Time Series Analyst 是一个面向时间序列数据分析与预测的技能，提供分析时间数据、识别模式并构建预测模型的指导。
用途
该技能用于处理时间序列数据，帮助识别数据中的模式、趋势、季节性和异常，并基于统计方法与机器学习方法进行预测。
主要能力
核心能力包括：
- 分解：趋势、季节性、残差分析
- 统计方法：ARIMA、SARIMA、指数平滑
- 机器学习方法：Prophet、LSTM、基于 Transformer 的模型
- 异常检测：统计与机器学习方法
时间序列基础
分析前需要评估数据特征，包括平稳性（均值/方差是否恒定，影响方法选择）、季节性（是否存在重复模式，影响模型组件）、趋势（是否存在长期方向，影响差分需求）、频率（采样率，影响聚合选择）和缺失值（是否存在缺口，影响插补需求）。
平稳性检验可使用 Augmented Dickey-Fuller（ADF）检验和 KPSS 检验。ADF 检验的原假设为非平稳，p < 0.05 提示平稳；KPSS 检验的原假设为平稳，p > 0.05 提示平稳。
使序列平稳的方法包括：差分处理趋势、季节性差分、对数变换处理变化的方差，以及 Box-Cox 最优变换。
时间序列分解
经典分解模型包括加法模型（原始 = 趋势 + 季节性 + 残差）和乘法模型（原始 = 趋势 × 季节性 × 残差）。可使用 statsmodels 的 seasonal_decompose 进行经典分解，或使用更稳健的 STL 分解。分解后可分别访问趋势、季节性和残差组件。
统计预测方法
ARIMA 模型选择：ARIMA(p, d, q) 中，p 为自回归阶数（基于 ACF/PACF），d 为差分阶数（基于平稳性），q 为移动平均阶数（基于 ACF）。可使用 pmdarima 的 auto_arima 自动选择参数，或手动指定 ARIMA 模型。
SARIMA 用于季节性数据：SARIMA(p, d, q)(P, D, Q, m) 中，小写为非季节性组件，大写为季节性组件，m 为季节周期。可使用 statsmodels 的 SARIMAX 建模，并获取带置信区间的预测。
指数平滑：可使用 statsmodels 的 ExponentialSmoothing 实现 Holt-Winters 方法（趋势 + 季节性）。
基于机器学习的预测
Facebook Prophet：需要数据包含 'ds' 和 'y' 列。支持年度、周度、日度季节性配置，可添加自定义季节性（如月度）和回归变量（如节假日标志、促销）。
LSTM 用于序列预测：需要准备序列数据，构建包含 LSTM、Dropout 和 Dense 层的模型，使用 adam 优化器和 mse 损失进行编译和训练。
异常检测
统计方法包括：Z-score 方法（阈值默认 3）、IQR 方法（乘数默认 1.5）、滚动统计方法（窗口和阈值可配置）。
Isolation Forest：需要为时间序列进行特征工程（如值、小时、星期几、滚动均值、滚动标准差），使用 contamination 参数配置异常比例，输出 -1 表示异常，1 表示正常。
模型评估
评估指标包括：MAE（平均绝对误差，可解释的误差）、RMSE（均方根误差，惩罚大误差）、MAPE（平均绝对百分比误差）、SMAPE（对称 MAPE，更好地处理零值）。
时间序列交叉验证：可使用 sklearn 的 TimeSeriesSplit 进行交叉验证，按时间顺序划分训练集和测试集。回测模式展示了多个折叠中训练集和测试集的时间顺序划分方式。
参考资料
技能包含以下参考文件：references/arima-guide.md（ARIMA 模型选择与诊断）、references/prophet-tuning.md（Prophet 配置与自定义季节性）、references/anomaly-patterns.md（异常检测技术与阈值）。