TimeCopilot: como montar um pipeline de previsão com modelos fundacionais e detecção de anomalias

TimeCopilot — biblioteca Python para construir pipelines end-to-end de previsão de séries temporais. Ela combina métodos estatísticos clássicos, modelos fundamentais pré-treinados e um agente LLM opcional que seleciona automaticamente a melhor abordagem e explica o resultado. A biblioteca é direcionada para analistas que precisam comparar rapidamente diferentes abordagens em dados reais sem gastar tempo com ajuste manual de cada modelo.

Como funciona o pipeline

Os autores demonstram TimeCopilot em dois conjuntos de dados: um dataset real de tráfego de passageiros de companhias aéreas (benchmark clássico) e uma série sazonal sintética com anomalias intencionalmente incorporadas. Essa escolha permite testar o sistema de forma honesta — inclusive em dados onde se sabe antecipadamente o que deve ser detectado.

O fluxo de trabalho inclui várias etapas:

• Carregamento e preparação de dados em painel
• Treinamento de modelos através de validação cruzada móvel
• Avaliação usando múltiplas métricas: MAE, MAPE, RMSE
• Geração de previsões probabilísticas com intervalos de confiança
• Detecção de anomalias com visualização
• Execução de um agente LLM para selecionar e explicar o melhor modelo

Três classes de modelos

TimeCopilot suporta três tipos de modelos que podem ser comparados em um único experimento.

Estatísticos — métodos clássicos: ARIMA, ETS, Theta e outros. Eles são altamente interpretáveis, funcionam em pequenos conjuntos de dados com sazonalidade pronunciada e não requerem GPU. Fornecem uma baseline razoável para praticamente qualquer tarefa.

Fundamentais — arquiteturas pré-treinadas para séries temporais, treinadas em grandes corpora de dados. Este é um análogo de modelos de linguagem para sequências numéricas: eles são capazes de funcionar out-of-the-box sem retreinamento em um dataset específico.

Acelerados por GPU — modelos de redes neurais (por exemplo, N-BEATS, TiDE) para grandes conjuntos de dados com horizontes de previsão amplos. Conectam-se opcionalmente e são relevantes quando os métodos estatísticos já não são suficientes.

A avaliação é conduzida através de validação cruzada móvel com janela expansora: cada modelo é treinado em histórico idêntico e testado no próximo horizonte — isso revela a verdadeira capacidade de generalização em vez de apenas ajuste aos dados de treinamento.

Anomalias e incerteza

Em vez de uma única "linha de previsão", TimeCopilot gera previsões probabilísticas — um intervalo de valores com probabilidade especificada (80% ou 95%). Ao planejar inventário, carga ou orçamento, isso é praticamente útil: a organização vê corredores pessimistas e otimistas simultaneamente.

Em paralelo com a previsão, um detector de anomalias integrado funciona. Em uma série sintética com outliers artificiais, o sistema separou corretamente o comportamento normal do não-padrão. Sinalizadores de anomalias são sobrepostos diretamente na visualização da série, o que simplifica a auditoria e a comunicação de resultados dentro da equipe.

Agente LLM explica a escolha

A parte mais inusitada é o agente LLM opcional. Após avaliar todos os modelos, ele estuda os resultados da validação cruzada, seleciona o melhor modelo para uma série específica e gera uma explicação em texto — por que exatamente este modelo é mais preciso que os outros.

"O modelo fundamental superou ARIMA devido à sazonalidade não-linear

com amplitude crescente" — este tipo de explicação o agente gera automaticamente.

Esta é uma etapa em direção a AutoML com resultados auditáveis: o analista recebe não apenas uma recomendação, mas uma justificativa que pode ser incluída em um relatório ou passada para um stakeholder sem interpretação adicional.

O que isso significa

TimeCopilot baixa a barreira de entrada para previsão avançada: não há necessidade de ajustar manualmente dezenas de modelos ou interpretar métricas independentemente — o agente LLM assume parte deste trabalho. Para equipes analíticas que trabalham com métricas de negócios, demanda ou KPIs operacionais, este é um framework pronto para um pipeline production-ready com justificativa legível por humanos para cada decisão.