mcpField
F
forecasting-time-series-data

forecasting-time-series-data

github.com/jeremylongshore数据与数据库2.9k194 次安装2 天前更新
代码仓库

关于 forecasting-time-series-data

面向 Claude 的时间序列预测技能，可分析历史数据并预测未来数值。它根据趋势和季节性选择 ARIMA 或 Prophet 等模型，并生成带置信区间的预测。

主要功能

  1. 01趋势、季节性与自相关分析
  2. 02选择 ARIMA、Prophet 等模型
  3. 03生成带置信区间的预测
  4. 04提供预测评估指标

适用场景

  1. 01根据历史记录预测销售额
  2. 02预测网站月度流量
  3. 03分析股票价格趋势

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/jeremylongshore/tons-of-skills-marketplace --skill forecasting-time-series-data

安装后在 Claude Code 中输入/forecasting-time-series-data确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

assets/
configuration_template.json
example_data.csv
README.md
visualization_template.py
references/
README.md
scripts/
README.md

详细介绍

时间序列预测器

使用 ARIMA、Prophet 和其他模型，根据历史时间序列数据预测未来值，并分析趋势、季节性和置信区间。

概述

此技能赋能 Claude 执行时间序列预测，深入了解未来趋势和模式。它能自动完成数据分析、模型选择和预测生成，为决策提供有价值的信息。

工作原理

  1. 数据分析：Claude 分析所提供的时间序列数据，识别趋势、季节性和自相关等关键特征。
  2. 模型选择：Claude 根据数据特征选择合适的预测模型（例如 ARIMA、Prophet）。
  3. 生成预测：使用历史数据训练所选模型，并预测未来值及其置信区间。

何时使用此技能

在以下情况下可使用此技能：

  • 根据过去的销售数据预测未来销售额。
  • 预测下个月的网站流量。
  • 分析过去一年中的股价趋势。

示例

示例 1：预测销售额

用户请求：“根据过去 3 年的月度销售数据，预测下一季度的销售额。”

此技能将：

  1. 分析历史销售数据，识别趋势和季节性。
  2. 选择并训练合适的预测模型（例如 ARIMA 或 Prophet）。
  3. 生成下一季度的销售额预测，包括置信区间。
示例 2：预测网站流量

用户请求：“根据过去 6 个月的数据，预测下个月每周的网站流量。”

此技能将：

  1. 分析网站流量数据，识别模式和季节性。
  2. 选择合适的时间序列预测模型。
  3. 生成下个月每周的网站流量预测。

最佳实践

  • 数据质量：确保时间序列数据干净、完整且准确，以获得最佳预测结果。
  • 模型选择：选择适合数据特征的预测模型（例如，对平稳数据使用 ARIMA，对季节性显著的数据使用 Prophet）。
  • 评估：使用合适的指标评估预测模型的性能（例如，平均绝对误差、均方根误差）。

集成

此技能可与 Claude Code 生态系统中的其他数据分析和可视化工具集成，为时间序列分析和预测提供全面的解决方案。

前提条件

  • 具有适当的文件访问权限
  • 已安装所需依赖项

使用说明

  1. 满足触发条件时调用此技能
  2. 提供必要的上下文和参数
  3. 检查生成的输出
  4. 根据需要进行修改

输出

此技能会生成与任务相关的结构化输出。

错误处理

  • 输入无效：提示进行修正
  • 缺少依赖项：列出所需组件
  • 权限错误：提供补救步骤建议

资源

  • 项目文档
  • 相关技能和命令

评论

支持 Markdown