技能介绍

要解决什么问题

单变量时间序列（销量、传感器、价格、天气等）往往需要快速给出未来若干步的点预测和不确定性区间，但为每条序列单独调 ARIMA/ETS 既慢又依赖经验。Google Research 的 TimesFM 是预训练的 decoder-only 基础模型，可在零样本下直接推理，无需再训练。

本技能把 TimesFM 封装成适合 Agent 调用的本地流程：首次从 Hugging Face 拉取权重（约 800 MB，缓存在 ~/.cache/huggingface/），并在加载前通过 强制性 check_system.py 检查 RAM、GPU VRAM、磁盘与 Python 版本，避免在低配机器上直接 OOM。

核心能力与用法

输入：任意长度的单变量序列（上下文约 1–16,384 点，推荐 TimesFM 2.5，200M 参数）；期望形态是一维数组的列表，不是二维矩阵。
输出：(point_forecast, quantile_forecast)——中位数点预测 + 10 路分位（索引 1/9 对应 q10/q90，可用于 80% 预测区间）。
配置：通过 timesfm.ForecastConfig 控制；实践中常设 normalize_inputs=True、use_continuous_quantile_head=True、fix_quantile_crossing=True；调用 forecast() 前必须先 model.compile()。
扩展：TimesFM 2.5+ 可用 forecast_with_covariates()（需 timesfm[xreg]）接入动态/静态外生变量；无内置异常检测，但可用分位数区间做统计意义上的离群判断（见示例目录）。
脚本：scripts/forecast_csv.py 提供带预检的 CSV 端到端预测；references/ 下有 API、数据准备与硬件说明。

适用边界与注意点

适合：零样本概率预测、批量多序列、要与 statsmodels 经典模型做对比基准、或与 EDA/可视化技能联动画区间图。
不适合：需要系数解释的经典统计推断 → 用 statsmodels；分类/聚类 → aeon；多变量 VAR/格兰杰 → statsmodels；纯表格非时序 → scikit-learn。
常见坑：未跑系统检查；分位数索引误把 quant_fc[..., 0] 当 q0（实为均值）；对可能为负的序列仍设 infer_is_positive=True；上下文少于 32 点或输出含 NaN 未处理；旧版 5 亿参数模型需约 32 GB RAM，一般应优先 2.5。