes e previsão:

  • ML.SEASONALITY: extrai o componente de sazonalidade de uma série temporal, que representa padrões repetidos em períodos fixos, como anos, semanas ou dias.
  • ML.TREND: extrai o componente de tendência de uma série temporal, que representa a trajetória direcional de uma métrica ao longo do tempo e ignora flutuações ou ruídos de curto prazo.

Ao usar as configurações padrão das instruções e funções do BigQuery ML, é possível criar e usar um modelo de previsão mesmo sem muito conhecimento de ML. No entanto, ter conhecimento básico sobre o desenvolvimento de ML e modelos de previsão, em particular, ajuda a otimizar seus dados e seu modelo para oferecer melhores resultados. Recomendamos usar os seguintes recursos para se familiarizar com as técnicas e processos de ML: