基盤モデルと自動異常検出を用いた TimeCopilot による予測パイプラインの構築方法

本チュートリアルでは、TimeCopilot を用いてエンドツーエンドの予測ワークフローを構築します。実際の航空会社乗客データを含むパネルデータセットと、異常値を注入した合成季節時系列を用意し、多様な統計モデル、ファウンデーションモデル、およびオプションの GPU ベース予測モデルを評価します。ローリング交差検証と複数の誤差指標を用いて最良のモデルを特定し、予測区間付きの確率的予測を生成し、将来のトレンドを可視化し、異常な観測値を検出します。最後に、予測モデルを選択し、その予測結果をアクセスしやすい分析回答に変換する TimeCopilot のオプション LLM エージェント（大規模言語モデルエージェント）について探ります。 TimeCopilot のインストールと互換性のある NumPy および SciPy バージョンの固定 !pip install -q "timecopilot" "utilsforecast" "matplotlib" !pip install -q --force-reinstall --no-deps "numpy==1.26.4" "scipy==1.13.1" print("Setup complete. Restarting the runtime to load clean binaries...") import IPython IPython.Application.instance().kernel.do_shutdown(True) 予測環境を準備するために、TimeCopilot、UtilsForecast（ユーティリティ予測）、Matplotlib をインストールします。バイナリ競合を防ぐため、互換性のある NumPy および SciPy のバージョンを強制適用します。その後、Colab ランタイムを再起動して更新されたライブラリが正しく読み込まれるようにします。 AirPassengers データの読み込みと合成異常パネルの構築 必要なライブラリをインポートし、環境を確認して GPU の利用可否を検出します。AirPassengers データセットを読み込み、スパイク（急激な変動）を組み込んだ第 2 の合成季節時系列を作成します。これら 2 つの時系列を結合してパネルデータセットとし、予測ホライズンと月次頻度を設定します。 統計モデル、Prophet モデル、Chronos モデルの構成 異なるブラウザを使用する from timecopilot.forecaster import TimeCopilotForecaster from timecopilot.models.stats import AutoARIMA, AutoETS, SeasonalNaive, Theta from timecopilot.models.prophet import Prophet from timecopilot.models.foundation.chronos import Chronos chronos_repo = "amazon/chronos-bolt-small" if HAS_GPU else "amazon/chronos-bolt-tiny" models = [ SeasonalNaive(), AutoETS(), AutoARIMA(), Theta(), Prophet(), Chronos(repo_id=chronos_repo, alias="Chronos"), ] if HAS_GPU: try: from timecopilot.models.foundation.timesfm import TimesFM models.append(TimesFM(repo_id="google/timesfm-2.0-500m-pytorch", alias="TimesFM")) except Exception as e: print("Skipping TimesFM:", e) tcf = TimeCopilotForecaster(models=models) print("\nModels:", [getattr(m, "alias", type(m).__name__) for m in models]) 統計モデル、Prophet モデル、および Chronos モデルの多様なコレクションを構成します。利用可能なハードウェアに応じて Chronos モデルのサイズを選択し、GPU が存在する場合はオプションで TimesFM を含めます。その後、TimeCopilotForecaster を初期化して、すべてのモデルを一貫したインターフェースを通じて管理できるようにします。 ロールイング交差検証の実行と RMSE によるモデルランキング print("\nRunning cross-validation (slow step: foundation weights download)...") cv_df = tcf.cross_validation(df=panel, h=H, freq=FREQ, n_windows=3) print(cv_df.head()) from utilsforecast.evaluation import evaluate from utilsforecast.losses import mae, rmse, mape eval_df = evaluate(cv_df.drop(columns=["cutoff"]), metrics=[mae, rmse, mape]) print("\n=== Per-series error (lower = better) ===") print(eval_df.round(3)) model_cols = [c for c in eval_df.columns if c not in ("unique_id", "metric")] leaderboard = (eval_df.groupby("metric")[model_cols].mean().T.sort_values("rmse")) print("\n=== Leaderboard (mean across series) ===") print(leaderboard.round(3)) best_model = leaderboard.index[0] print(f"\n>>> Best model by mean RMSE: {best_model}") We perform rolling cross-validation across three windows to measure each model's forecasting performance. We calculate MAE, RMSE, and MAPE for every series and aggregate the results into a leaderboard. We identify the model with the lowest mean RMSE for subsequent forecasting and visualization. Generating Probabilistic Forecasts with Prediction Intervals Copy CodeCopiedUse a different Browser fcst_df = tcf.forecast(df=panel, h=H, freq=FREQ, level=[80, 95]) print("\nForecast columns:", list(fcst_df.columns)) def plot_series(uid, point_model=best_model): hist = panel[panel["unique_id"] == uid]; fc = fcst_df[fcst_df["unique_id"] == uid] plt.figure(figsize=(11, 4)); plt.plot(hist["ds"], hist["y"], color="black", label="history") if point_model in fc.columns: plt.plot(fc["ds"], fc[point_model], color="C0", label=f"{point_model} forecast") lo, hi = f"{point_model}-lo-95", f"{point_model}-hi-95" if lo in fc.columns and hi in fc.columns: plt.fill_between(fc["ds"], fc[lo], fc[hi], alpha=0.25, color="C0", label="95% interval") plt.title(f"{uid} — {point_model}"); plt.legend(); plt.tight_layout(); plt.show() for uid in panel["unique_id"].unique(): plot_series(uid) 80% および 95% の予測区間を含む、12 ヶ月分の確率的予測（probabilistic forecasts）を生成します。ここでは、履歴値、ポイント予測（point forecasts）、不確実性範囲を表示する再利用可能なプロット関数を定義しています。この関数を各時系列に適用し、観測された履歴と予測される将来の軌跡を比較します。 予測パネル全体における異常検出 Copy CodeCopiedUse a different Browser print("\nRunning anomaly detection...") anomalies_df = tcf.detect_anomalies(df=panel, h=H, freq=FREQ, level=99) anom_cols = [c for c in anomalies_df.columns if c.endswith("-anomaly")] if anom_cols: flagged = anomalies_df[anomalies_df[anom_cols].any(axis=1)] print(f"Flagged points (>=1 model): {len(flagged)}") print(flagged[["unique_id", "ds", "y"] + anom_cols].head(20).to_string(index=False)) col = f"{best_model}-anomaly" if col not in anomalies_df.columns: col = anom_cols[0] sub = anomalies_df[anomalies_df["unique_id"] == "Synthetic"] pts = sub[sub[col] == True] plt.figure(figsize=(11, 4)); plt.plot(sub["ds"], sub["y"], color="black", label="value") plt.scatter(pts["ds"], pts["y"], color="red", zorder=5, label=f"anomaly ({col})") plt.title("Anomaly detection — Synthetic series"); plt.legend(); plt.tight_layout(); plt.show() else: print(anomalies_df.head()) Interpreting Forecasts with the TimeCopilot LLM Agent Copy CodeCopiedUse a different Browser from timecopilot import TimeCopilot if os.environ.get("OPENAI_API_KEY") or os.environ.get("ANTHROPIC_API_KEY"): llm = "openai:gpt-4o" if os.environ.get("OPENAI_API_KEY") else "anthropic:claude-sonnet-4-5" tc = TimeCopilot(llm=llm, retries=3) single = panel[panel["unique_id"] == "AirPassengers"] result = tc.forecast(df=single, freq=FREQ, h=H, query="Total air passengers expected over the next 12 months, and which months peak?") out = result.output print("\n=== AGENT REPORT ===") print("Selected model:", out.selected_model) print("Beats SeasonalNaive:", out.is_better_than_seasonal_naive) print("Why:", out.reason_for_selection) print("Answer:", out.user_query_response) print(result.fcst_df.head()) else: print("\n[Agent section skipped] No LLM key. Everything above ran key-free.") print("\nDone. ![image](https://s.w.org/images/core/emoji/17.0.2/72x72/2705.png)") パネル全体で異常を検出し、フラグ付けされた観測値を合成系列上で可視化します。OpenAI または Anthropic の API キーが利用可能な場合に限り、TimeCopilot LLM エージェントを初期化するオプションがあります。このエージェントを用いてモデルを選択し、SeasonalNaive モデルとの比較評価を行い、実用的な質問に対する予測の解説を行います。 結論 結論として、データ準備からモデル評価、確率的予測、可視化、異常検出、そしてエージェントによる解釈までを一貫して行う統合された TimeCopilot パイプラインを構築しました。従来の統計手法と最新のファウンデーションモデルを、一貫した交差検証フレームワーク内で比較し、客観的な誤差指標に基づいて最もパフォーマンスの高いアプローチを選択しました。また、予測区間を通じて予測の不確実性を定量化し、複数の時系列にわたる異常な観測値も特定しました。自動化された予測とオプションの LLM エージェントを組み合わせることで、単一のワークフロー内で正確な数値予測と明確で意思決定指向の洞察の両方を生成することができました。

基盤モデルと自動異常検出を用いた TimeCopilot による予測パイプラインの構築方法

背景や根拠まで確認しますか？

調べる

選ぶ

サイト

背景や根拠まで確認しますか？

ニュースの次に確認する

調べる

選ぶ

サイト