Как TimeCopilot обнаруживает аномалии в данных

Обычно аналитик тратит часы на то, чтобы подружить между собой NumPy, SciPy, Prophet и нейросетевые модели вроде Chronos. TimeCopilot берёт эту боль на себя: один объект TimeCopilotForecaster запускает все модели, проводит кросс-валидацию (проверку точности на нескольких отрезках прошлых данных) и выдаёт таблицу ошибок с готовым рейтингом. Руководство опубликовано в открытом доступе как Colab-ноутбук, который можно запустить бесплатно.

Что понадобится?

• Google Colab (бесплатный аккаунт Google, GPU необязателен, но ускоряет нейросетевые модели)
• Библиотека TimeCopilot (устанавливается одной командой pip install)
• Вспомогательные пакеты: utilsforecast для расчёта метрик, matplotlib для графиков
• Жёстко зафиксированные версии: NumPy 1.26.4 и SciPy 1.13.1 (иначе возникают конфликты бинарных файлов)
• Время: от 15 до 30 минут на первый запуск, основное ожидание приходится на скачивание весов нейросетевых моделей

Пошаговая инструкция

1. Установите библиотеки и перезапустите среду. Выполните в ячейке Colab:

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

После установки перезапустите среду выполнения, чтобы обновлённые библиотеки загрузились корректно. Без перезапуска NumPy может подтянуть старую версию из кэша.

1. Загрузите данные и соберите панельный датасет. Руководство использует два ряда: реальную статистику авиапассажиров (AirPassengers, 144 наблюдения) и синтетический сезонный ряд с тремя искусственно вставленными аномалиями (значения в точках 30, 75 и 120 увеличены в 2,2 раза). Оба ряда объединяются в один панельный набор с колонками unique_id, ds (дата) и y (значение).

2. Настройте коллекцию моделей. В одном списке указываются статистические модели (SeasonalNaive, AutoETS, AutoARIMA, Theta), Prophet и нейросетевая модель Chronos. Если доступен GPU, добавляется TimesFM от Google. Все модели передаются в единый объект:

tcf = TimeCopilotForecaster(models=models)

1. Запустите кросс-валидацию. Метод cross_validation прогоняет каждую модель по трём скользящим окнам с горизонтом 12 месяцев. На выходе получается таблица прогнозов для каждого окна, которую можно сравнить с реальными значениями.

2. Постройте рейтинг моделей. С помощью utilsforecast.evaluation рассчитайте три метрики ошибок: MAE (средняя абсолютная ошибка), RMSE (корень из среднеквадратичной ошибки) и MAPE (средняя процентная ошибка). Таблица автоматически сортируется по RMSE, и лучшая модель определяется одной строкой кода:

best_model = leaderboard.index[0]

1. Сгенерируйте вероятностные прогнозы. Метод forecast строит прогноз на 12 месяцев вперёд с интервалами предсказания 80% и 95%. Это значит, что модель показывает не только точечный прогноз, но и коридор, внутри которого значение окажется с заданной вероятностью.

2. Визуализируйте результат и найдите аномалии. Функция plot_series рисует историю, прогноз лучшей модели и 95%-й интервал. Точки, которые выходят за пределы интервала, и есть аномалии. В синтетическом ряде все три вставленных выброса оказываются за границами коридора.

Как подключить российские данные?

Исходными данными для прогнозирования радиационной и химической обстановки могут являться временные ряды с датчиков, метеостанций или промышленных систем мониторинга. TimeCopilot принимает любой CSV с тремя колонками (unique_id, ds, y), поэтому российские датасеты подключаются без дополнительной адаптации. Достаточно привести даты к формату ISO и указать частоту: MS для месячных данных, D для суточных.

Модели ARIMA и Prophet, популярные среди российских аналитиков, уже встроены в платформу. Не нужно отдельно ставить statsmodels или fbprophet и разбираться с конфликтами зависимостей.

Что делать с этим прямо сейчас?

Автору Дзена. Если вы пишете о финансах, погоде, спорте или любой теме с цифрами, попробуйте загрузить свои данные в ноутбук и получить прогноз с графиком. Визуализация с интервалом предсказания выглядит убедительнее, чем просто линия на графике, и добавляет экспертности публикации.

Маркетологу. Загрузите помесячные данные по трафику или продажам. Платформа покажет, какие месяцы были аномальными (не вписываются в сезонный паттерн), и даст прогноз на год. Это быстрее, чем строить модель вручную в Python.

Предпринимателю в РФ. TimeCopilot работает в Google Colab, доступ из России есть. Модели ARIMA и Prophet, привычные российским аналитикам, запускаются без дополнительной настройки. Из доступных в РФ альтернатив для прогнозирования временных рядов можно рассмотреть библиотеки statsmodels и Etna от Tinkoff, но они требуют ручной сборки пайплайна.

Ноутбук открыт, модели бесплатны, данные можно заменить на свои за пять минут. Попробуйте загрузить собственный временной ряд и посмотрите, какая модель окажется точнее на ваших цифрах, результат часто удивляет.