Ringkasan perkiraan

Perkiraan adalah teknik untuk menganalisis data historis guna membuat prediksi yang tepat tentang tren mendatang. Misalnya, Anda dapat menganalisis data penjualan historis dari beberapa lokasi toko untuk memprediksi penjualan mendatang di lokasi tersebut. Di BigQuery ML, Anda melakukan perkiraan pada data deret waktu.

Anda dapat melakukan perkiraan dengan cara berikut:

  • Dengan menggunakan fungsi AI.FORECAST dengan model TimesFM bawaan. Gunakan pendekatan ini saat Anda perlu memperkirakan nilai mendatang untuk satu variabel, dan tidak memerlukan kemampuan untuk menyesuaikan model. Pendekatan ini tidak mengharuskan Anda membuat dan mengelola model.
  • Dengan menggunakan ML.FORECAST function dengan ARIMA_PLUS model. Gunakan pendekatan ini saat Anda perlu menjalankan pipeline pemodelan berbasis ARIMA dan menguraikan deret waktu menjadi beberapa komponen untuk menjelaskan hasilnya. Pendekatan ini mengharuskan Anda membuat dan mengelola model.
  • Dengan menggunakan fungsi ML.FORECAST dengan model ARIMA_PLUS_XREG. Gunakan pendekatan ini saat Anda perlu memperkirakan nilai mendatang untuk beberapa variabel. Pendekatan ini mengharuskan Anda membuat dan mengelola model.

Model deret waktu ARIMA_PLUS dan ARIMA_PLUS_XREG sebenarnya bukan model tunggal, melainkan pipeline pemodelan deret waktu yang mencakup beberapa model dan algoritma. Untuk mengetahui informasi selengkapnya, lihat Pipeline pemodelan deret waktu.

Membandingkan model TimesFM dan ARIMA

Gunakan tabel berikut untuk menentukan apakah akan menggunakan AI.FORECAST dengan model TimesFM bawaan atau ML.FORECAST dengan model ARIMA_PLUS atau ARIMA_PLUS_XREG untuk kasus penggunaan Anda:

Fitur AI.FORECAST dengan model TimesFM ML.FORECAST dengan model ARIMA_PLUS atau ARIMA_PLUS_XREG
Jenis model Model dasar berbasis Transformer. Model statistik yang menggunakan algoritma ARIMA untuk komponen tren, dan berbagai algoritma lainnya untuk komponen non-tren. Untuk mengetahui informasi selengkapnya, lihat Pipeline pemodelan deret waktu.
Perlu pelatihan Tidak, model TimesFM sudah dilatih. Ya, satu model ARIMA_PLUS atau ARIMA_PLUS_XREG dilatih untuk setiap deret waktu.
Kemudahan penggunaan SQL Sangat tinggi. Memerlukan satu panggilan fungsi. Tinggi. Memerlukan pernyataan CREATE MODEL dan panggilan fungsi.
Histori data yang digunakan Menggunakan 512 titik waktu. Menggunakan semua titik waktu dalam data pelatihan, tetapi dapat disesuaikan untuk menggunakan lebih sedikit titik waktu.
Akurasi Sangat tinggi. Mengungguli sejumlah model lainnya. Untuk mengetahui informasi selengkapnya, lihat Model Dasar Khusus Decoder untuk Peramalan Deret Waktu. Sangat tinggi, setara dengan model TimesFM.
Penyesuaian Rendah. Tinggi. Pernyataan CREATE MODEL menawarkan argumen yang memungkinkan Anda menyesuaikan banyak setelan model, seperti berikut:
  • Momen Khusus
  • Holiday effect
  • Perubahan langkah
  • Tren
  • Penghapusan lonjakan dan penurunan
  • Memperkirakan batas atas dan bawah
Mendukung kovariat Tidak. Ya, saat menggunakan model ARIMA_PLUS_XREG.
Keterjelasan Rendah. Tinggi. Anda dapat menggunakan fungsi ML.EXPLAIN_FORECAST untuk memeriksa komponen model.
Kasus penggunaan terbaik
  • Prakiraan cepat
  • Memerlukan penyiapan minimal
  • Model memerlukan penyesuaian
  • Membutuhkan penjelasan untuk output model
  • Input model memerlukan lebih banyak konteks

Dengan menggunakan setelan default pernyataan dan fungsi BigQuery ML, Anda dapat membuat dan menggunakan model perkiraan meskipun tanpa banyak pengetahuan ML. Namun, memiliki pengetahuan dasar tentang pengembangan ML, dan khususnya model perkiraan, membantu Anda mengoptimalkan data dan model untuk memberikan hasil yang lebih baik. Sebaiknya gunakan referensi berikut untuk mengembangkan pemahaman tentang teknik dan proses ML: