Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Ringkasan perkiraan
Perkiraan adalah teknik untuk menganalisis data historis guna membuat prediksi yang tepat tentang tren mendatang. Misalnya, Anda dapat menganalisis data penjualan historis dari beberapa lokasi toko untuk memprediksi penjualan mendatang di lokasi tersebut. Di BigQuery ML, Anda melakukan perkiraan pada data
deret waktu.
Anda dapat melakukan perkiraan dengan cara berikut:
Dengan menggunakan
fungsi AI.FORECAST
dengan
model TimesFM bawaan. Gunakan pendekatan ini saat Anda
perlu memperkirakan nilai mendatang untuk satu variabel, dan tidak memerlukan
kemampuan untuk menyesuaikan model. Pendekatan ini tidak mengharuskan Anda membuat
dan mengelola model.
Dengan menggunakan
ML.FORECAST function
dengan
ARIMA_PLUS model.
Gunakan pendekatan ini saat Anda perlu menjalankan pipeline pemodelan berbasis ARIMA dan
menguraikan deret waktu menjadi beberapa komponen untuk menjelaskan
hasilnya. Pendekatan ini mengharuskan Anda membuat dan mengelola model.
Dengan menggunakan fungsi ML.FORECAST dengan
model ARIMA_PLUS_XREG.
Gunakan pendekatan ini saat Anda perlu memperkirakan nilai mendatang untuk beberapa variabel. Pendekatan ini mengharuskan Anda membuat dan mengelola model.
Model deret waktu ARIMA_PLUS dan ARIMA_PLUS_XREG sebenarnya bukan model
tunggal, melainkan pipeline pemodelan deret waktu yang mencakup beberapa
model dan algoritma. Untuk mengetahui informasi selengkapnya, lihat
Pipeline pemodelan deret waktu.
Membandingkan model TimesFM dan ARIMA
Gunakan tabel berikut untuk menentukan apakah akan menggunakan AI.FORECAST dengan model TimesFM bawaan atau ML.FORECAST dengan model ARIMA_PLUS atau ARIMA_PLUS_XREG untuk kasus penggunaan Anda:
Fitur
AI.FORECAST dengan model TimesFM
ML.FORECAST dengan model ARIMA_PLUS atau
ARIMA_PLUS_XREG
Jenis model
Model dasar berbasis Transformer.
Model statistik yang menggunakan algoritma ARIMA untuk komponen tren, dan berbagai algoritma lainnya untuk komponen non-tren. Untuk mengetahui informasi selengkapnya, lihat
Pipeline pemodelan deret waktu.
Perlu pelatihan
Tidak, model TimesFM sudah dilatih.
Ya, satu model ARIMA_PLUS atau ARIMA_PLUS_XREG
dilatih untuk setiap deret waktu.
Kemudahan penggunaan SQL
Sangat tinggi. Memerlukan satu panggilan fungsi.
Tinggi. Memerlukan pernyataan CREATE MODEL dan
panggilan fungsi.
Histori data yang digunakan
Menggunakan 512 titik waktu.
Menggunakan semua titik waktu dalam data pelatihan, tetapi dapat disesuaikan untuk
menggunakan lebih sedikit titik waktu.
Tinggi. Anda dapat menggunakan
fungsi ML.EXPLAIN_FORECAST
untuk memeriksa komponen model.
Kasus penggunaan terbaik
Prakiraan cepat
Memerlukan penyiapan minimal
Model memerlukan penyesuaian
Membutuhkan penjelasan untuk output model
Input model memerlukan lebih banyak konteks
Informasi yang direkomendasikan
Dengan menggunakan setelan default pernyataan dan fungsi BigQuery ML, Anda dapat membuat dan menggunakan model perkiraan meskipun tanpa banyak pengetahuan ML. Namun, memiliki pengetahuan dasar tentang
pengembangan ML, dan khususnya model perkiraan,
membantu Anda mengoptimalkan data dan model untuk
memberikan hasil yang lebih baik. Sebaiknya gunakan referensi berikut untuk mengembangkan pemahaman tentang teknik dan proses ML:
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Sulit dipahami","hardToUnderstand","thumb-down"],["Informasi atau kode contoh salah","incorrectInformationOrSampleCode","thumb-down"],["Informasi/contoh yang saya butuhkan tidak ada","missingTheInformationSamplesINeed","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-08-17 UTC."],[[["\u003cp\u003eForecasting involves analyzing historical data to predict future trends, such as using past sales data to forecast future sales at store locations.\u003c/p\u003e\n"],["\u003cp\u003eIn BigQuery ML, forecasting is performed on time series data, which are data points collected over time.\u003c/p\u003e\n"],["\u003cp\u003eThe \u003ccode\u003eML.FORECAST\u003c/code\u003e function, along with the \u003ccode\u003eARIMA_PLUS\u003c/code\u003e and \u003ccode\u003eARIMA_PLUS_XREG\u003c/code\u003e models, are used to forecast future values for single or multiple variables, respectively.\u003c/p\u003e\n"],["\u003cp\u003eTime series modeling in BigQuery ML is a pipeline consisting of multiple models and algorithms.\u003c/p\u003e\n"],["\u003cp\u003eWhile deep ML knowledge is not mandatory, having a foundational understanding can help optimize your data and model to improve results.\u003c/p\u003e\n"]]],[],null,["# Forecasting overview\n====================\n\nForecasting is a technique where you analyze historical data in order to make an\ninformed prediction about future trends. For example, you might analyze\nhistorical sales data from several store locations in order to predict future\nsales at those locations. In BigQuery ML, you perform forecasting on\n[time series](https://en.wikipedia.org/wiki/Time_series) data.\n\nYou can perform forecasting in the following ways:\n\n- By using the [`AI.FORECAST` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast) with the built-in [TimesFM model](/bigquery/docs/timesfm-model). Use this approach when you need to forecast future values for a single variable, and don't require the ability to fine-tune the model. This approach doesn't require you to create and manage a model.\n- By using the [`ML.FORECAST` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-forecast) with the [`ARIMA_PLUS` model](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-time-series). Use this approach when you need to run an ARIMA-based modeling pipeline and decompose the time series into multiple components in order to explain the results. This approach requires you to create and manage a model.\n- By using the `ML.FORECAST` function with the [`ARIMA_PLUS_XREG` model](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-multivariate-time-series). Use this approach when you need to forecast future values for multiple variables. This approach requires you to create and manage a model.\n\n`ARIMA_PLUS` and `ARIMA_PLUS_XREG` time series models aren't actually single\nmodels, but rather a time series modeling pipeline that includes multiple\nmodels and algorithms. For more information, see\n[Time series modeling pipeline](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-time-series#modeling-pipeline).\n\nCompare the TimesFM and `ARIMA` models\n--------------------------------------\n\nUse the following table to determine whether to use `AI.FORECAST` with the\nbuilt-in TimesFM model or `ML.FORECAST` with an `ARIMA_PLUS` or\n`ARIMA_PLUS_XREG` model for your use case:\n\nRecommended knowledge\n---------------------\n\nBy using the default settings of BigQuery ML's statements and\nfunctions, you can create and use a forecasting model even\nwithout much ML knowledge. However, having basic knowledge about\nML development, and forecasting models in particular,\nhelps you optimize both your data and your model to\ndeliver better results. We recommend using the following resources to develop\nfamiliarity with ML techniques and processes:\n\n- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)\n- [Intro to Machine Learning](https://www.kaggle.com/learn/intro-to-machine-learning)\n- [Intermediate Machine Learning](https://www.kaggle.com/learn/intermediate-machine-learning)\n- [Time Series](https://www.kaggle.com/learn/time-series)"]]
