用途：TimesFM Forecasting 封装 Google Research 的预训练解码器式时间序列基础模型 TimesFM，用于零样本单变量时间序列预测。输入任意一维序列即可返回点预测与校准的分位数预测区间，无需训练自定义模型。适用于销量、需求、传感器、生命体征、价格、天气等序列，支持 1–16384 个上下文点，并可批量预测成百上千条序列。
主要能力：零样本预测；输出点预测（中位数）与形状为 (batch, horizon, 10) 的分位数预测，可提取 80%/60% 预测区间；TimesFM 2.5+ 通过 forecast_with_covariates() 支持外生变量（动态/静态、数值/类别），需安装 timesfm[xreg]；可用分位数区间做异常检测（超出 90% 区间视为统计罕见）。
使用方式：首次加载模型前必须运行 python scripts/check_system.py 检查 RAM、GPU/VRAM、磁盘与 Python 版本（需 3.10+）。安装：uv pip install timesfm[torch] 或 pip install timesfm[torch]；JAX/Flax 后端用 uv pip install timesfm[flax]；再按硬件安装 PyTorch。基本流程为 from_pretrained 加载模型、用 timesfm.ForecastConfig 编译、调用 model.forecast(horizon=N, inputs=[...])。模型权重约 800 MB，首次使用时从 HuggingFace 按需下载并缓存于 ~/.cache/huggingface/。
适用场景与限制：适合零样本预测、概率预测与批量预测；不适合需要系数解释的经典统计模型（用 statsmodels）、时间序列分类/聚类（用 aeon）、多变量 VAR 或 Granger 因果（用 statsmodels）、纯表格数据（用 scikit-learn）。TimesFM 无内置异常检测。硬件要求：TimesFM 2.5（200M）需 RAM ≥ 4 GB、VRAM ≥ 2 GB、磁盘约 800 MB；归档的 2.0（500M）需 RAM ≥ 16 GB、VRAM ≥ 8 GB；1.0（200M）需 RAM ≥ 8 GB、VRAM ≥ 4 GB。系统检查在 RAM 低于 2 GB 或磁盘不足时阻止加载。具体收费与价格信息暂未提供。