Собираем пайплайн прогнозирования с TimeCopilot: foundation-модели, аномалии и LLM-агент

TimeCopilot — библиотека для временных рядов, которая объединяет статистические модели (AutoARIMA, SeasonalNaive, Theta), Prophet и foundation-модели вроде Amazon Chronos (и опционально Google TimesFM на GPU). В туториале на реальных данных AirPassengers и синтетическом ряде с искусственными аномалиями показан полный цикл: загрузка, кросс-валидация, выбор лучшей модели, вероятностный прогноз с интервалами и визуализация трендов.

Особенность TimeCopilot — встроенный LLM-агент, который автоматически выбирает модель и переводит численные прогнозы в понятный аналитический ответ. Это упрощает работу для тех, кто не хочет вручную перебирать алгоритмы. В гайде также разобрана установка с фиксацией совместимых версий NumPy и SciPy, чтобы избежать конфликтов бинарников.

Материал рассчитан на практиков: код полностью воспроизводим в Colab, все шаги — от импорта до детекции аномалий — разобраны с пояснениями. Это готовый шаблон для построения forecasting-пайплайна на своих данных.