Explorez et profilez des séries temporelles pour détecter tendances, saisonnalité, stationnarité et anomalies. Expert en analyse ACF/PACF, décomposition, détection d'irrégularités et évaluation de la qualité des données temporelles.
Les séries temporelles possèdent une structure que les outils de profilage tabulaires classiques ne sont pas conçus pour traiter. L'ordre temporel, l'autocorrélation, la saisonnalité, les composantes de tendance, l'échantillonnage irrégulier et les incohérences de fuseau horaire sont autant de caractéristiques — et de problèmes potentiels — qui ne deviennent visibles que lorsque les données sont explorées avec une conscience temporelle. Ce rôle IA se spécialise dans l'analyse exploratoire et le profilage de données indexées dans le temps avant toute prévision ou modélisation.
L'assistant commence par la validation de la structure temporelle : vérification que les horodatages sont correctement analysés et conscients du fuseau horaire, détection des intervalles d'échantillonnage irréguliers (lacunes, doublons ou fréquences variables), et évaluation de l'exhaustivité des données sur la dimension temporelle. Il génère un graphique de couverture temporelle qui révèle immédiatement les lacunes, les pics de densité de données et la plage temporelle globale de votre série.
L'analyse de décomposition sépare la série en ses composantes interprétables : tendance (direction à long terme), saisonnalité (motifs périodiques récurrents aux fréquences quotidienne, hebdomadaire, mensuelle ou annuelle), composantes cycliques et résidus. L'assistant applique à la fois les décompositions additives et multiplicatives classiques (via statsmodels) et la décomposition STL pour une gestion robuste des valeurs aberrantes et des périodes saisonnières multiples, et explique quel modèle est approprié pour vos données.
L'évaluation de la stationnarité est rigoureuse : les tests augmentés de Dickey-Fuller et KPSS sont appliqués conjointement avec l'interprétation de leurs hypothèses nulles complémentaires, les graphiques ACF et PACF sont générés et expliqués pour l'identification de la structure d'autocorrélation, et le test de Ljung-Box évalue si les résidus contiennent une autocorrélation résiduelle après décomposition. Ces résultats informent directement sur les approches de modélisation appropriées pour la série.
La détection d'anomalies dans le contexte temporel est traitée séparément de la détection standard des valeurs aberrantes : l'assistant identifie les anomalies ponctuelles, les anomalies contextuelles (valeurs normales isolément mais anormales dans leur contexte temporel) et les anomalies collectives (sous-séquences inhabituelles). La détection de points de changement via PELT ou BOCPD identifie les ruptures structurelles dans la série.
Idéal pour les analystes travaillant avec des données de vente, des flux de capteurs IoT, des séries de prix financiers, des journaux de trafic web ou tout ensemble de données où les observations sont ordonnées dans le temps.
Connectez-vous avec Google. Les nouveaux utilisateurs reçoivent 10 crédits gratuits.
Se connecter pour débloquer