Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

使用 ARIMA_PLUS 單變數模型預測階層式時間序列

本教學課程說明如何使用ARIMA_PLUS單變數時間序列模型預測階層式時間序列。這項功能會根據指定資料欄的歷史值，預測該資料欄的未來值，並計算該資料欄中一或多個感興趣維度的匯總值。

系統會針對每個時間點，以及一或多個指定感興趣維度的資料欄中的每個值，計算預測值。舉例來說，如果您想預測每日交通事件，並指定包含州別資料的維度資料欄，預測資料會包含州別 A 每天的值，然後是州別 B 每天的值，依此類推。如果您想預測每日交通事件，並指定包含州和城市資料的維度資料欄，預測資料會包含州 A 和城市 A 每天的值，然後是州 A 和城市 B 每天的值，依此類推。在階層式時間序列模型中，階層式對帳用於匯總每個子項時間序列，並與其父項對帳。舉例來說，A 州所有城市的預測值總和，必須等於 A 州的預測值。

在本教學課程中，您將使用相同資料建立兩個時間序列模型，一個使用階層式預測，另一個則否。方便您比較模型傳回的結果。

本教學課程使用公開資料表中的資料。bigquery-public-data.iowa_liquor.sales.sales這份表格使用愛荷華州公開的酒類銷售資料，包含不同商店中超過 100 萬種酒類產品的資訊。

建議您先閱讀「使用單變數模型預測多個時間序列」，再開始閱讀本教學課程。

所需權限

如要建立資料集，您需要 bigquery.datasets.create IAM 權限。
如要建立模型，您必須具備下列權限：
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
如要執行推論，您需要下列權限：
- bigquery.models.getData
- bigquery.jobs.create

如要進一步瞭解 BigQuery 中的 IAM 角色和權限，請參閱「IAM 簡介」。

目標

在本教學課程中，您會使用下列項目：

使用 CREATE MODEL 陳述式，建立多個時間序列模型和多個階層式時間序列模型，預測瓶裝飲料的銷售值。
使用 ML.FORECAST 函式，從模型擷取預測的瓶裝水銷售值。

費用

本教學課程使用 Google Cloud的計費元件，包括：

BigQuery
BigQuery ML

如要進一步瞭解 BigQuery 費用，請參閱 BigQuery 定價頁面。

如要進一步瞭解 BigQuery ML 費用，請參閱 BigQuery ML 定價。

登入 Google Cloud 帳戶。如果您是 Google Cloud新手，歡迎建立帳戶，親自評估產品在實際工作環境中的成效。新客戶還能獲得價值 $300 美元的免費抵免額，可用於執行、測試及部署工作負載。

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

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

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

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

新專案會自動啟用 BigQuery。如要在現有專案中啟用 BigQuery，請前往
啟用 BigQuery API。
啟用 API 時所需的角色
如要啟用 API，您必須具備 serviceusage.services.enable 權限。如果您建立了專案，可能已透過「擁有者」角色 (roles/owner) 取得這項權限。否則，您可以透過「服務使用情形管理員」角色 (roles/serviceusage.serviceUsageAdmin) 取得這項權限。瞭解如何授予角色。
啟用 API

建立資料集

如要建立 BigQuery 資料集，請選取下列任一選項：

控制台

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
點選左側窗格中的「Explorer」。

如果沒有看到左側窗格，請按一下「Expand left pane」(展開左側窗格)，開啟窗格。
在「Explorer」中展開專案，然後按一下「Datasets」。
在「資料集」頁面，按一下「建立資料集」。
在「建立資料集」窗格中，執行下列操作：
- 在「Dataset ID」(資料集 ID) 中輸入 bqml_tutorial。
- 選取「資料位置」的「美國」。
其餘預設設定均保留原樣。
點選「建立資料集」。

bq

如要建立新的資料集，請使用 bq mk --dataset 指令。

建立名為 bqml_tutorial 的資料集，並將資料位置設為 US：

bq mk --dataset \
  --location=US \
  --description "BigQuery ML tutorial dataset." \
  bqml_tutorial

確認資料集已建立完成：
```
bq ls
```

API

使用已定義的資料集資源呼叫 datasets.insert 方法：

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

建立時間序列模型

使用愛荷華州酒類銷售資料建立時間序列模型。

下列 GoogleSQL 查詢會建立模型，預測 2015 年在 Polk、Linn 和 Scott 郡售出的瓶裝水總數。

在下列查詢中，OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 子句表示您要建立以 ARIMA 為基礎的時間序列模型。您可以使用 CREATE MODEL 陳述式的 TIME_SERIES_ID 選項，指定要取得預測結果的輸入資料中一或多個資料欄。CREATE MODEL 陳述式的 auto_arima_max_order 選項可控制 auto.ARIMA 演算法中超參數調整的搜尋空間。CREATE MODEL 陳述式的 decompose_time_series 選項預設為 TRUE，因此在下一個步驟中評估模型時，系統會傳回時間序列資料的相關資訊。

OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 子句代表您要建立以 ARIMA 為基礎的時間序列模型。根據預設，auto_arima=TRUE，因此 auto.ARIMA 演算法會自動調整 ARIMA_PLUS 模型中的超參數。演算法會套用數十個候選模型，並選擇最佳模型，也就是赤池訊息量準則 (AIC) 最低的模型。如果時間序列中存在美國節慶模式，將 holiday_region 選項設為 US，即可更準確地模擬這些美國節慶時間點。

請按照下列步驟建立模型：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼入下列查詢，然後點選「執行」：

CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast`
  OPTIONS (
    MODEL_TYPE = 'ARIMA_PLUS',
    TIME_SERIES_TIMESTAMP_COL = 'date',
    TIME_SERIES_DATA_COL = 'total_bottles_sold',
    TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
    HOLIDAY_REGION = 'US')
AS
SELECT
  store_number,
  zip_code,
  city,
  county,
  date,
  SUM(bottles_sold) AS total_bottles_sold
FROM
  `bigquery-public-data.iowa_liquor_sales.sales`
WHERE
  date BETWEEN DATE('2015-01-01') AND DATE('2015-12-31')
  AND county IN ('POLK', 'LINN', 'SCOTT')
GROUP BY store_number, date, city, zip_code, county;

查詢作業約需 37 秒才能完成，完成後您就能存取 liquor_forecast 模型。由於查詢是使用 CREATE MODEL 陳述式建立模型，因此不會有查詢結果。

使用模型預測資料

使用 ML.FORECAST 函式預測未來時間序列值。

在下列查詢中，STRUCT(20 AS horizon, 0.8 AS confidence_level) 子句表示查詢會預測 20 個未來時間點，並產生信賴水準為 80% 的預測間隔。

如要使用模型預測資料，請按照下列步驟操作：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
在查詢編輯器中貼入下列查詢，然後點選「執行」：
```
SELECT *
FROM
  ML.FORECAST(
    MODEL `bqml_tutorial.liquor_forecast`,
    STRUCT(20 AS horizon, 0.8 AS confidence_level))
ORDER BY store_number, county, city, zip_code, forecast_timestamp;
```
結果應如下所示：

輸出內容會先顯示第一個時間序列的預測資料；store_number=2190、zip_code=50314、city=DES MOINES、county=POLK。捲動瀏覽資料時，您會看到每個後續不重複時間序列的預測結果。如要產生不同維度的總計預測，例如特定縣市的預測，您必須產生階層式預測。

建立階層式時間序列模型

使用愛荷華州酒類銷售資料，建立階層式時間序列預測。

下列 GoogleSQL 查詢會建立模型，針對 Polk、Linn 和 Scott 郡 2015 年的每日總瓶數銷售量，生成階層式預測。

在下列查詢中，CREATE MODEL 陳述式中的 HIERARCHICAL_TIME_SERIES_COLS 選項表示您要根據指定的一組資料欄建立階層式預測。系統會彙整並匯總這些欄位。舉例來說，在先前的查詢中，這表示 store_number 資料欄值會匯總，以顯示每個 county、city 和 zip_code 值的預測結果。此外，zip_code 和 store_number 值也會分別彙整，顯示每個 county 和 city 值的預測結果。欄的順序很重要，因為這會定義階層結構。

請按照下列步驟建立模型：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」

在查詢編輯器中貼入下列查詢，然後點選「執行」：

CREATE OR REPLACE MODEL `bqml_tutorial.liquor_forecast_hierarchical`
  OPTIONS (
    MODEL_TYPE = 'ARIMA_PLUS',
    TIME_SERIES_TIMESTAMP_COL = 'date',
    TIME_SERIES_DATA_COL = 'total_bottles_sold',
    TIME_SERIES_ID_COL = ['store_number', 'zip_code', 'city', 'county'],
    HIERARCHICAL_TIME_SERIES_COLS = ['zip_code', 'store_number'],
    HOLIDAY_REGION = 'US')
AS
SELECT
  store_number,
  zip_code,
  city,
  county,
  date,
  SUM(bottles_sold) AS total_bottles_sold
FROM
  `bigquery-public-data.iowa_liquor_sales.sales`
WHERE
  date BETWEEN DATE('2015-01-01') AND DATE('2015-12-31')
  AND county IN ('POLK', 'LINN', 'SCOTT')
GROUP BY store_number, date, city, zip_code, county;

查詢作業約需 45 秒才能完成，完成後即可在「Explorer」窗格中存取 bqml_tutorial.liquor_forecast_hierarchical 模型。由於查詢是使用 CREATE MODEL 陳述式建立模型，因此不會有查詢結果。

使用階層式模型預測資料

使用 ML.FORECAST 函式從模型擷取階層式預測資料。

如要使用模型預測資料，請按照下列步驟操作：

前往 Google Cloud 控制台的「BigQuery」頁面。

前往「BigQuery」
在查詢編輯器中貼入下列查詢，然後點選「執行」：
```
SELECT
  *
FROM
  ML.FORECAST(
    MODEL `bqml_tutorial.liquor_forecast_hierarchical`,
    STRUCT(30 AS horizon, 0.8 AS confidence_level))
WHERE city = 'LECLAIRE'
ORDER BY county, city, zip_code, store_number, forecast_timestamp;
```
結果應如下所示：

請注意，系統會針對 LeClaire 市顯示匯總預測，store_number=NULL、zip_code=NULL、city=LECLAIRE、county=SCOTT。查看其餘資料列時，請注意其他子群組的預測結果。舉例來說，下圖顯示郵遞區號 52753、store_number=NULL、zip_code=52753、city=LECLAIRE、county=SCOTT 的匯總預報：

清除所用資源

如要避免系統向您的 Google Cloud 帳戶收取本教學課程所用資源的費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

您可以刪除建立的專案。
或者您可以保留專案並刪除資料集。

刪除資料集

刪除專案將移除專案中所有的資料集與資料表。若您希望重新使用專案，您可以刪除本教學課程中所建立的資料集。

如有必要，請在Google Cloud 控制台中開啟 BigQuery 頁面。

前往 BigQuery 頁面
在導覽窗格中，按一下您建立的 bqml_tutorial 資料集。
按一下視窗右側的「刪除資料集」。這個動作將會刪除資料集、資料表，以及所有資料。
在「Delete dataset」(刪除資料集) 對話方塊中，輸入資料集的名稱 (bqml_tutorial)，然後按一下「Delete」(刪除) 來確認刪除指令。

刪除專案

如要刪除專案，請進行以下操作：

前往 Google Cloud 控制台的「Manage resources」(管理資源) 頁面。
前往「Manage resources」(管理資源)
在專案清單中選取要刪除的專案，然後點選「Delete」(刪除)。
在對話方塊中輸入專案 ID，然後按一下 [Shut down] (關閉) 以刪除專案。

後續步驟

瞭解如何使用單變數模型預測單一時間序列
瞭解如何使用單變數模型預測多個時間序列
瞭解如何在預測多個資料列的時間序列時，擴展單變數模型。
瞭解如何使用多變數模型預測單一時間序列
如需 BigQuery ML 的總覽，請參閱 BigQuery 中的 AI 和 ML 簡介。