Tutorial: Previsão de Séries Temporais com TimesFM 2.5 - Backtesting, Covariáveis e Anomalias

Um novo tutorial técnico apresenta um workflow completo de previsão de séries temporais utilizando TimesFM 2.5. O tutorial demonstra aplicações práticas incluindo backtesting com múltiplos pontos de corte históricos, integração de covariáveis numéricas e categóricas, e detecção de anomalias baseada em intervalos de predição. O workflow começa com configuração do ambiente Google Colab, detecção de hardware disponível, e geração de dataset realista de varejo com múltiplas lojas incorporando tendências, sazonalidade, efeitos de preços, promoções, feriados e variações de temperatura. O modelo é compilado para previsão zero-shot com predições pontuais e probabilísticas. O pipeline avalia qualidade através de métricas como MAE, RMSE, sMAPE, MASE e pinball loss, enquanto testa inferência em lotes, backtesting de origem rolante, sensibilidade de comprimento de contexto e integração de covariáveis via XReg. Estudos de ablação determinam como diferentes quantidades de dados históricos influenciam acurácia e cobertura de intervalos. A detecção de anomalias compara valores observados contra intervalos quantílicos do modelo, atribuindo níveis de severidade. O tutorial demonstra capacidade de identificar picos, interrupções e mudanças sustentadas em séries de varejo.