用途：面向任意单变量时间序列（销量、需求、传感器读数、生命体征、价格、天气等）做零样本预测，无需训练自定义模型。仅当任务涉及 TimesFM、基础模型预测、预测区间或 TimesFM 专用流程时使用；通用的 ARIMA、表格回归、scikit-learn 建模或纯探索性分析不适用。
主要能力：TimesFM 是 Google Research 的预训练 decoder-only 基础模型，可直接输入任意长度序列（上下文 1–16,384 点）返回点预测与校准的分位数预测区间；支持批量预测成百上千条序列；2.5+ 版本支持通过 forecast_with_covariates() 引入动态/静态数值与类别协变量，xreg_mode 可选 "xreg + timesfm" 或 "timesfm + xreg"。本身不含异常检测，可用分位数区间代替：超出 90% 区间（q10–q90）视为统计上罕见。
使用方式：先运行 python scripts/check_system.py 做强制预检（检查 RAM、GPU/VRAM、磁盘、Python 3.10+ 与安装状态），低于 2 GB RAM 会阻止运行。再安装：uv pip install timesfm[torch]（或 pip install timesfm[torch]，JAX 后端用 timesfm[flax]），并按硬件安装 PyTorch。典型流程为 from_pretrained("google/timesfm-2.5-200m-pytorch")、model.compile(timesfm.ForecastConfig(...))、model.forecast(horizon=N, inputs=[...])；返回点预测 (batch, horizon) 与分位数 (batch, horizon, 10)，索引 1/9 为 80% 区间下/上限，5 为中位数。权重约 800 MB，首次使用从 HuggingFace 按需下载并缓存。
适用场景：单序列与批量预测、评估（MAE/RMSE/MAPE 与区间覆盖率）、协变量预测、基于区间的异常识别。
限制：仅支持单变量；不提供系数解释、分类/聚类、向量自回归或 Granger 因果；资源要求随版本不同（2.5 为 200M 参数，约 800 MB 磁盘、CPU 约 1.5 GB RAM、GPU 约 1 GB VRAM；v2 500M 模型需约 32 GB RAM）。收费、价格与更多效果数据暂未提供。