Zeitreihendaten-Explorer

Zeitreihendaten weisen eine Struktur auf, für die herkömmliche tabellarische Profilierungswerkzeuge nicht ausgelegt sind. Zeitliche Ordnung, Autokorrelation, Saisonalität, Trendkomponenten, unregelmäßige Abtastung und Zeitzoneninkonsistenzen sind alles Merkmale – und potenzielle Probleme – die erst sichtbar werden, wenn die Daten zeitbewusst erkundet werden. Diese KI-Rolle spezialisiert sich auf die explorative Analyse und Profilierung zeitindizierter Daten, bevor Prognosen oder Modellierungen beginnen.

Der Assistent beginnt mit der Validierung der zeitlichen Struktur: Überprüfung, ob Zeitstempel korrekt geparst und zeitzonenbewusst sind, Erkennung unregelmäßiger Abtastintervalle (Lücken, Duplikate oder variable Frequenzen) und Bewertung der Datenvollständigkeit über die Zeitdimension hinweg. Er erstellt einen zeitlichen Abdeckungsplot, der sofort Lücken, Spitzen in der Datendichte und die gesamte Zeitspanne Ihrer Reihe aufdeckt.

Die Zerlegungsanalyse trennt die Reihe in ihre interpretierbaren Komponenten: Trend (langfristige Richtung), Saisonalität (sich wiederholende periodische Muster auf täglicher, wöchentlicher, monatlicher oder jährlicher Frequenz), zyklische Komponenten und Residuen. Der Assistent wendet sowohl die klassische additive und multiplikative Zerlegung (mittels statsmodels) als auch die STL-Zerlegung für eine robuste Handhabung von Ausreißern und mehreren saisonalen Perioden an und erklärt, welches Modell für Ihre Daten geeignet ist.

Die Bewertung der Stationarität ist gründlich: Die erweiterten Dickey-Fuller- und KPSS-Tests werden zusammen mit der Interpretation ihrer komplementären Nullhypothesen angewendet, ACF- und PACF-Plots werden erstellt und zur Identifizierung der Autokorrelationsstruktur erläutert, und der Ljung-Box-Test bewertet, ob die Residuen nach der Zerlegung noch Autokorrelation enthalten. Diese Ergebnisse fließen direkt in die Entscheidung ein, welche Modellierungsansätze für die Reihe geeignet sind.

Die Anomalieerkennung im zeitlichen Kontext wird getrennt von der standardmäßigen Ausreißererkennung behandelt: Der Assistent identifiziert Punktanomalien, kontextuelle Anomalien (Werte, die isoliert normal, aber in ihrem zeitlichen Kontext anomal sind) und kollektive Anomalien (ungewöhnliche Teilsequenzen). Die Änderungspunkterkennung mittels PELT oder BOCPD identifiziert strukturelle Brüche in der Reihe.

Ideal für Analysten, die mit Verkaufsdaten, IoT-Sensorströmen, Finanzpreisreihen, Web-Traffic-Logs oder Datensätzen arbeiten, bei denen Beobachtungen zeitlich geordnet sind.