סקירה כללית על תחזיות

תחזית היא טכניקה שבה מנתחים נתונים היסטוריים כדי להסיק תחזית מושכלת לגבי מגמות עתידיות. לדוגמה, אפשר לנתח נתוני מכירות היסטוריים מכמה מיקומי חנויות כדי לחזות את המכירות העתידיות במיקומים האלה. ב-BigQuery ML, אתם מבצעים חיזוי על נתוני סדרות זמנים.

אפשר לבצע תחזיות בדרכים הבאות:

  • באמצעות הפונקציה AI.FORECAST עם המודל TimesFM המובנה. משתמשים בגישה הזו כשרוצים לחזות ערכים עתידיים של משתנה אחד או כמה משתנים. בגישה הזו לא צריך ליצור מודל ולנהל אותו.
  • באמצעות הפונקציה ML.FORECAST עם המודל ARIMA_PLUS. משתמשים בגישה הזו כשצריך להפעיל צינור מודלים שמבוסס על ARIMA ולפרק את סדרת הזמן לכמה רכיבים כדי להסביר את התוצאות. בגישה הזו צריך ליצור מודל ולנהל אותו.
  • באמצעות הפונקציה ML.FORECAST עם המודל ARIMA_PLUS_XREG. אפשר להשתמש בגישה הזו כשצריך לחזות ערכים עתידיים של כמה משתנים. בגישה הזו צריך ליצור מודל ולנהל אותו.

בנוסף ליצירת תחזיות, אפשר להשתמש במודלים ARIMA_PLUS, ARIMA_PLUS_XREG ו-TimesFM כדי לזהות אנומליות. מידע נוסף זמין במסמכים הבאים:

השוואה בין ARIMA_PLUS מודלים שונים לבין מודל TimesFM

הטבלה הבאה תעזור לכם להחליט אם להשתמש במודל TimesFM,‏ ARIMA_PLUS או ARIMA_PLUS_XREG בתרחיש השימוש שלכם:

סוג המודל ARIMA_PLUS וגם ARIMA_PLUS_XREG TimesFM
פרטי המודל מודל סטטיסטי שמשתמש באלגוריתם ARIMA לרכיב המגמה, ובמגוון אלגוריתמים אחרים לרכיבים שאינם מגמה. מידע נוסף זמין במאמר בנושא צינור לעיבוד נתונים של מודלים של סדרות זמנים ובפרסום בשורה הבאה. מודל בסיס שמבוסס על טרנספורמר. מידע נוסף זמין בפרסומים בשורה הבאה.
אתר חדשות ‫ARIMA_PLUS: תחזיות של סדרות זמן וזיהוי אנומליות במסדי נתונים ב-BigQuery – מדויקות, אוטומטיות וניתנות לפירוש, בקנה מידה גדול
נדרש אימון כן, מאמנים מודל ARIMA_PLUS או ARIMA_PLUS_XREG אחד לכל סדרת זמן. לא, מודל TimesFM מאומן מראש.
קלות השימוש ב-SQL גבוהה. נדרשת הצהרת CREATE MODEL וקריאה לפונקציה. גבוהה מאוד. נדרשת קריאה יחידה לפונקציה.
היסטוריית הנתונים בשימוש המודל משתמש בכל נקודות הזמן בנתוני האימון, אבל אפשר להתאים אותו כך שישתמש בפחות נקודות זמן. אפשר להתאים אישית את ההגדרה באמצעות הפרמטר context_window של הפונקציה AI.FORECAST.
דיוק גבוהה מאוד. מידע נוסף זמין בפרסומים שמופיעים בשורה הקודמת. גבוהה מאוד. מידע נוסף זמין בפרסומים שמופיעים בשורה הקודמת.
התאמה אישית גבוהה. ההצהרה CREATE MODEL כוללת ארגומנטים שמאפשרים לכם לשנות הרבה הגדרות של המודל, כמו ההגדרות הבאות:
  • עונתיות
  • אפקטים לחגים
  • שינויים בשלבים
  • מגמה
  • הסרה של עליות וירידות חדות
  • חיזוי של גבולות עליונים ותחתונים
 נמוכה.
תמיכה במשתנים מסבירים כן, כשמשתמשים במודל ARIMA_PLUS_XREG. כן, כשמשתמשים במודל TimesFM 3.0 (גרסת טרום-השקה).
יכולת הסברה גבוהה. אפשר להשתמש בפונקציה ML.EXPLAIN_FORECAST כדי לבדוק רכיבים של מודל. נמוכה.
הערכת מודלים משתמשים בפונקציה ML.ARIMA_EVALUATE. משתמשים בפונקציה AI.EVALUATE.
תרחישי השימוש המומלצים
  • אתם רוצים שליטה מלאה במודל, כולל התאמה אישית.
  • אתם צריכים הסבר לפלט של המודל.
  • אתם רוצים לבצע חיזוי בלי ליצור קודם מודל.
  • אתם רוצים מודל בסיסי שאומן מראש, עם ביצועים גבוהים.

ניתוח רכיבים

כדי לקבל תובנות לגבי הנתונים ולשפר את התחזיות, אפשר להשתמש בניתוח רכיבים של סדרות זמנים כדי לפרק את סדרות הזמנים לדפוסים בסיסיים. הפונקציות הבאות זמינות לניתוח ולתחזית של רכיבים:

  • ‫ML.SEASONALITY: מחזירה את רכיב העונתיות של סדרת זמן, שמייצג דפוסים חוזרים על פני תקופות זמן קבועות, כמו שנים, שבועות או ימים.
  • ‫ML.TREND: מחלצת את רכיב המגמה של סדרת זמן, שמייצג את מסלול הכיוון של מדד לאורך זמן ומתעלם מתנודות או מרעשים לטווח קצר.
  • ‫ML.DETECT_CHANGE_POINTS: מזהה מרווחי זמן שבהם חל שינוי בהתנהגות הסטטיסטית או במאפיינים של נתוני סדרות זמן. הפונקציה הזו מספקת תובנות לגבי שינויים משמעותיים במבנה, ולא לגבי אירועים זמניים או מבודדים.

באמצעות הגדרות ברירת המחדל של ההצהרות והפונקציות של BigQuery ML, אפשר ליצור ולהשתמש במודל חיזוי גם בלי ידע רב בלמידת מכונה. עם זאת, ידע בסיסי בפיתוח ML, ובמודלים של חיזוי בפרט, יעזור לכם לבצע אופטימיזציה של הנתונים ושל המודל כדי להשיג תוצאות טובות יותר. כדי להכיר את הטכניקות והתהליכים של ML, מומלץ להשתמש במקורות המידע הבאים: