Zeitreihe mit einem univariaten TimesFM-Modell prognostizieren

Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Fahrten mit Leihfahrrädern prognostizieren

Mit der Funktion AI.FORECAST können Sie zukünftige Zeitreihenwerte prognostizieren.

Die folgende Abfrage prognostiziert die Anzahl der Fahrten mit dem Bikesharing-System pro Stunde für den nächsten Monat (ungefähr 720 Stunden) anhand der Verlaufsdaten der letzten vier Monate. Das confidence_level-Argument gibt an, dass die Abfrage ein Vorhersageintervall mit einem Konfidenzniveau von 95% generiert.

So prognostizieren Sie Daten mit dem TimesFM-Modell:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   SELECT *
   FROM
     AI.FORECAST(
       (
         SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, COUNT(*) as num_trips
   FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
   WHERE subscriber_type = 'Subscriber' AND start_date >= TIMESTAMP('2018-01-01')
   GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
       ),
       horizon => 720,
       confidence_level => 0.95,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips');

   Die Ergebnisse sehen in etwa so aus:

   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | forecast_timestamp      | forecast_value    | confidence_level | prediction_interval_lower_bound | prediction_interval_upper_bound | ai_forecast_status |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 00:00:00 UTC | 26.3045959...     |            0.95  | 21.7088378...                   | 30.9003540...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 01:00:00 UTC | 34.0890502...     |            0.95  | 2.47682913...                   | 65.7012714...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 2018-05-01 02:00:00 UTC | 24.2154693...     |            0.95  | 2.87621605...                   | 45.5547226...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | ...                     | ...               |  ...             | ...                             |  ...                            |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   

Prognostizierte Daten mit Eingabedaten vergleichen

Stellen Sie die Ausgabe der Funktion AI.FORECAST zusammen mit einem Teil der Eingabedaten der Funktion in einem Diagramm dar, um sie zu vergleichen.

So stellen Sie die Funktion in einem Diagramm dar:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Fügen Sie die folgende Abfrage in den Abfrageeditor ein und klicken Sie auf Ausführen:

   WITH historical AS (
   SELECT TIMESTAMP_TRUNC(start_date, HOUR) as trip_hour, COUNT(*) as num_trips
   FROM `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
   WHERE subscriber_type = 'Subscriber' AND start_date >= TIMESTAMP('2018-01-01')
   GROUP BY TIMESTAMP_TRUNC(start_date, HOUR)
   ORDER BY TIMESTAMP_TRUNC(start_date, HOUR)
   )
   SELECT * 
   FROM 
   (
   (SELECT
       trip_hour as date,
       num_trips AS historical_value,
       NULL as forecast_value,
       'historical' as type,
       NULL as prediction_interval_low,
       NULL as prediction_interval_upper_bound
   FROM
       historical
   ORDER BY historical.trip_hour DESC
   LIMIT 400)
   UNION ALL
   (SELECT forecast_timestamp AS date,
           NULL as historical_value,
           forecast_value as forecast_value, 
           'forecast' as type, 
           prediction_interval_lower_bound, 
           prediction_interval_upper_bound
   FROM
       AI.FORECAST(
       (
       SELECT * FROM historical
       ),
       horizon => 720,
       confidence_level => 0.99,
       timestamp_col => 'trip_hour',
       data_col => 'num_trips')))
   ORDER BY date asc;

3. Wenn die Abfrage abgeschlossen ist, klicken Sie im Bereich Abfrageergebnisse auf den Tab Diagramm. Das Diagramm sieht dann ungefähr so aus:

   

   Die Eingabedaten und die prognostizierten Daten zeigen eine ähnliche Nutzung von Fahrrädern. Außerdem sehen Sie, dass sich die Unter- und Obergrenze des Vorhersageintervalls mit zunehmender Entfernung in die Zukunft vergrößern.