用途：该技能面向时间序列数据，支持趋势与季节性判断、异常检测、预测建模以及为举措效果提供基线对比。适用场景包括运营规划预测（人员、库存、基础设施容量）、判断趋势是否由季节性驱动、指标流异常检测（流量峰值、收入下滑、错误率激增）、归因基线以及考虑季节性的同比展示。
主要能力与流程：加载并检查时间序列，确认等间隔（必要时补缺），识别日/周/月粒度并处理明显的数据质量问题；用 ADF 检验平稳性，非平稳时据此选择分解与模型（参考 references/ts_patterns_guide.md）；用加性或乘性分解拆分为趋势、季节与残差，度量各成分强度（0–1），季节性强（>0.6）时提示原始值需做季节调整；以滚动中位数 3 个标准差标记异常点，并对前 5 个异常结合事件日志排查，可用 scripts/ts_analyzer.py --detect-anomalies；拟合 ARIMA 模型（数据较短可用移动平均），在留出的 20% 测试集上验证并报告 MAPE，输出点估计与 95% 置信区间；最后按 assets/ts_report_template.md 生成报告。
所需输入：含日期列与一个数值指标列的时间序列数据，至少 2 个完整季节周期；数据粒度；预测期长度（天/周/月）；用于异常排查的事件或变更日志；业务背景（指标驱动因素与已知季节模式）。
输出：scripts/ts_analyzer.py 生成分解、异常检测与 ARIMA 预测的图表与 CSV；references/ts_patterns_guide.md 提供平稳性、季节类型、模型选择与常见陷阱指南；assets/ts_report_template.md 提供含特征、分解摘要、异常列表、预测表与洞察的报告模板。限制：未提供安装命令、具体依赖、定价或平台信息，均暂未提供。