Prévoir une série temporelle avec un modèle univarié TimesFM

Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Prévoir les trajets en vélos en libre-service

Prévoyez les valeurs futures de la série temporelle à l'aide de la fonction AI.FORECAST.

La requête suivante prévoit le nombre de trajets en vélo en libre-service par heure pour le mois suivant (environ 720 heures), en fonction des données historiques des quatre mois précédents. L'argument confidence_level indique que la requête génère un intervalle de prédiction avec un niveau de confiance de 95 %.

Pour prévoir des données avec le modèle TimesFM, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter:

   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');

   Les résultats ressemblent à ce qui suit :

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

Comparer les données de prévision aux données d'entrée

Représentez graphiquement la sortie de la fonction AI.FORECAST à côté d'un sous-ensemble des données d'entrée de la fonction pour comparer les deux.

Pour représenter graphiquement la sortie de la fonction, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, collez la requête suivante, puis cliquez sur Exécuter:

   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. Une fois la requête exécutée, cliquez sur l'onglet Graphique dans le volet Résultats de la requête. Le graphique obtenu ressemble à ceci:

   

   Vous pouvez constater que les données d'entrée et les données de prévision montrent une utilisation similaire du vélo partagé. Vous pouvez également constater que les limites inférieure et supérieure de l'intervalle de prédiction augmentent à mesure que les points temporels prévus s'éloignent dans le futur.