Cómo crear un canal de pronóstico con TimeCopilot utilizando modelos básicos y detección automatizada de anomalías

importar sistema operativo, advertencias importar numpy como np importar pandas como pd importar matplotlib.pyplot como plt advertencias.filterwarnings(“ignore”) pd.set_option(“display.width”, 160) pd.set_option(“display.max_columns”, 30) print(“numpy:”, np.__version__) importar scipy; print(“scipy:”, scipy.__version__) intente: importar antorcha HAS_GPU = torch.cuda.is_available() excepto Excepción: HAS_GPU = False print(f”GPU disponible: {HAS_GPU}”) df = pd.read_csv( “https://timecopilot.s3.amazonaws.com/public/data/air_passengers.csv”, parse_dates=[“ds”]) gl[“unique_id”] = gl[“unique_id”].astype(str) rng = np.random.default_rng(7) fechas = df[“ds”].único(); n = len(fechas) sintetizador = pd.DataFrame({ “unique_id”: “Sintético”, “ds”: fechas, “y”: (np.linspace(50, 250, n) + 40 * np.sin(2 * np.pi * np.arange(n) / 12) + rng.normal(0, 8, n)).round(2), }) anomalía_idx = [30, 75, 120]
sintetizador.loc[anomaly_idx, “y”] *= 2.2 panel = pd.concat([df[[“unique_id”, “ds”, “y”]], sintetizador], ignore_index=True) print(“\nForma del panel:”, panel.shape) print(panel.groupby(“unique_id”)[“y”].agg([“count”, “mean”, “min”, “max”])) H, FRECUENCIA = 12, “MS”