時間序列預測模型的端對端使用者歷程

本文說明 BigQuery ML 時間序列預測模型的使用者歷程，包括可用於處理時間序列預測模型的陳述式和函式。BigQuery ML 提供下列類型的時間序列預測模型：

• ARIMA_PLUS單變數模型
• ARIMA_PLUS_XREG 多變數模型
• TimesFM 單變數模型

模型建立使用者歷程

下表說明可用於建立時間序列預測模型的陳述式和函式：

模型類型	模型建立	預先處理特徵	超參數調整	模型權重	教學課程
ARIMA_PLUS	CREATE MODEL	自動預先處理	auto.ARIMA1 自動微調	ML.ARIMA_COEFFICIENTS	預測單一時間序列 預測多個時間序列 預測數百萬個時間序列 使用自訂節慶 限制預估值 執行階層式時間序列預測 使用多變數時間序列預測模型執行異常偵測
ARIMA_PLUS_XREG	CREATE MODEL	自動預先處理	auto.ARIMA1 自動微調	ML.ARIMA_COEFFICIENTS	預測單一時間序列 預測多個時間序列
TimesFM	不適用	不適用	不適用	不適用	預測多個時間序列

¹ auto.ARIMA 演算法會對趨勢模組執行超參數調整。超參數調整功能不支援整個模型化管道。詳情請參閱模型化管道。

使用使用者歷程模型

下表說明可用於評估、說明及取得時間序列預測模型預測結果的陳述式和函式：

模型類型	評估	推論	AI 說明
ARIMA_PLUS	ML.EVALUATE1 ML.ARIMA_EVALUATE ML.HOLIDAY_INFO	ML.FORECAST ML.DETECT_ANOMALIES	ML.EXPLAIN_FORECAST2
ARIMA_PLUS_XREG	ML.EVALUATE1 ML.ARIMA_EVALUATE ML.HOLIDAY_INFO	ML.FORECAST ML.DETECT_ANOMALIES	ML.EXPLAIN_FORECAST2
TimesFM	不適用	AI.FORECAST	不適用

¹ 您可以將評估資料輸入 ML.EVALUATE 函式，計算預測指標，例如平均絕對百分比誤差 (MAPE)。如果沒有評估資料，可以使用 ML.ARIMA_EVALUATE 函式輸出模型相關資訊，例如漂移和變異數。

²：ML.EXPLAIN_FORECAST 函式包含 ML.FORECAST 函式，因為其輸出內容是 ML.FORECAST 結果的超集。