如何使用TimeCopilot構建基於基礎模型和自動異常檢測的預測管道

本教程詳細介紹瞭如何使用TimeCopilot庫構建一個完整的端到端預測工作流。首先，我們準備了一個面板資料集，包含真實的航空乘客資料和一個人為合成的季節性序列，其中注入了三個異常點。接著，我們評估了一系列多樣化的預測模型，包括統計模型（如AutoARIMA、AutoETS、SeasonalNaive和Theta）、Prophet以及基於基礎模型的Chronos（如果GPU可用，還可選TimesFM）。我們使用滾動交叉驗證（三個視窗）和多個誤差指標（MAE、RMSE、MAPE）來確定最佳模型。

在環境準備方面，我們安裝了TimeCopilot、UtilsForecast和Matplotlib，並固定了相容的NumPy（1.26.4）和SciPy（1.13.1）版本以避免二進位制衝突。然後載入AirPassengers資料集，並透過線性趨勢、季節性正弦波和噪聲生成合成序列，在特定索引處將數值乘以2.2作為異常。兩個序列合併為面板資料，預測週期設為12個月，頻率為月度。

模型配置階段，我們根據硬體選擇Chronos模型大小（有GPU時使用amazon/chronos-bolt-small，否則使用amazon/chronos-bolt-tiny），並可選新增TimesFM。所有模型透過TimeCopilotForecaster統一管理。滾動交叉驗證後，我們計算每個模型的MAE、RMSE和MAPE，並生成排行榜，選擇平均RMSE最低的模型作為最佳模型。

接下來，我們生成帶有80%和95%預測區間的機率預測，並透過自定義繪圖函式展示歷史資料、點預測和不確定性範圍。異常檢測步驟中，我們在99%置信水平下識別異常點，並在合成序列中高亮顯示了注入的異常。最後，我們探索了TimeCopilot的可選LLM代理：當提供OpenAI或Anthropic API金鑰時，代理會自動選擇模型，評估其是否優於SeasonalNaive，並以自然語言回答關於未來12個月航空乘客總量及峰值月份的問題。

整個流程從資料預處理到模型比較、機率預測、視覺化、異常檢測和智慧解釋，形成了一個無縫的工作流。透過結合自動化預測和LLM代理，我們既獲得了準確的數值預測，也得到了清晰的決策支援資訊。完整的程式碼可在附帶的Notebook中找到。