AIで未来予測、異常も発見

このチュートリアルでは、TimeCopilotを使ってエンドツーエンドの予測ワークフローを構築します。実際の航空旅客データと、異常が注入された合成の季節系列を含むパネルデータセットを準備し、統計モデル、foundationモデル、およびオプションのGPUベースの予測モデルの多様なコレクションを評価します。ローリングクロスバリデーションと複数のエラー指標を使用して最強のモデルを特定し、予測区間付きの確率的予測を生成し、将来の傾向を視覚化し、異常な観測値を検出します。最後に、TimeCopilotのオプションのLLM agentを探求します。これは予測モデルを選択し、その予測を分かりやすい分析応答に変換します。

TimeCopilotのインストールと互換性のあるNumPyおよびSciPyバージョンの固定

コードをコピー コピー済み 別のブラウザを使用してください！

!pip install -q "timecopilot" "utilsforecast" "matplotlib"

!pip install -q --force-reinstall --no-deps "numpy==1.26.4" "scipy==1.13.1"

print("Setup complete. Restarting the runtime to load clean binaries...")

import IPython

IPython.Application.instance().kernel.do_shutdown(True)

予測環境を準備するために、TimeCopilot、UtilsForecast、およびMatplotlibをインストールします。バイナリの競合を防ぐために、互換性のあるNumPyおよびSciPyバージョンを強制します。その後、更新されたライブラリが正しくロードされるようにColabランタイムを再起動します。

AirPassengersデータの読み込みと合成異常パネルの構築

コードをコピー コピー済み 別のブラウザを使用してください！

import os, warnings

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

warnings.filterwarnings("ignore")

pd.set_option("display.width", 160)

pd.set_option("display.max_columns", 30)

print("numpy:", np.__version__)

import scipy; print("scipy:", scipy.__version__)

try:

import torch

HAS_GPU = torch.cuda.is_available()

except Exception:

HAS_GPU = False

print(f"GPU available: {HAS_GPU}")

df = pd.read_csv(

"https://timecopilot.s3.amazonaws.com/public/data/air_passengers.csv",

parse_dates=["ds"],

)

df["unique_id"] = df["unique_id"].astype(str)

rng = np.rand