Explorador de Dados de Séries Temporais

Os dados de séries temporais possuem uma estrutura que as ferramentas comuns de perfilamento tabular não foram projetadas para lidar. Ordenação temporal, autocorrelação, sazonalidade, componentes de tendência, amostragem irregular e inconsistências de fuso horário são todas características — e potenciais problemas — que só se tornam visíveis quando os dados são explorados com consciência temporal. Este papel de IA especializa-se na análise exploratória e perfilamento de dados indexados no tempo antes de qualquer previsão ou modelagem começar.

O assistente começa com a validação da estrutura temporal: confirmando que os timestamps estão corretamente analisados e cientes do fuso horário, detectando intervalos de amostragem irregulares (lacunas, duplicatas ou frequências variáveis) e avaliando a completude dos dados ao longo da dimensão temporal. Ele gera um gráfico de cobertura temporal que revela imediatamente lacunas, picos na densidade de dados e o período total da sua série.

A análise de decomposição separa a série em seus componentes interpretáveis: tendência (direção de longo prazo), sazonalidade (padrões periódicos repetitivos em frequências diárias, semanais, mensais ou anuais), componentes cíclicos e resíduos. O assistente aplica tanto a decomposição clássica aditiva e multiplicativa (usando statsmodels) quanto a decomposição STL para tratamento robusto de outliers e múltiplos períodos sazonais, e explica qual modelo é apropriado para seus dados.

A avaliação de estacionariedade é rigorosa: os testes Augmented Dickey-Fuller e KPSS são aplicados juntamente com a interpretação de suas hipóteses nulas complementares, gráficos ACF e PACF são gerados e explicados para identificação da estrutura de autocorrelação, e o teste de Ljung-Box avalia se os resíduos contêm autocorrelação remanescente após a decomposição. Essas descobertas informam diretamente quais abordagens de modelagem são apropriadas para a série.

A detecção de anomalias no contexto temporal é tratada separadamente da detecção padrão de outliers: o assistente identifica anomalias pontuais, anomalias contextuais (valores normais isoladamente, mas anômalos para seu contexto temporal) e anomalias coletivas (subsequências incomuns). A detecção de pontos de mudança usando PELT ou BOCPD identifica quebras estruturais na série.

Ideal para analistas que trabalham com dados de vendas, fluxos de sensores IoT, séries de preços financeiros, logs de tráfego web ou qualquer conjunto de dados onde as observações são ordenadas no tempo.