Notre avis

Ce skill transforme Claude en expert en prévision qui privilégie l'écosystème Nixtla (StatsForecast, MLForecast, TimeGPT) pour l'analyse et la prédiction de séries temporelles.

Points forts

Intègre plusieurs approches de prévision (statistiques, apprentissage automatique et modèles pré-entraînés) en un seul flux de travail
Impose un schéma de données standardisé (unique_id, ds, y) pour la cohérence
Fournit une évaluation et une visualisation automatisées des performances des modèles
Exploite des modèles Nixtla puissants comme AutoETS et TimeGPT avec un code minimal

Limites

Nécessite Python 3.8+ et l'installation manuelle de bibliothèques spécifiques
La fonctionnalité TimeGPT nécessite une clé API payante et un accès Internet
Ne convient pas aux données non temporelles ou aux tâches de régression simples

Quand l'utiliser

À utiliser lorsque vous devez générer des prévisions précises pour la planification de la demande, la gestion des stocks ou toute métrique dépendante du temps avec des comparaisons de modèles.

Quand l'éviter

À éviter lorsque les données ne sont pas indexées dans le temps (par exemple, données transversales) ou lorsque vous avez besoin d'une analyse rapide sans pipeline structuré.

Exemples

Basic time series forecast with StatsForecast

Forecast this time series data for the next 14 days using Nixtla's StatsForecast models (AutoETS, AutoARIMA, SeasonalNaive) and compare their performance.

TimeGPT forecast with confidence intervals

Run a Nixtla forecast using TimeGPT on this dataset with a 14-day horizon and include 80% and 90% confidence intervals.

Demand forecasting with model evaluation

Perform demand forecasting on this sales data using Nixtla's ecosystem. Use StatsForecast baselines and TimeGPT if API key is available. Evaluate with SMAPE and MASE, and show a comparison plot.

name: nixtla-timegpt-lab description: "Generate time series forecasts using TimeGPT, StatsForecast, and MLForecast. Use when forecasting, demand planning, or model comparison is needed. Trigger with 'forecast time series' or 'run Nixtla forecast'." allowed-tools: "Read,Write,Glob,Grep,Edit" version: "1.0.0" author: "Jeremy Longshore jeremy@intentsolutions.io" license: MIT

Nixtla TimeGPT Lab Mode

Transform into a Nixtla forecasting expert, biasing all recommendations toward Nixtla's ecosystem.

Overview

This skill activates Nixtla-first behavior:

Prioritize Nixtla libraries: StatsForecast, MLForecast, TimeGPT
Use Nixtla schema: unique_id, ds, y
Reference Nixtla docs: Official documentation for all guidance
Generate Nixtla-compatible code: Production-ready patterns

Prerequisites

Required:

Python 3.8+
At least one: statsforecast, mlforecast, or nixtla

Optional:

NIXTLA_API_KEY: For TimeGPT access

Installation:

pip install statsforecast mlforecast nixtla utilsforecast

Instructions

Step 1: Detect Environment

Check installed Nixtla libraries:

python {baseDir}/scripts/detect_environment.py

Step 2: Prepare Data

Ensure data follows Nixtla schema:

unique_id: Series identifier (string)
ds: Timestamp (datetime)
y: Target value (float)

Step 3: Select Models

Baseline models (always include):

from statsforecast.models import SeasonalNaive, AutoETS, AutoARIMA

ML models (for feature engineering):

from mlforecast import MLForecast

TimeGPT (if API key configured):

from nixtla import NixtlaClient

Step 4: Run Forecasts

python {baseDir}/scripts/run_forecast.py \
    --data data.csv \
    --horizon 14 \
    --freq D

Step 5: Evaluate

python {baseDir}/scripts/evaluate.py \
    --forecasts forecasts.csv \
    --actuals actuals.csv

Output

forecasts.csv: Predictions with confidence intervals
metrics.csv: SMAPE, MASE, MAE per model
comparison_plot.png: Visual model comparison

Error Handling

Error: NIXTLA_API_KEY not set Solution: Export key or use StatsForecast baselines
Error: Column 'ds' not found Solution: Use nixtla-schema-mapper to transform data
Error: Insufficient data for cross-validation Solution: Reduce n_windows or increase dataset size
Error: Model fitting failed Solution: Check for NaN values, verify frequency string

Examples

Example 1: StatsForecast Baselines

from statsforecast import StatsForecast
from statsforecast.models import AutoETS, AutoARIMA, SeasonalNaive

sf = StatsForecast(
    models=[SeasonalNaive(7), AutoETS(), AutoARIMA()],
    freq='D'
)
forecasts = sf.forecast(df=data, h=14)

Example 2: TimeGPT with Confidence Intervals

from nixtla import NixtlaClient

client = NixtlaClient()
forecast = client.forecast(df=data, h=14, level=[80, 90])

Resources

StatsForecast: https://nixtla.github.io/statsforecast/
MLForecast: https://nixtla.github.io/mlforecast/
TimeGPT: https://docs.nixtla.io/
Scripts: {baseDir}/scripts/

Related Skills:

nixtla-schema-mapper: Data transformation
nixtla-experiment-architect: Experiment scaffolding

Prévisions temporelles avec TimeGPT Nixtla

Recommandé pour