Prevedere più serie temporali con un modello univariato TimesFM

Questo tutorial ti insegna a utilizzare la funzione AI.FORECAST con il modello univariabile TimesFM integrato di BigQuery ML per prevedere il valore futuro per una determinata colonna, in base al valore storico della colonna.

Questo tutorial utilizza i dati della tabella pubblica bigquery-public-data.san_francisco_bikeshare.bikeshare_trips.

Obiettivi

Questo tutorial illustra come utilizzare la funzione AI.FORECAST con il modello TimesFM integrato per prevedere le corse in bicicletta condivise. Le prime due sezioni spiegano come prevedere e visualizzare i risultati per una singola serie temporale. La terza sezione spiega come fare previsioni per più serie temporali.

Costi

Questo tutorial utilizza i componenti fatturabili di Google Cloud, tra cui:

  • BigQuery
  • BigQuery ML

Per ulteriori informazioni sui costi di BigQuery, consulta la pagina Prezzi di BigQuery.

Per ulteriori informazioni sui costi di BigQuery ML, consulta Prezzi di BigQuery ML.

Prima di iniziare

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

  4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  5. Make sure that billing is enabled for your Google Cloud project.

  6. BigQuery viene attivato automaticamente nei nuovi progetti. Per attivare BigQuery in un progetto esistente,

    Enable the BigQuery API.

    Enable the API

Prevedere una singola serie temporale dei viaggi in bici condivisa

Prevedi i valori futuri delle serie temporali utilizzando la funzione AI.FORECAST.

La seguente query prevede il numero di corse in bicicletta in condivisione per abbonato per ora per il mese successivo (circa 720 ore), in base ai dati storici dei quattro mesi precedenti. L'argomento confidence_level indica che la query genera un intervallo di previsione con un livello di confidenza del 95%.

Per prevedere i dati con il modello TimesFM:

  1. Nella Google Cloud console, vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nell'editor di query, incolla la seguente query e fai clic su Esegui:

    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');

    I risultati sono simili ai seguenti:

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

Confronta i dati previsti con i dati di input

Grafica l'output della funzione AI.FORECAST insieme a un sottoinsieme dei dati di input della funzione per vedere come si confrontano.

Per creare un grafico dell'output della funzione:

  1. Nella Google Cloud console, vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nell'editor di query, incolla la seguente query e fai clic su Esegui:

    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. Al termine dell'esecuzione della query, fai clic sulla scheda Grafico nel riquadro Risultati query. Il grafico risultante è simile al seguente:

    Grafica 100 punti temporali dei dati di input insieme ai dati di output della funzione AI.FORECAST per valutarne la somiglianza.

    Puoi vedere che i dati di input e quelli previsti mostrano un utilizzo simile delle biciclette in condivisione. Puoi anche notare che i limiti inferiore e superiore dell'intervallo di previsione aumentano man mano che i punti di tempo previsti si allontanano nel futuro.

Prevedere più serie temporali di viaggi in bici condivisa

La seguente query prevede il numero di corse in bicicletta in condivisione per tipo di abbonato e per ora per il mese successivo (circa 720 ore), in base ai dati storici dei quattro mesi precedenti. L'argomento confidence_level indica che la query genera un intervallo di previsione con un livello di confidenza del 95%.

Per prevedere i dati con il modello TimesFM:

  1. Nella Google Cloud console, vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nell'editor di query, incolla la seguente query e fai clic su Esegui:

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

    I risultati sono simili ai seguenti:

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

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Elimina il progetto

Per eliminare il progetto:

  1. In the Google Cloud console, go to the Manage resources page.

    Go to Manage resources

  2. In the project list, select the project that you want to delete, and then click Delete.
  3. In the dialog, type the project ID, and then click Shut down to delete the project.

Passaggi successivi