Nieuws

Hoe bouw je een voorspellingspijplijn met TimeCopilot met behulp van funderingsmodellen en geautomatiseerde anomaliedetectie

In deze tutorial bouwen we een end-to-end voorspellingsworkflow met TimeCopilot. We bereiden een paneldataset voor met echte luchtvaartpassagiersgegevens en een synthetische seizoensreeks met geïnjecteerde afwijkingen. We evalueren een diverse verzameling statistische, funderings- en optionele GPU-gebaseerde voorspellingsmodellen. We gebruiken rollende kruisvalidatie en meerdere foutmetrieken om het sterkste model te identificeren, genereren probabilistische voorspellingen met voorspellingsintervallen en detecteren afwijkingen. Ten slotte verkennen we de optionele LLM-agent van TimeCopilot, die een voorspellingsmodel selecteert en de voorspellingen vertaalt naar een toegankelijke analytische reactie.