用途：分析时间序列数据模式并构建预测模型，用于基于时间的预测、需求预测等场景。
主要能力：数据准备与可视化；用 seasonal_decompose 做加性分解，分离趋势、季节性与残差；用 adfuller 与 kpss 做平稳性检验，并通过差分使序列平稳；ACF/PACF 分析；用 pmdarima 的 auto_arima 自动定阶，或用 statsmodels 的 SARIMAX 手动构建 SARIMA；用 Prophet 建模并做交叉验证与组件可视化；指数平滑（SimpleExpSmoothing、Holt-Winters）；用 PyTorch 实现 LSTM 和 Transformer 预测；用 zscore、IQR、IsolationForest、滚动窗口做异常检测；时间特征、滞后特征、滚动窗口特征工程；MAE、RMSE、MAPE、sMAPE 评估。
使用方式：资料给出的是 Python 代码示例，核心依赖 pandas、numpy、matplotlib、statsmodels、pmdarima、prophet、scikit-learn、torch、scipy。示例流程为读取 CSV 并设置 DatetimeIndex、探索与可视化、分解与检验、建模预测与评估。Prophet 要求数据含 ds 与 y 两列。
适用场景：销售与需求预测、按日/周/月粒度的趋势与季节性分析、异常点识别。
限制：资料未提供安装命令、平台信息、收费与价格、性能基准或服务端部署方式；不确定部分暂未提供。注意训练/测试切分不可打乱，应使用 TimeSeriesSplit 做时序交叉验证，并在预测中给出置信区间。