本文由【云老大】 TG@yunlaoda360 撰写
BigQuery ML
-
ARIMA_PLUS模型：BigQuery ML支持使用ARIMA_PLUS模型进行时间序列预测和异常检测。该模型可以处理大量时间序列数据，自动处理缺失数据、不规则时间间隔和重复时间戳等问题，还能够检测异常值和突变点，并进行调整。通过单个SQL查询，就可以对数百万个时间序列进行预测。
-
使用示例：可以参考以下教程来开始使用BigQuery ML进行时间序列分析：
- 单时间序列预测：使用BigQuery ML ARIMA_PLUS对Google Analytics网站流量进行预测。
- 多时间序列预测：使用BigQuery ML ARIMA_PLUS对纽约市自行车出行数据进行预测。
- 大规模预测：在BigQuery中对数百万个时间序列进行可扩展预测。
- 零售销售需求预测：使用BigQuery ML ARIMA_PLUS进行需求预测。
Vertex Forecast
- AutoML模型：Vertex Forecast提供了AutoML模型选项，可以应用多种特征工程方法，然后进行快速的超参数搜索，探索多种先进的模型架构，包括一些谷歌独有的模型，最终生成高质量的模型。
- Seq2seq plus：在训练过程中，使用特定于序列到序列模型架构的超参数，可以缩小超参数搜索范围，实现快速收敛。
自定义预测
- Vertex AI Notebooks：如果用户想使用自定义代码，但希望利用谷歌云的训练和部署基础设施，可以使用Vertex AI Notebooks来运行Python、R、TensorFlow或PyTorch等代码。
TimesFM 1.0（Time Series Foundation Model）
- 模型特点：TimesFM是一个由Google Research开发的预训练时间序列基础模型，用于单变量时间序列预测。它具有2亿参数的检查点及其推理代码，基于超过1000亿个真实世界时间点的预训练数据集进行训练，可以对上下文长度最多为512个时间点的单变量时间序列进行预测，并且可以预测任何长度的未来范围，还可以选择性地输入频率指示参数。
- 使用场景：该模型适用于时间序列预测场景，输入为单变量时间序列和可选的频率参数，输出为未来范围的预测。
- 获取方式：可在VertexAI Model Garden上获取。
