TimeCopilot: как собрать пайплайн прогнозирования с фундаментальными моделями и детекцией аномалий

TimeCopilot — مكتبة بايثون لبناء خطوط أنابيب شاملة للتنبؤ بالسلاسل الزمنية. تجمع بين الطرق الإحصائية الكلاسيكية والنماذج الأساسية المدربة مسبقاً وعامل LLM اختياري يختار تلقائياً أفضل نهج ويشرح النتيجة. تم تصميم المكتبة للمحللين الذين يحتاجون إلى مقارنة سريعة للطرق المختلفة على البيانات الفعلية دون قضاء الوقت في التعديل اليدوي لكل نموذج.

كيف يعمل خط الأنابيب

يوضح المؤلفون TimeCopilot على مجموعتي بيانات: مجموعة بيانات حقيقية لحركة ركاب الطيران (معيار كلاسيكي) وسلسلة موسمية اصطناعية بها شذوذ مضمنة عن قصد. يسمح هذا الاختيار بالاختبار النزيه للنظام — بما في ذلك على البيانات التي يُعرف مسبقاً ما يجب اكتشافه بالضبط.

يتضمن سير العمل عدة مراحل:

• تحميل وتحضير بيانات اللوحة
• تدريب النماذج من خلال التحقق الصحيح المتدحرج
• التقييم باستخدام عدة مقاييس: MAE و MAPE و RMSE
• توليد التنبؤات الاحتمالية مع فترات الثقة
• كشف الشذوذ مع التصور
• تشغيل عامل LLM لتحديد وشرح أفضل نموذج

ثلاث فئات من النماذج

تدعم TimeCopilot ثلاثة أنواع من النماذج يمكن مقارنتها في تجربة واحدة.

الإحصائية — الطرق الكلاسيكية: ARIMA و ETS و Theta وغيرها. إنها قابلة للتفسير بدرجة عالية، وتعمل على مجموعات البيانات الصغيرة ذات الموسمية الواضحة، ولا تتطلب GPU. توفر خط أساس معقول لأي مهمة تقريباً.

الأساسية — الهياكل المعمارية المدربة مسبقاً للسلاسل الزمنية، والمدربة على مجموعات بيانات كبيرة. هذا نظير لنماذج اللغة للتسلسلات الرقمية: فهي قادرة على العمل خارج الصندوق دون إعادة تدريب على مجموعة بيانات محددة.

المسرعة بـ GPU — نماذج الشبكات العصبية (على سبيل المثال، N-BEATS و TiDE) لمجموعات البيانات الكبيرة ذات آفاق التنبؤ الواسعة. تتصل بشكل اختياري وتكون ذات صلة عندما لا تعود الطرق الإحصائية كافية.

يتم إجراء التقييم من خلال التحقق الصحيح المتدحرج مع نافذة موسعة: يتم تدريب كل نموذج على سجل متطابق واختباره على الأفق التالي — يكشف هذا عن القدرة الحقيقية على التعميم بدلاً من مجرد الملاءمة لبيانات التدريب.

الشذوذ والغموض

بدلاً من "خط توقع" واحد، تولد TimeCopilot تنبؤات احتمالية — نطاق من القيم بالاحتمالية المحددة (80 ٪ أو 95 ٪). عند التخطيط للمخزون أو الحمل أو الميزانية، هذا مفيد عملياً: ترى المنظمة الممرات المتشائمة والمتفائلة في نفس الوقت.

بالتوازي مع التنبؤ، يعمل كاشف الشذوذ المدمج. على سلسلة اصطناعية بها قيم شاذة اصطناعية، فصل النظام بشكل صحيح بين السلوك الطبيعي وغير القياسي. يتم وضع علامات الشذوذ مباشرة على تصور السلسلة، مما يبسط التدقيق والتواصل بالنتائج داخل الفريق.

عامل LLM يشرح الاختيار

الجزء الأكثر غير عادي هو عامل LLM الاختياري. بعد تقييم جميع النماذج، يدرس نتائج التحقق الصحيح، ويختار أفضل نموذج لسلسلة معينة، ويولد شرحاً نصياً — لماذا بالضبط هذا النموذج أكثر دقة من الآخرين.

"تفوق النموذج الأساسي على ARIMA بسبب الموسمية غير الخطية مع السعة

المتزايدة" — هذا النوع من الشروح يولده العامل تلقائياً.

هذه خطوة نحو AutoML مع نتائج قابلة للتدقيق: يتلقى المحلل ليس مجرد توصية، بل تبرير يمكن تضمينه في تقرير أو نقله إلى صاحب مصلحة دون تفسير إضافي.

ما معنى هذا

تقلل TimeCopilot من حاجز الدخول للتنبؤ المتقدم: لا حاجة لضبط العشرات من النماذج يدويّاً أو تفسير المقاييس بشكل مستقل — يتحمل عامل LLM جزءاً من هذا العمل. بالنسبة لفرق التحليل التي تعمل مع مقاييس الأعمال والطلب أو مؤشرات الأداء الرئيسية التشغيلية، هذا إطار جاهز لخط أنابيب جاهز للإنتاج مع تبرير قابل للقراءة من قبل الإنسان لكل قرار.