TimeCopilot 时序预测教程：用基础模型和自动异常检测构建端到端预测管道

一句话看懂

TimeCopilot 提供统一接口，集成统计模型、Prophet、Chronos 和 TimesFM，支持滚动交叉验证、概率预测、异常检测，并可选 LLM 代理自动选模型并解释预测。

详细发生了什么

TimeCopilot 是一个开源 Python 库，旨在简化时序预测工作流。本教程使用真实航空乘客数据（AirPassengers）和带注入异常的合成季节性数据构建面板数据集。

用户安装 TimeCopilot 并固定 NumPy 1.26.4 和 SciPy 1.13.1 以避免二进制冲突。然后配置模型集合：SeasonalNaive、AutoETS、AutoARIMA、Theta、Prophet、Chronos（根据 GPU 选择 tiny 或 small 版本），若 GPU 可用则额外加载 TimesFM。

通过 3 窗口滚动交叉验证计算 MAE、RMSE、MAPE，生成排行榜。最佳模型（按平均 RMSE）用于生成 12 个月概率预测（80% 和 95% 置信区间），并可视化历史值与预测轨迹。异常检测模块在 99% 置信水平下标记异常点，成功识别合成数据中的三个注入尖峰。

最后，若设置 OpenAI 或 Anthropic API key，TimeCopilot 的 LLM 代理可自动选择模型并生成自然语言报告，例如回答“未来 12 个月总乘客数及峰值月份”。

中文圈视角

TimeCopilot 对中文用户的价值在于：

低门槛集成：无需从零搭建交叉验证、评估、可视化代码，适合快速原型验证。但需注意依赖版本固定（NumPy 1.26.4），可能与国内常用环境（如阿里云 PAI、百度 BML）冲突，建议在 Docker 或虚拟环境中使用。
基础模型支持：Chronos 和 TimesFM 均为英文生态模型，对中文场景（如电商销量、天气数据）效果需自行测试。国内平替可选阿里 Time-Series-Library 或百度 PaddleTS，后者对中文文档和社区支持更好。
LLM 代理实用性：依赖 OpenAI/Anthropic API，国内用户需解决网络问题。可替换为本地模型（如 Qwen2.5）或国内 API（如智谱 GLM），但 TimeCopilot 目前仅支持 OpenAI 和 Anthropic 格式，需自行适配。
异常检测：基于统计残差的方法简单有效，但中文用户常面临数据质量差（缺失值、不规则时间戳），建议先预处理。

总体而言，TimeCopilot 适合英文数据且能访问海外 API 的用户；国内用户可参考其设计思路，或直接使用 PaddleTS 等国产库。

几条值得记住的细节

安装时需固定 NumPy 1.26.4 和 SciPy 1.13.1，否则可能报二进制冲突。
Chronos 模型根据 GPU 自动选择：有 GPU 用 chronos-bolt-small，否则用 tiny。
滚动交叉验证默认 3 窗口，可自定义 n_windows 参数。
异常检测基于 99% 置信水平，标记超出预测区间的点。
LLM 代理需要设置 OPENAI_API_KEY 或 ANTHROPIC_API_KEY，支持 GPT-4o 和 Claude Sonnet 4.5。

一句话总结

TimeCopilot 帮你用几行代码跑通时序预测全流程，但中文用户需注意依赖兼容性和 API 访问问题。