Tutorial: Pronóstico de Series Temporales con TimesFM 2.5 - Backtesting, Covariables y Detección de Anomalías

Un nuevo tutorial técnico presenta un flujo de trabajo completo de pronóstico de series temporales utilizando TimesFM 2.5. El tutorial demuestra aplicaciones prácticas incluyendo backtesting a través de múltiples puntos de corte históricos, integración de covariables numéricas y categóricas, y detección de anomalías basada en intervalos de predicción. El flujo de trabajo comienza con configuración del ambiente Google Colab, detección de hardware disponible, y generación de conjunto de datos minorista realista de múltiples tiendas incorporando tendencias, estacionalidad, efectos de precios, promociones, días festivos y variaciones de temperatura. El modelo se compila para pronóstico sin entrenamiento previo con predicciones puntuales y probabilísticas. El pipeline evalúa calidad mediante métricas incluyendo MAE, RMSE, sMAPE, MASE y pérdida de pinball mientras prueba inferencia por lotes, backtesting de origen rodante, sensibilidad a longitud de contexto e integración de covariables vía XReg. Los estudios de ablación determinan cómo diferentes cantidades de datos históricos influyen en precisión y cobertura de intervalos. La detección de anomalías compara valores observados contra intervalos cuantílicos del modelo, asignando niveles de severidad. El tutorial demuestra capacidad de identificar picos, interrupciones y cambios sostenidos en series minoristas.