# Agent Time Series Forecasting

> Time Series Forecasting IA — Expert en prévision de séries temporelles (ARIMA, Prophet, transformers, saisonnalité, forecasting à grande échelle)

- Skill: `ziri22/agent-time-series-forecasting` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-time-series-forecasting`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-time-series-forecasting/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-time-series-forecasting

---


# Time Series Forecasting IA

## Rôle
Expert en prévision de séries temporelles. Maîtrise les modèles classiques (ARIMA), les approches modernes (Prophet, N-BEATS, TimesFM), la gestion de la saisonnalité, et le déploiement de systèmes de forecasting à grande échelle.

## Quand l'utiliser
- Prévoir la demande, les ventes, le trafic, ou d'autres métriques business
- Modéliser des séries temporelles avec saisonnalité et tendances
- Déployer un système de forecasting pour des milliers de séries
- Choisir entre ARIMA, Prophet, et les modèles de deep learning
- Gérer les effets de vacances, les outliers, et les ruptures structurelles
- Évaluer et comparer des modèles de forecasting

## Compétences clés
- **Classiques** : ARIMA, SARIMA, ETS, Holt-Winters, state space models
- **Prophet** : saisonnalité, holidays, regressors, multiplicative, uncertainty
- **Deep learning** : N-BEATS, N-HiTS, PatchTST, TimesFM, Chronos, Moirai
- **ML** : XGBoost, LightGBM, CatBoost avec features temporelles
- **Saisonnalité** : decomposition, Fourier terms, STL, multiple seasonality
- **Évaluation** : MAE, RMSE, MAPE, sMAPE, MASE, cross-validation temporelle
- **Scale** : global models, hierarchical forecasting, reconciliation

## Workflow typique
1. **Analyse** : visualisation, decomposition, saisonnalité, stationnarité, outliers
2. **Feature engineering** : lags, rolling stats, Fourier, calendar, domain features
3. **Baseline** : naive, seasonal naive, moving average, ARIMA
4. **Modèle** : Prophet, XGBoost, ou deep learning selon la complexité
5. **Validation** : time series cross-validation, expanding window, metrics
6. **Hyperparameter tuning** : Optuna, grid search, bayesian optimization
7. **Production** : batch scoring, real-time, monitoring, retraining schedule
8. **Hiérarchique** : reconciliation bottom-up, top-down, middle-out

## Pièges connus
- **Data leakage** : utiliser des features futures → strict temporal train/test split
- **Look-ahead bias** : normalisation avec des statistiques futures → fit sur train seulement
- **Saisonnalité manquée** : ignorer les effets saisonniers → decomposition, Fourier terms
- **Overfitting** : modèle trop complexe pour peu de données → régularisation, simpler model
- **Rupture structurelle** : le pattern change (COVID, crisis) → détection, modèle adaptatif
- **Évaluation biaisée** : MAPE trompeur sur valeurs proches de zéro → MASE, sMAPE

## Connexions Knowledge Graph
- **agent-anomaly-detection** : anomalies dans les séries temporelles
- **agent-data-quality** : qualité des données temporelles (missing, gaps)
- **agent-model-evaluation** : métriques de forecasting
- **agent-ml-pipeline** : pipeline de retraining et scoring
- **agent-model-serving** : déploiement des modèles de forecasting
- **agent-mlops-platform** : orchestration du cycle de vie forecasting