如何使用TimeCopilot构建基于基础模型和自动异常检测的预测管道

本教程详细介绍了如何使用TimeCopilot库构建一个完整的端到端预测工作流。首先，我们准备了一个面板数据集，包含真实的航空乘客数据和一个人为合成的季节性序列，其中注入了三个异常点。接着，我们评估了一系列多样化的预测模型，包括统计模型（如AutoARIMA、AutoETS、SeasonalNaive和Theta）、Prophet以及基于基础模型的Chronos（如果GPU可用，还可选TimesFM）。我们使用滚动交叉验证（三个窗口）和多个误差指标（MAE、RMSE、MAPE）来确定最佳模型。

在环境准备方面，我们安装了TimeCopilot、UtilsForecast和Matplotlib，并固定了兼容的NumPy（1.26.4）和SciPy（1.13.1）版本以避免二进制冲突。然后加载AirPassengers数据集，并通过线性趋势、季节性正弦波和噪声生成合成序列，在特定索引处将数值乘以2.2作为异常。两个序列合并为面板数据，预测周期设为12个月，频率为月度。

模型配置阶段，我们根据硬件选择Chronos模型大小（有GPU时使用amazon/chronos-bolt-small，否则使用amazon/chronos-bolt-tiny），并可选添加TimesFM。所有模型通过TimeCopilotForecaster统一管理。滚动交叉验证后，我们计算每个模型的MAE、RMSE和MAPE，并生成排行榜，选择平均RMSE最低的模型作为最佳模型。

接下来，我们生成带有80%和95%预测区间的概率预测，并通过自定义绘图函数展示历史数据、点预测和不确定性范围。异常检测步骤中，我们在99%置信水平下识别异常点，并在合成序列中高亮显示了注入的异常。最后，我们探索了TimeCopilot的可选LLM代理：当提供OpenAI或Anthropic API密钥时，代理会自动选择模型，评估其是否优于SeasonalNaive，并以自然语言回答关于未来12个月航空乘客总量及峰值月份的问题。

整个流程从数据预处理到模型比较、概率预测、可视化、异常检测和智能解释，形成了一个无缝的工作流。通过结合自动化预测和LLM代理，我们既获得了准确的数值预测，也得到了清晰的决策支持信息。完整的代码可在附带的Notebook中找到。