Cómo pronosticar una serie temporal con un modelo univariante de TimesFM

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Previsión de viajes en bicicletas compartidas

Prevé valores de series temporales futuras con la función AI.FORECAST.

La siguiente consulta pronostica la cantidad de viajes compartidos en bicicleta de los suscriptores por hora para el mes siguiente (aproximadamente 720 horas), según los datos históricos de los cuatro meses anteriores. El argumento confidence_level indica que la consulta genera un intervalo de predicción con un nivel de confianza del 95%.

Sigue estos pasos para pronosticar datos con el modelo TimesFM:

1. En la consola de Google Cloud, ve a la página de BigQuery.

   Ir a BigQuery

2. En el editor de consultas, pega la siguiente consulta y haz clic en Ejecutar:

   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');

   Los resultados son similares a los siguientes:

   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | 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...                   |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   | ...                     | ...               |  ...             | ...                             |  ...                            |                    |
   +-------------------------+-------------------+------------------+---------------------------------+---------------------------------+--------------------+
   

Compara los datos pronosticados con los datos de entrada

Grafica el resultado de la función AI.FORECAST junto con un subconjunto de los datos de entrada de la función para ver cómo se comparan.

Sigue estos pasos para graficar el resultado de la función:

1. En la consola de Google Cloud, ve a la página de BigQuery.

   Ir a BigQuery

2. En el editor de consultas, pega la siguiente consulta y haz clic en Ejecutar:

   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. Cuando se termine de ejecutar la consulta, haz clic en la pestaña Gráfico en el panel Resultados de la consulta. El gráfico resultante se verá similar al siguiente:

   

   Puedes ver que los datos de entrada y los datos pronosticados muestran un uso similar de los servicios de bicicletas compartidas. También puedes ver que los límites inferior y superior del intervalo de confianza aumentan a medida que los puntos de tiempo previstos se acercan más al futuro.