Agent Skills › Zafer-Liu/Data-Analysis-Agent › gru

gru

GitHub

用于足量时间序列数据的深度学习预测。通过GRU模型进行训练与验证，严格避免数据泄漏，并输出基线对比、误差及不确定性分析。适用于样本量和序列长度充足的大规模时序数据场景。

skills/gru/SKILL.md Zafer-Liu/Data-Analysis-Agent

Trigger Scenarios

需要对长时间序列数据进行深度学习预测数据集包含大量历史观测值且需评估预测不确定性

Install

npx skills add Zafer-Liu/Data-Analysis-Agent --skill gru -g -y

More Options

Use without installing

npx skills use Zafer-Liu/Data-Analysis-Agent@gru

指定 Agent (Claude Code)

npx skills add Zafer-Liu/Data-Analysis-Agent --skill gru -a claude-code -g -y

安装 repo 全部 skill

npx skills add Zafer-Liu/Data-Analysis-Agent --all -g -y

预览 repo 内 skill

npx skills add Zafer-Liu/Data-Analysis-Agent --list

SKILL.md

Frontmatter

{
    "icon": "🧠",
    "name": "gru",
    "description": "使用 GRU 对足量时间序列进行预测（forecast deep learning）",
    "allowedTools": [
        "get_schema",
        "query_data",
        "run_analysis",
        "generate_chart"
    ]
}

GRU 预测

仅在样本量和序列长度足够时使用。确认窗口、特征和预测期，严格按时间划分训练验证，避免泄漏，报告基线对比、误差和不确定性；小数据优先建议传统时序模型。

Tool routing

Use get_schema to identify the time column, target column, feature columns, and source table.
Use query_data only to verify sorted sequence length, missingness, and whether the sample size is sufficient.
Use run_analysis with analysis_name="Time_Series_GRU" for the actual model computation.
Use generate_chart on forecast or validation result tables after run_analysis succeeds.