$ loading_
让大模型发现、组合并执行 sktime 时间序列建模工作流。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"sktime-mcp" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请基于 sktime-mcp 为月度销售数据推荐一个合适的时间序列预测工作流，说明模型选择理由，并执行训练与未来 6 个月预测。
返回可执行的 sktime 工作流、模型选择说明，以及未来 6 个月预测结果。
请用 sktime-mcp 查找适合带季节性的时间序列模型，比较至少 3 个估计器的优缺点与评估结果，并推荐最佳方案。
输出候选模型列表、性能对比、适用场景分析和最终推荐。
通过 sktime-mcp 发现可用的数据预处理、特征转换和预测组件，自动组合成一个端到端工作流并执行。
生成并运行完整的时间序列建模流程，包含各步骤说明与执行结果。
用于训练、对比并预测时间序列数据的深度学习模型服务。
通过 MCP 协议调用天气查询等工具，并复用资源与提示模板提升集成效率。
通过MCP提供仓库分析、计算、天气、时间和命令执行
通过 MCP 连接 Jupyter 环境，帮助执行代码、分析数据并交互式探索结果。
通过统一 MCP 接口管理项目并执行评估、对比、拆分与分析报告。
演示 MCP 工具、资源与提示词，用于计算、查时、记笔记和代码审查。