Descripción general de la previsión

La previsión es una técnica en la que se analizan datos históricos para realizar una predicción fundamentada sobre tendencias futuras. Por ejemplo, podría analizar los datos históricos de ventas de varias ubicaciones de tiendas para predecir las ventas futuras en esas ubicaciones. En BigQuery ML, realizas previsiones de datos de series temporales.

Puedes realizar previsiones de las siguientes maneras:

  • Usando la función AI.FORECAST con el modelo TimesFM integrado Usa este enfoque cuando necesites predecir valores futuros para una sola variable. Este enfoque no requiere que crees y administres un modelo.
  • Usar la función ML.FORECAST con el modelo ARIMA_PLUS Usa este enfoque cuando necesites ejecutar una canalización de modelado basada en ARIMA y descompón la serie temporal en varios componentes para explicar los resultados. Este enfoque requiere que crees y administres un modelo.
  • Usar la función ML.FORECAST con el modelo ARIMA_PLUS_XREG Usa este enfoque cuando necesites predecir valores futuros para varias variables. Este enfoque requiere que crees y administres un modelo.

Además de la previsión, puedes usar los modelos ARIMA_PLUS y ARIMA_PLUS_XREG para la detección de anomalías. Para obtener más información, consulta los siguientes documentos:

Comparación de los modelos de ARIMA_PLUS y el modelo de TimesFM

Usa la siguiente tabla para determinar si debes usar el modelo TimesFM, ARIMA_PLUS o ARIMA_PLUS_XREG para tu caso de uso:

Tipo de modelo ARIMA_PLUS y ARIMA_PLUS_XREG TimesFM
Detalles del modelo Es un modelo estadístico que usa el algoritmo ARIMA para el componente de tendencia y una variedad de otros algoritmos para los componentes que no son de tendencia. Para obtener más información, consulta la canalización de modelado de series temporales y la publicación que se incluye a continuación. Modelo de base basado en Transformer. Para obtener más información, consulta las publicaciones de la siguiente fila.
Publicación ARIMA_PLUS: Previsión y detección de anomalías de series temporales a gran escala, precisas, automáticas e interpretables en la base de datos de Google BigQuery Un modelo de base solo con decodificador para la previsión de series temporales
Se requiere entrenamiento Sí, se entrena un modelo ARIMA_PLUS o ARIMA_PLUS_XREG para cada serie temporal. No, el modelo TimesFM está previamente entrenado.
Facilidad de uso de SQL Alta. Requiere una sentencia CREATE MODEL y una llamada a función. Muy alta. Requiere una sola llamada a función.
Historial de datos utilizado Utiliza todos los puntos temporales de los datos de entrenamiento, pero se puede personalizar para usar menos puntos temporales. Se puede personalizar con el parámetro context_window de la función AI.FORECAST.
Exactitud Muy alta. Para obtener más información, consulta las publicaciones que se indican en una fila anterior. Muy alta. Para obtener más información, consulta las publicaciones que se indican en una fila anterior.
Personalización Alta. La instrucción CREATE MODEL ofrece argumentos que te permiten ajustar muchos parámetros de configuración del modelo, como los siguientes:
  • Estacionalidad
  • Efectos de días feriados
  • Cambios en los pasos
  • Tendencia
  • Eliminación de aumentos y descensos
  • Previsión de límites superior e inferior
 Baja.
Admite covariables Sí, cuando se usa el modelo ARIMA_PLUS_XREG No.
Explicabilidad Alta. Puedes usar la función ML.EXPLAIN_FORECAST para inspeccionar los componentes del modelo. Baja.
Evaluación del modelo Usa la funciónML.ARIMA_EVALUATE. Usa la funciónAI.EVALUATE.
Mejores casos de uso
  • Quieres tener el control total del modelo, incluida la personalización.
  • Necesitas explicabilidad para el resultado del modelo.
  • Deseas una configuración mínima: hacer la previsión sin crear un modelo primero.

Análisis de componentes

Para obtener estadísticas sobre tus datos y mejorar las previsiones, usa el análisis de componentes de series temporales para desglosar tus series temporales en patrones subyacentes fundamentales. Las siguientes funciones están disponibles para el análisis y la previsión de componentes:

  • ML.SEASONALITY: Extrae el componente de estacionalidad de una serie temporal, que representa patrones repetitivos durante períodos fijos, como años, semanas o días.
  • ML.TREND: Extrae el componente de tendencia de una serie temporal, que representa la trayectoria direccional de una métrica a lo largo del tiempo y hace caso omiso de las fluctuaciones o el ruido a corto plazo.
  • ML.DETECT_CHANGE_POINTS: Identifica los intervalos en los que cambiaron el comportamiento o las propiedades estadísticas de los datos de series temporales. Esta función proporciona información sobre los cambios estructurales significativos, en lugar de los eventos transitorios o aislados.

Si usas la configuración predeterminada de las sentencias y funciones de BigQuery ML, puedes crear y usar un modelo de previsión incluso sin tener muchos conocimientos de AA. Sin embargo, tener conocimientos básicos sobre el desarrollo de AA y los modelos de previsión en particular te ayuda a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que uses los siguientes recursos para familiarizarte con las técnicas y los procesos de AA: