Prever uma série temporal com um modelo univariado do TimesFM

Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

Previsão de viagens de bicicletas compartilhadas

Prever valores futuros da série temporal usando a função AI.FORECAST.

A consulta a seguir prevê o número de viagens de compartilhamento de bicicletas por assinante por hora para o próximo mês (aproximadamente 720 horas), com base nos quatro meses anteriores de dados históricos. O argumento confidence_level indica que a consulta gera um intervalo de previsão com um nível de confiança de 95%.

Siga estas etapas para prever dados com o modelo TimesFM:

1. No Console do Google Cloud, acesse a página BigQuery.

   Ir para o BigQuery

2. No Editor de consultas, cole a consulta a seguir e clique em Executar:

   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');

   Os resultados são semelhantes aos seguintes:

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

Compare os dados previstos com os dados de entrada

Crie um gráfico da saída da função AI.FORECAST com um subconjunto dos dados de entrada da função para comparar.

Siga estas etapas para listar a saída da função:

1. No Console do Google Cloud, acesse a página BigQuery.

   Ir para o BigQuery

2. No Editor de consultas, cole a consulta a seguir e clique em Executar:

   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. Quando a consulta terminar, clique na guia Gráfico no painel Resultados da consulta. O gráfico resultante é semelhante a este:

   

   Os dados de entrada e os dados previstos mostram um uso semelhante do compartilhamento de bicicletas. Também é possível notar que os limites mínimo e máximo do intervalo de previsão aumentam à medida que os pontos de tempo previstos se aproximam do futuro.