Cette page a été traduite par l'API Cloud Translation.

Parcours utilisateur de bout en bout pour les modèles de prévision de séries temporelles

Ce document décrit les parcours utilisateur pour les modèles de prévision de séries temporelles BigQuery ML, y compris les instructions et les fonctions que vous pouvez utiliser pour travailler avec ces modèles. BigQuery ML propose les types de modèles de prévision de séries temporelles suivants :

Parcours utilisateur de création de modèles

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser pour créer des modèles de prévision de séries temporelles :

Type de modèle	Création de modèle	Prétraiter des caractéristiques	Réglages d'hyperparamètres	Pondérations de modèle	Tutoriels
`ARIMA_PLUS`	`CREATE MODEL`	Prétraitement automatique	Réglage automatique auto.ARIMA¹	`ML.ARIMA_COEFFICIENTS`	Prévoir une seule série temporelle Prévoir plusieurs séries temporelles Prévoir des millions de séries temporelles Utiliser des jours fériés personnalisés Limiter les valeurs prévues Effectuer des prévisions de séries temporelles hiérarchiques Effectuer une détection d'anomalies avec un modèle de prévision de séries temporelles multivariées
`ARIMA_PLUS_XREG`	`CREATE MODEL`	Prétraitement automatique	Réglage automatique auto.ARIMA¹	`ML.ARIMA_COEFFICIENTS`	Prévoir une seule série temporelle Prévoir plusieurs séries temporelles
TimesFM	N/A	N/A	N/A	N/A	Prévoir plusieurs séries temporelles

¹ L'algorithme auto.ARIMA effectue le réglage des hyperparamètres pour le module de tendance. Les réglages d'hyperparamètres ne sont pas compatibles avec l'ensemble du pipeline de modélisation. Pour plus d'informations, consultez le pipeline de modélisation.

Parcours utilisateur pour l'utilisation des modèles

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser pour évaluer, expliquer et obtenir des prévisions à partir de modèles de prévision de séries temporelles :

Type de modèle	Évaluation	Inférence	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

¹ Vous pouvez saisir des données d'évaluation dans la fonction ML.EVALUATE pour calculer des métriques de prévision, telles que l'erreur absolue moyenne en pourcentage (EAMP). Si vous ne disposez pas de données d'évaluation, vous pouvez utiliser la fonction ML.ARIMA_EVALUATE pour obtenir des informations sur le modèle, comme la dérive et la variance.

² La fonction ML.EXPLAIN_FORECAST englobe la fonction ML.FORECAST, car son résultat est un sur-ensemble des résultats de ML.FORECAST.