Esta página se ha traducido con Cloud Translation API.

Recorridos de usuario integrales para modelos de previsión de series temporales

En este documento se describen los flujos de trabajo de los modelos de predicción de series temporales de BigQuery ML, incluidas las instrucciones y funciones que puedes usar para trabajar con ellos. BigQuery ML ofrece los siguientes tipos de modelos de previsión de series temporales:

Recorridos de usuario de creación de modelos

En la siguiente tabla se describen las instrucciones y funciones que puedes usar para crear modelos de previsión de series temporales:

Tipo de modelo	Creación de modelos	Preprocesamiento de funciones	Ajuste de hiperparámetros	Pesos del modelo	Tutoriales
`ARIMA_PLUS`	`CREATE MODEL`	Preprocesado automático	Sintonización automática de auto.ARIMA¹	`ML.ARIMA_COEFFICIENTS`	Previsión de una sola serie temporal Previsión de varias series temporales Previsión de millones de series temporales Usar festivos personalizados Limitar los valores previstos Realizar previsiones de series temporales jerárquicas Detectar anomalías con un modelo de previsión de series temporales multivariante
`ARIMA_PLUS_XREG`	`CREATE MODEL`	Preprocesado automático	Sintonización automática de auto.ARIMA¹	`ML.ARIMA_COEFFICIENTS`	Previsión de una sola serie temporal Previsión de varias series temporales
TimesFM	N/A	N/A	N/A	N/A	Previsión de varias series temporales

¹ El algoritmo auto.ARIMA ajusta los hiperparámetros del módulo de tendencia. El ajuste de hiperparámetros no se admite en toda la canalización de modelado. Consulta la pipeline de modelado para obtener más información.

Modelar recorridos de usuario

En la siguiente tabla se describen las instrucciones y funciones que puede usar para evaluar, explicar y obtener previsiones de los modelos de previsión de series temporales:

Tipo de modelo	Evaluación	Inferencia	Explicación de la IA
`ARIMA_PLUS`	`ML.EVALUATE`¹ `ML.ARIMA_EVALUATE` `ML.HOLIDAY_INFO`	`ML.FORECAST` `ML.DETECT_ANOMALIES`	`ML.EXPLAIN_FORECAST`²
`ARIMA_PLUS_XREG`	`ML.EVALUATE`¹ `ML.ARIMA_EVALUATE` `ML.HOLIDAY_INFO`	`ML.FORECAST` `ML.DETECT_ANOMALIES`	`ML.EXPLAIN_FORECAST`²
TimesFM	N/A	`AI.FORECAST`	N/A

¹Puedes introducir datos de evaluación en la función ML.EVALUATE para calcular métricas de previsión, como el error porcentual absoluto medio (MAPE). Si no tienes datos de evaluación, puedes usar la función ML.ARIMA_EVALUATE para obtener información sobre el modelo, como la deriva y la varianza.

² La función ML.EXPLAIN_FORECAST abarca la función ML.FORECAST porque su resultado es un superconjunto de los resultados de ML.FORECAST.