TimeCopilotを使用した基礎モデルと自動異常検出による予測パイプラインの構築方法

このチュートリアルでは、TimeCopilotライブラリを使用して、エンドツーエンドの予測ワークフローを構築する方法を詳しく説明します。まず、実際の航空旅客データと、3つの異常点が注入された合成季節系列からなるパネルデータセットを準備します。次に、統計モデル（AutoARIMA、AutoETS、SeasonalNaive、Theta）、Prophet、および基礎モデル（Chronos、GPUが利用可能な場合はTimesFMもオプション）を含む多様な予測モデルを評価します。3つのウィンドウを使用したローリング交差検証と、MAE、RMSE、MAPEの複数の誤差指標により、最適なモデルを特定します。

環境準備として、TimeCopilot、UtilsForecast、Matplotlibをインストールし、互換性のあるNumPy（1.26.4）とSciPy（1.13.1）のバージョンを固定してバイナリ競合を防ぎます。次に、AirPassengersデータセットを読み込み、線形トレンド、季節性正弦波、ノイズから合成系列を生成し、特定のインデックスで値を2.2倍して異常とします。2つの系列をパネルデータに結合し、予測期間を12か月、頻度を月次に設定します。

モデル設定では、ハードウェアに応じてChronosモデルのサイズを選択し（GPUありの場合amazon/chronos-bolt-small、なしの場合amazon/chronos-bolt-tiny）、オプションでTimesFMを追加します。すべてのモデルはTimeCopilotForecasterで統一管理されます。ローリング交差検証後、各モデルのMAE、RMSE、MAPEを計算し、リーダーボードを生成して平均RMSEが最小のモデルを最良とします。

次に、80%と95%の予測区間を含む確率的予測を生成し、カスタムプロット関数で履歴データ、点予測、不確実性の範囲を表示します。異常検出ステップでは、99%の信頼水準で異常点を特定し、合成系列で注入された異常を強調表示します。最後に、TimeCopilotのオプションLLMエージェントを探索します。OpenAIまたはAnthropicのAPIキーが提供されている場合、エージェントは自動的にモデルを選択し、SeasonalNaiveよりも優れているかどうかを評価し、今後12か月の航空旅客総数とピーク月に関する質問に自然言語で回答します。

データ前処理からモデル比較、確率予測、可視化、異常検出、インテリジェントな解釈まで、シームレスなワークフローを実現しました。自動予測とLLMエージェントを組み合わせることで、正確な数値予測と明確な意思決定支援情報の両方を得ることができます。完全なコードは付属のNotebookで確認できます。