Descripción general de las previsiones

La previsión es una técnica que consiste en analizar el historial de datos para hacer una predicción fundamentada sobre las tendencias futuras. Por ejemplo, puedes analizar el historial de datos de ventas de varias tiendas para predecir las ventas futuras en esas ubicaciones. En BigQuery ML, las previsiones se realizan con datos de series temporales.

Puedes hacer previsiones de las siguientes formas:

  • Usando la AI.FORECAST función con el modelo TimesFM integrado. Usa este método cuando necesites predecir valores futuros de una sola variable y no necesites ajustar el modelo. Con este método no es necesario crear ni gestionar un modelo.
  • Usando la función ML.FORECAST con el modelo ARIMA_PLUS. Usa este enfoque cuando necesites ejecutar un flujo de procesamiento de modelos basado en ARIMA y desglosar la serie temporal en varios componentes para explicar los resultados. Con este enfoque, debes crear y gestionar un modelo.
  • Usando la función ML.FORECAST con el modelo ARIMA_PLUS_XREG. Usa este método cuando necesites predecir valores futuros de varias variables. Con este enfoque, debes crear y gestionar un modelo.

Los modelos de serie temporal ARIMA_PLUS y ARIMA_PLUS_XREG no son modelos únicos, sino un flujo de procesamiento de modelos de serie temporal que incluye varios modelos y algoritmos. Para obtener más información, consulta Pipeline de modelización de series temporales.

Además de hacer previsiones, puede usar los modelos ARIMA_PLUS y ARIMA_PLUS_XREG para detectar anomalías. Para obtener más información, consulta los siguientes documentos:

Comparar los modelos TimesFM y ARIMA

Usa la siguiente tabla para determinar si debes usar AI.FORECAST con el modelo TimesFM integrado o ML.FORECAST con un modelo ARIMA_PLUS o ARIMA_PLUS_XREG en tu caso práctico:

Función AI.FORECAST con un modelo TimesFM ML.FORECAST con un modelo ARIMA_PLUS o ARIMA_PLUS_XREG
Tipo de modelo Modelo base basado en transformadores. Modelo estadístico que usa el algoritmo ARIMA para el componente de tendencia y otros algoritmos para los componentes que no son de tendencia. Para obtener más información, consulta Pipeline de modelización de series temporales.
Debe entrenarse No, el modelo TimesFM está entrenado previamente. Sí, se entrena un modelo ARIMA_PLUS o ARIMA_PLUS_XREG para cada serie temporal.
Facilidad de uso de SQL Muy alto. Requiere una sola llamada a una función. Alto. Requiere una instrucción CREATE MODEL y una llamada de función.
Historial de datos usado Usa 512 puntos temporales. Usa todos los puntos temporales de los datos de entrenamiento, pero se puede personalizar para usar menos puntos temporales.
Precisión Muy alto. Supera a otros modelos. Para obtener más información, consulta Modelo básico solo de decodificador para la previsión de series temporales. Muy alta, a la altura del modelo TimesFM.
Personalización Bajo. Alto. La instrucción CREATE MODEL ofrece argumentos que te permiten ajustar muchos parámetros del modelo, como los siguientes:
  • Estacionalidad
  • Efectos festivos
  • Cambios de paso
  • Tendencia
  • Eliminación de picos y valles
  • Límites superiores e inferiores de las previsiones
Admite covariables No. Sí, cuando se usa el modelo ARIMA_PLUS_XREG.
Explicabilidad Bajo. Alto. Puedes usar la función ML.EXPLAIN_FORECAST para inspeccionar los componentes del modelo.
Casos prácticos recomendados
  • Previsiones rápidas
  • Necesita una configuración mínima
  • El modelo necesita un ajuste fino
  • Necesita explicaciones sobre los resultados del modelo
  • El modelo necesita más contexto

Si usas la configuración predeterminada de las instrucciones y funciones de BigQuery ML, puedes crear y usar un modelo de previsión aunque no tengas muchos conocimientos sobre aprendizaje automático. Sin embargo, tener conocimientos básicos sobre el desarrollo de aprendizaje automático y, en concreto, sobre los modelos de previsión, te ayudará a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que utilices los siguientes recursos para familiarizarte con las técnicas y los procesos de aprendizaje automático: