用途：TimesFM Forecasting 封装了 Google Research 的时序基础模型 TimesFM，用于零样本单变量时间序列预测。输入任意一维序列（销量、需求、传感器、生命体征、价格、天气等），直接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。支持 1–16,384 个上下文点，可批量预测成百上千条序列。
主要能力：提供点预测（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；支持通过 forecast_with_covariates() 使用动态数值、动态分类、静态数值、静态分类协变量，xreg_mode 可选 "xreg + timesfm" 或 "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 后端用 timesfm[flax]），并按硬件安装 PyTorch。随后 from_pretrained("google/timesfm-2.5-200m-pytorch")，用 timesfm.ForecastConfig 配置 max_context、max_horizon、normalize_inputs 等，再调用 model.forecast(horizon=N, inputs=[...])。模型权重约 800 MB，首次使用时从 HuggingFace 下载并缓存。
适用场景：零样本预测、概率预测、批量序列预测、以基础模型替代手工调参的 ARIMA/ETS。
限制：仅面向单变量时序；不含内置异常检测；不适用于需要系数解释的经典统计模型、时序分类/聚类、多变量 VAR 或 Granger 因果、纯表格数据。TimesFM 2.5 为 200M 参数，CPU 约需 1.5 GB 内存、GPU 约 1 GB 显存；归档的 500M 版本约需 32 GB 内存。具体收费与更多平台信息暂未提供。