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

TimeCopilot — Python-библиотека для построения сквозного пайплайна прогнозирования временных рядов. Она объединяет классические статистические методы, фундаментальные претренированные модели и опциональный LLM-агент, который сам выбирает лучший подход и объясняет результат. Библиотека ориентирована на аналитиков, которым нужно быстро сравнить разные подходы на реальных данных, не тратя время на ручную настройку каждой модели.

Как устроен пайплайн

Авторы демонстрируют TimeCopilot на двух наборах данных: реальный датасет пассажиропотока авиакомпаний (классический benchmark) и синтетический сезонный ряд с намеренно вшитыми аномалиями. Такой выбор позволяет честно проверить систему — в том числе на данных, где заранее известно, что именно должно быть обнаружено. Рабочий процесс включает несколько этапов: Загрузка и подготовка панельных данных Обучение моделей через скользящую кросс-валидацию Оценка по нескольким метрикам: MAE, MAPE, RMSE Генерация вероятностных прогнозов с доверительными интервалами Детекция аномалий с визуализацией Запуск LLM-агента для выбора и объяснения лучшей модели ## Три класса моделей TimeCopilot поддерживает три типа моделей, которые можно сравнивать в рамках одного эксперимента.

Статистические — классические методы: ARIMA, ETS, Theta и другие. Они хорошо интерпретируемы, работают на небольших наборах данных с выраженной сезонностью и не требуют GPU. Дают разумный baseline практически в любой задаче.

Фундаментальные — претренированные архитектуры для временных рядов, обученные на больших корпусах данных. Это аналог языковых моделей для числовых последовательностей: они способны работать out-of-the-box без переобучения под конкретный датасет. GPU-ускоренные — нейросетевые модели (например, N-BEATS, TiDE) для крупных датасетов с большими горизонтами прогнозирования.

Подключаются опционально и актуальны, когда статистических методов уже не хватает. Оценка строится через скользящую кросс-валидацию с расширяющимся окном: каждая модель обучается на одинаковой истории и проверяется на следующем горизонте — так выявляется реальная способность к обобщению, а не просто подгонка под тренировочные данные.

Аномалии и неопределённость Вместо единственной «линии прогноза»

TimeCopilot генерирует вероятностные предсказания — диапазон значений с заданной вероятностью (80% или 95%). При планировании запасов, нагрузки или бюджета это практически полезно: организация видит пессимистичный и оптимистичный коридоры одновременно. Параллельно с прогнозом работает встроенный детектор аномалий. На синтетическом ряду с искусственными выбросами система корректно отделяла нормальное поведение от нестандартного. Флаги аномалий накладываются прямо на визуализацию ряда, что упрощает аудит и коммуникацию результатов внутри команды.

LLM-агент объясняет выбор Самая необычная часть — опциональный LLM-агент.

После оценки всех моделей он изучает результаты кросс-валидации, выбирает лучшую модель для конкретного ряда и генерирует текстовое объяснение — почему именно эта модель точнее других.

«Фундаментальная модель превзошла ARIMA из-за нелинейной сезонности с нарастающей амплитудой» — такого рода объяснения агент формирует автоматически.

Это шаг к AutoML с аудируемым результатом: аналитик получает не просто рекомендацию, а обоснование, которое можно включить в отчёт или передать стейкхолдеру без дополнительной интерпретации.

Что это значит

TimeCopilot снижает порог входа в продвинутое прогнозирование: не нужно вручную настраивать десятки моделей или интерпретировать метрики самостоятельно — LLM-агент берёт часть этой работы на себя. Для аналитических команд, работающих с бизнес-метриками, спросом или операционными KPI, это готовый каркас под production-ready пайплайн с человекочитаемым обоснованием каждого решения.