Se usó la API de Cloud Translation para traducir esta página.

Recorridos del usuario de extremo a extremo para los modelos de previsión de series temporales

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

Recorridos del usuario para la creación de modelos

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

Tipo de modelo	Creación de modelos	Procesamiento previo de atributos	Ajuste de hiperparámetros	Pesos del modelo	Instructivos
`ARIMA_PLUS`	`CREATE MODEL`	Procesamiento previo automático	Ajuste automático de auto.ARIMA¹	`ML.ARIMA_COEFFICIENTS`	Cómo prever una sola serie temporal Previsión de varias series temporales Prevé millones de series temporales Cómo usar feriados personalizados Limitar los valores previstos Realiza la previsión de series temporales jerárquicas Realiza la detección de anomalías con un modelo de previsión de series temporales multivariable
`ARIMA_PLUS_XREG`	`CREATE MODEL`	Procesamiento previo automático	Ajuste automático de auto.ARIMA¹	`ML.ARIMA_COEFFICIENTS`	Cómo prever una sola serie temporal Previsión de varias series temporales
TimesFM	N/A	N/A	N/A	N/A	Previsión de varias series temporales

¹El algoritmo auto.ARIMA realiza el ajuste de hiperparámetros para el módulo de tendencia. El ajuste de hiperparámetros no es compatible con toda la canalización de modelado. Consulta la canalización de modelado para obtener más detalles.

Recorridos del usuario para el uso del modelo

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

Tipo de modelo	Evaluación	Inferencia	AI Explanations
`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 ingresar 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 generar información sobre el modelo, como la desviación y la varianza.

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