用途
该技能用于月度季节性序列预测，典型场景是旅游、访客或其他季节性业务与服务序列（Monash Tourism Monthly，24 个月预测期，季节周期 12）。
任务定义
- 输入：月度序列的历史数据（约 90–330 个观测值，使用序列自身单位），预测期 24，季节周期 12，可能还包含同一集合中其他序列构成的池。
- 交付物：浮点数组，形状为 (n_series, 24)，即每条历史之后 24 个月的值，要求有限、非负、使用序列自身单位。
质量指标
以序列平均 MASE 衡量，越低越好：预测期内的平均绝对误差除以样本内季节朴素误差（滞后 12）。参考基线为季节朴素法（重复最近 12 个月），其在完整 Tourism Monthly 集上的公布平均 MASE 约为 1.63。
可用库
可通过 scienceclaw_tools(operation=show, target=forecast) 查看。
- scilib.forecast.fit_predict(histories, horizon, period, train=..., phase=...)：对阻尼 ETS、Theta、STL+ETS、airline SARIMA 以及全局岭回归/极端随机树窗口模型取中位数，并在 0 处截断。
- 其他函数：forecast_panel、combine、global_window、global_lgbm、rolling-origin backtest_panel + combination_mase，以及指标 mase、panel_mase、smape、rmsse。
预训练零样本模型
支持 GPU 或远程 worker，使用前需以 scilib.tsfm.available() 检查可用性；资产包括 chronos_2、chronos_bolt_base。
- forecast.pretrained_forecast(histories, 24)：Chronos-2 中位数，取最近 120 个值，对非负序列使用 log1p。
- fit_predict(..., pretrained=w)：以权重 w 将其与集成结果混合。
- tsfm.forecast：给出分位数。
算子
- seasonal_panel_forecast_ensemble
- statistical_forecast_single_method
- forecast_backtest_method_ranking
- chronos_median_forecast_nonnegative_panel
路由
- 基线：季节朴素、按季节均值、阻尼 ETS、Theta。
- 默认：fit_predict 集成，可选与预训练预测混合。
- 选择方式：通过 backtest_panel 回测（每条历史留出最后 24 个月）。
规则
- 遵守时间因果性：序列预测起点之后的任何信息都不得影响其预测。回测时，池中每条序列应在同一起点截断（当池中包含这些历史时，train_cut="auto" 会执行此操作）。
- 交付物应基于待预测序列本身构建，而非其被截断的回测副本。
- 当序列起始月份不同时，传入 phase / train_phase（首个观测的月份减 1）。
- 少量序列的平均 MASE 噪声较大；2–3% 的回测提升在噪声范围内。
- Chronos 预训练语料包含 Monash 归档类数据，因此旅游序列可能已被见过，需披露这一重叠。
适用场景
适用于月度季节性业务与服务序列的批量预测，尤其是需要与季节朴素基线对比、并希望结合统计集成与预训练零样本模型的场景。
限制
- 预测期固定为 24，季节周期为 12，面向月度数据。
- 预训练模型需要 GPU 或远程 worker，且需先检查可用性。
- 平均 MASE 在序列数较少时噪声较大，小幅回测提升不具统计显著性。
- 预训练语料与 Monash 归档数据存在重叠，可能影响评估的独立性。
- 其他收费、价格、平台等信息暂未提供。