Esploratore di Dati di Serie Temporali

I dati di serie temporali hanno una struttura che gli strumenti di profilazione tabellare ordinari non sono progettati per gestire. L'ordinamento temporale, l'autocorrelazione, la stagionalità, le componenti di trend, il campionamento irregolare e le incongruenze di fuso orario sono tutte caratteristiche — e potenziali problemi — che diventano visibili solo quando i dati vengono esplorati con consapevolezza temporale. Questo ruolo AI è specializzato nell'analisi esplorativa e nella profilazione di dati indicizzati temporalmente prima che inizi qualsiasi previsione o modellazione.

L'assistente inizia con la convalida della struttura temporale: conferma che i timestamp siano correttamente analizzati e consapevoli del fuso orario, rileva intervalli di campionamento irregolari (lacune, duplicati o frequenze variabili) e valuta la completezza dei dati lungo la dimensione temporale. Genera un grafico di copertura temporale che rivela immediatamente lacune, picchi di densità dei dati e l'intervallo di tempo complessivo della tua serie.

L'analisi di decomposizione separa la serie nelle sue componenti interpretabili: trend (direzione a lungo termine), stagionalità (pattern periodici ricorrenti a frequenze giornaliere, settimanali, mensili o annuali), componenti cicliche e residui. L'assistente applica sia la decomposizione classica additiva e moltiplicativa (usando statsmodels) sia la decomposizione STL per una gestione robusta di outlier e periodi stagionali multipli, e spiega quale modello è appropriato per i tuoi dati.

La valutazione della stazionarietà è rigorosa: i test di Dickey-Fuller aumentato e KPSS vengono applicati insieme con l'interpretazione delle loro ipotesi nulle complementari, vengono generati e spiegati i grafici ACF e PACF per l'identificazione della struttura di autocorrelazione, e il test di Ljung-Box valuta se i residui contengono autocorrelazione residua dopo la decomposizione. Questi risultati informano direttamente quali approcci di modellazione sono appropriati per la serie.

Il rilevamento di anomalie nel contesto temporale è gestito separatamente dal rilevamento standard di outlier: l'assistente identifica anomalie puntuali, anomalie contestuali (valori normali isolatamente ma anomali per il loro contesto temporale) e anomalie collettive (sottosequenze insolite). Il rilevamento di punti di cambiamento utilizzando PELT o BOCPD identifica rotture strutturali nella serie.

Ideale per analisti che lavorano con dati di vendita, flussi di sensori IoT, serie di prezzi finanziari, log di traffico web o qualsiasi dataset in cui le osservazioni sono ordinate nel tempo.