Vista geral da previsão

A previsão é uma técnica em que analisa dados do histórico para fazer uma previsão informada sobre tendências futuras. Por exemplo, pode analisar os dados de vendas históricos de várias localizações de lojas para prever as vendas futuras nessas localizações. No BigQuery ML, faz previsões sobre dados de séries cronológicas.

Pode fazer previsões das seguintes formas:

  • Usando a função AI.FORECAST com o modelo TimesFM integrado. Use esta abordagem quando precisar de prever valores futuros para uma única variável e não precisar de ajustar o modelo. Esta abordagem não requer que crie e faça a gestão de um modelo.
  • Usando a ML.FORECAST função com o ARIMA_PLUS modelo. Use esta abordagem quando precisar de executar um pipeline de modelagem baseado em ARIMA e decompor a série cronológica em vários componentes para explicar os resultados. Esta abordagem requer que crie e faça a gestão de um modelo.
  • Usando a função ML.FORECAST com o ARIMA_PLUS_XREG modelo. Use esta abordagem quando precisar de prever valores futuros para várias variáveis. Esta abordagem requer que crie e faça a gestão de um modelo.

ARIMA_PLUS e ARIMA_PLUS_XREG, na verdade, não são modelos únicos, mas sim uma pipeline de modelagem de intervalos temporais que inclui vários modelos e algoritmos. Para mais informações, consulte o artigo Pipeline de modelagem de séries cronológicas.

Além da previsão, pode usar os modelos ARIMA_PLUS e ARIMA_PLUS_XREG para a deteção de anomalias. Para mais informações, consulte os seguintes documentos:

Compare os modelos TimesFM e ARIMA

Use a tabela seguinte para determinar se deve usar o AI.FORECAST com o modelo TimesFM incorporado ou o ML.FORECAST com um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG para o seu exemplo de utilização:

Funcionalidade AI.FORECAST com um modelo TimesFM ML.FORECAST com um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG
Tipo de modelo Modelo base baseado em transformadores. Modelo estatístico que usa o algoritmo ARIMA para o componente de tendência e uma variedade de outros algoritmos para componentes que não sejam de tendência. Para mais informações, consulte o artigo Processo de modelagem de séries cronológicas.
Preparação necessária Não, o modelo TimesFM está pré-preparado. Sim, é preparado um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG para cada série cronológica.
Facilidade de utilização do SQL Muito elevado. Requer uma única chamada de função. Alto. Requer uma declaração CREATE MODEL e uma chamada de função.
Histórico de dados usado Usa 512 pontos temporais. Usa todos os pontos temporais nos dados de preparação, mas pode ser personalizada para usar menos pontos temporais.
Precisão Muito elevado. Tem um desempenho superior a vários outros modelos. Para mais informações, consulte o artigo Um modelo base apenas de descodificador para previsão de séries cronológicas. Muito elevada, ao nível do modelo TimesFM.
Personalização Baixa. Alto. A declaração CREATE MODEL oferece argumentos que lhe permitem ajustar muitas definições do modelo, como as seguintes:
  • Periodicidade
  • Efeitos festivos
  • Alterações de passos
  • Tendência
  • Remoção de picos e quedas
  • Limites superior e inferior da previsão
Suporta covariáveis Não. Sim, quando usa o modelo ARIMA_PLUS_XREG.
Capacidade de explicação Baixa. Alto. Pode usar a função ML.EXPLAIN_FORECAST para inspecionar os componentes do modelo.
Melhores exemplos de utilização
  • Previsões rápidas
  • Necessitam de uma configuração mínima
  • O modelo precisa de ajuste
  • Necessidade de explicabilidade para a saída do modelo
  • A entrada do modelo precisa de mais contexto

Ao usar as predefinições das declarações e das funções do BigQuery ML, pode criar e usar um modelo de previsão mesmo sem muitos conhecimentos de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de AA e, em particular, sobre modelos de previsão, ajuda a otimizar os seus dados e o seu modelo para gerar melhores resultados. Recomendamos que use os seguintes recursos para desenvolver familiaridade com as técnicas e os processos de ML: