Panoramica della previsione

La previsione è una tecnica che consente di analizzare i dati storici per fare una previsione informata sulle tendenze future. Ad esempio, potresti analizzare i dati sulle vendite storiche di diversi punti vendita per prevedere le vendite future in quelle sedi. In BigQuery ML, esegui la previsione sui dati delle serie temporali.

Puoi eseguire le previsioni nei seguenti modi:

  • Utilizzando la funzione AI.FORECAST con il modello TimesFM integrato. Utilizza questo approccio quando devi prevedere i valori futuri per una singola variabile e non hai bisogno di la possibilità di perfezionare il modello. Questo approccio non richiede la creazione e la gestione di un modello.
  • Utilizzando la funzione ML.FORECAST con il modello ARIMA_PLUS. Utilizza questo approccio quando devi eseguire una pipeline di modellazione basata su ARIMA e scomporre la serie temporale in più componenti per spiegare i risultati. Questo approccio richiede la creazione e la gestione di un modello.
  • Utilizzando la funzione ML.FORECAST con il modello ARIMA_PLUS_XREG. Utilizza questo approccio quando devi prevedere valori futuri per più variabili. Questo approccio richiede la creazione e la gestione di un modello.

I modelli di serie temporali ARIMA_PLUS e ARIMA_PLUS_XREG non sono in realtà singoli modelli, ma una pipeline di generazione di modelli basati su serie temporali che include più modelli e algoritmi. Per ulteriori informazioni, consulta la pipeline di creazione di modelli di serie temporali.

Utilizzando le impostazioni predefinite delle istruzioni e delle funzioni di BigQuery ML, puoi creare e utilizzare un modello di previsione anche senza molte conoscenze di ML. Tuttavia, avere conoscenze di base sullo sviluppo dell'ML e sui modelli di previsione in particolare ti aiuta a ottimizzare sia i dati sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e le procedure di ML: