BigQuery AI.FORECAST関数で未来を予測！時系列予測をローコードで実現する方法

はじめに
TimesFMモデルとは？
AI.FORECAST関数の使い方
1. パラメータの説明
AI.FORECAST関数のメリット
AI.FORECAST関数のデメリット
AI.FORECAST関数の活用事例
まとめ
1. 注意点

はじめに

BigQuery MLのAI.FORECAST関数を使うと、TimesFMという予測モデルを利用して、時系列データを簡単に予測できます。 TimesFMはGoogle Researchが開発したもので、大量のデータで学習されているため、自分でモデルをトレーニングしなくても、高い精度の予測が可能です。この記事では、AI.FORECAST関数の概要、使い方、メリット・デメリット、活用事例について解説します。

TimesFMモデルとは？

TimesFMは、Google Researchが開発した時系列予測モデルです。数十億もの時点を持つ多くの実世界データセットで事前に学習されており、さまざまなドメインの新しい予測データセットに適用できます。このモデルを使用することで、モデルの管理が不要になり、予測結果をARIMAなどの従来の手法と比較できます。

AI.FORECAST関数の使い方

AI.FORECAST関数は、BigQueryのSQLクエリの中で使用します。予測したい時系列データと、予測期間（horizon）、信頼水準（confidence_level）などのパラメータを指定するだけで、簡単に予測を実行できます。


    SELECT
        forecast_timestamp,
        forecast_value,
        prediction_interval_lower_bound,
        prediction_interval_upper_bound
    FROM
        AI.FORECAST(
        (
            SELECT
                timestamp_column,
                data_column
            FROM
                your_table
        ),
        horizon => 720,
        confidence_level => 0.99,
        timestamp_col => 'timestamp_column',
        data_col => 'data_column'
        )

上記の例では、your_tableというテーブルからtimestamp_columnとdata_columnを読み込み、720時間先まで99%の信頼水準で予測しています。

パラメータの説明

horizon: 予測期間。予測する未来の期間の長さを指定します。上記の例では、720時間先まで予測しています。
confidence_level: 信頼水準。予測結果の信頼度を表します。上記の例では、99%の信頼水準で予測しています。
timestamp_col: タイムスタンプ列。時系列データのタイムスタンプが格納されている列名を指定します。
data_col: データ列。予測したいデータが格納されている列名を指定します。

AI.FORECAST関数のメリット

ローコードで予測: 複雑な機械学習の知識がなくても、SQLだけで簡単に予測を実行できます。
高い予測精度: Google Researchが開発したTimesFMモデルを使用しているため、高い精度の予測が期待できます。
スケーラビリティ: BigQueryの強力なインフラ上で動作するため、大量のデータでも高速に処理できます。
モデル管理不要: モデルのトレーニングやメンテナンスが不要なため、運用コストを削減できます。

AI.FORECAST関数のデメリット

プレGAであること: AI.FORECAST関数は、まだプレGA（一般提供前）の機能であるため、変更が入る可能性があります。また、利用するためには特定の条件を満たす必要がある
TimesFMモデルのチューニングオプションが限定的: TimesFMモデルのパラメータを細かくチューニングすることはできません。
多変量予測には対応していない: 複数の変数を考慮した予測（多変量予測）には対応していません。