OraClaw Forecast
Skill Verifiziert AktivZeitreihenprognose für KI-Agenten. ARIMA- und Holt-Winters-Vorhersagen mit Konfidenzintervallen. Prognostizieren Sie Umsatz, Traffic, Preise oder beliebige sequentielle Daten. Inferenz unter 5 ms.
KI-Agenten mit präzisen, deterministischen Zeitreihenprognosefähigkeiten auszustatten und über heuristische Vorhersagen zu mathematisch fundierten Ergebnissen zu gelangen.
Funktionen
- ARIMA-Zeitreihenprognose (automatische Anpassung)
- Holt-Winters saisonale Prognose
- 95%-Konfidenzintervalle für Vorhersagen
- Inferenz unter 5 ms über die API
- Zugriff auf MCP-Server, REST-API und SDK
Anwendungsfälle
- Vorhersage zukünftiger Umsätze, Traffic oder Preise aus historischen Daten
- Erkennung von Trends, Saisonalität und Pegelverschiebungen in sequentiellen Daten
- Vergleich verschiedener Prognoseansätze (ARIMA vs. Holt-Winters)
- Erhalt statistisch fundierter Vorhersagen für Planung und Entscheidungsfindung
Nicht-Ziele
- Durchführung komplexer statistischer Analysen über die Prognose hinaus
- Verarbeitung nicht-sequentieller oder unstrukturierter Daten
- Bereitstellung von Echtzeit-Vorhersagen mit geringer Latenz für Hochfrequenzhandel
Workflow
- Benutzer oder Agent identifiziert den Bedarf an Zeitreihenvorhersagen.
- Agent ruft das Werkzeug `predict_forecast` mit historischen Daten, Schritten und Methode auf.
- Fähigkeit verarbeitet Daten mit ARIMA oder Holt-Winters.
- Fähigkeit gibt Prognosewerte und Konfidenzintervalle zurück.
Praktiken
- Zeitreihenanalyse
- Statistische Modellierung
- Prognose
Voraussetzungen
- Umgebungsvariable ORACLAW_API_KEY (für Premium-Funktionen)
Installation
npx skills add Whatsonyourmind/oraclawFührt das Vercel skills CLI (skills.sh) via npx aus — benötigt Node.js lokal und mindestens einen installierten skills-kompatiblen Agent (Claude Code, Cursor, Codex, …). Setzt voraus, dass das Repo dem agentskills.io-Format folgt.
Qualitätspunktzahl
VerifiziertVertrauenssignale
Ähnliche Erweiterungen
TimesFM Forecasting
100Zero-shot time series forecasting with Google's TimesFM foundation model. Use for any univariate time series (sales, sensors, energy, vitals, weather) without training a custom model. Supports CSV/DataFrame/array inputs with point forecasts and prediction intervals. Includes a preflight system checker script to verify RAM/GPU before first use.
Alterlab Aeon
98Part of the AlterLab Academic Skills suite. This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.
Oraclaw Calibrate
97Bewertung der Vorhersagequalität für KI-Agenten. Brier-Score, Log-Score und Konvergenzanalyse mehrerer Quellen. Wissen Sie, ob Ihre Prognosen korrekt sind und ob Ihre Datenquellen übereinstimmen.
TimesFM Forecasting
96Part of the AlterLab Academic Skills suite. Zero-shot time series forecasting with Google's TimesFM foundation model. Use for any univariate time series (sales, sensors, energy, vitals, weather) without training a custom model. Supports CSV/DataFrame/array inputs with point forecasts and prediction intervals. Includes a preflight system checker script to verify RAM/GPU before first use.
Forecast Operational Metrics
95Forecast infrastructure and application metrics using Prophet or statsmodels for capacity planning, cost optimization, and proactive scaling. Visualize predictions in Grafana and set up alerts for projected resource exhaustion. Use when forecasting infrastructure capacity needs for CPU, memory, or disk, planning hardware procurement for next quarter, predicting cost trends to optimize cloud spending, or setting up proactive scaling policies based on predicted load.
Aeon Time Series Machine Learning
95This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.