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 fazer previsões das seguintes maneiras:

  • Usando a função AI.FORECAST com o modelo TimesFM integrado. Use essa abordagem quando precisar prever valores futuros para uma ou várias variáveis. Essa abordagem não exige que você crie e gerencie um modelo.
  • Usando a função ML.FORECAST com o modelo ARIMA_PLUS. 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 função ML.FORECAST com o modelo ARIMA_PLUS_XREG. 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 os modelos ARIMA_PLUS, ARIMA_PLUS_XREG e TimesFM 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 no seu caso de uso:

Tipo de modelo ARIMA_PLUS e ARIMA_PLUS_XREG TimesFM
Detalhes do modelo Modelo estatístico que usa o algoritmo ARIMA para o componente de tendência e vários outros algoritmos para componentes sem tendência. Para mais informações, consulte Pipeline de modelagem de série temporal e a publicação na próxima linha. Modelo de fundação baseado em transformador. Para mais informações, consulte as publicações na próxima linha.
Publicação ARIMA_PLUS: previsão e detecção de anomalias de séries temporais no banco de dados em grande escala, precisas, automáticas e interpretáveis no BigQuery
Treinamento necessário Sim, um modelo ARIMA_PLUS ou ARIMA_PLUS_XREG 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 alta. 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. Pode ser personalizado usando o parâmetro context_window da função AI.FORECAST.
Precisão Muito alta. Para mais informações, consulte as publicações listadas em uma linha anterior. Muito alta. Para mais informações, consulte as publicações listadas em uma linha anterior.
Personalização Alto. A instrução CREATE MODEL oferece argumentos que permitem ajustar muitas configurações do modelo, como as seguintes:
  • Sazonalidade
  • Efeitos das datas comemorativas
  • Mudanças de etapa
  • Tendência
  • Remoção de picos e quedas
  • Limites superior e inferior de previsão
 Baixa.
Compatível com covariáveis Sim, ao usar o modelo ARIMA_PLUS_XREG. Sim, ao usar o modelo TimesFM 3.0 (Pré-lançamento).
Explicabilidade Alto. Use a função ML.EXPLAIN_FORECAST para inspecionar os componentes do modelo. Baixa.
Avaliação do modelo Use a função ML.ARIMA_EVALUATE. Use a função AI.EVALUATE.
Melhores casos de uso
  • Você quer ter controle total do modelo, incluindo a personalização.
  • Você precisa de explicabilidade para a saída do modelo.
  • Você quer fazer previsões sem criar um modelo primeiro.
  • Você quer um modelo de fundação pré-treinado de alta performance.

Análise de componentes

Para ter insights sobre seus dados e melhorar as previsões, use a análise de componentes de série temporal para decompor sua série temporal em padrões fundamentais. As seguintes funções estão disponíveis para análise e previsão de componentes:

  • ML.SEASONALITY: extrai o componente de sazonalidade de uma série temporal, que representa padrões recorrentes 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.
  • ML.DETECT_CHANGE_POINTS: identifica intervalos em que o comportamento estatístico ou as propriedades dos dados de série temporal mudaram. Ela oferece insights sobre mudanças estruturais significativas, em vez de eventos isolados ou temporários.

Usando 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 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 técnicas e processos de ML: