用途：对任意单变量时间序列（销量、需求、传感器、生命体征、价格、天气等）做零样本预测，无需训练自定义模型；支持批量预测成百上千条序列，也可用外生变量（价格、促销、节假日、星期效应）做协变量预测。
主要能力：TimesFM 为 Google Research 的 decoder-only 预训练基础模型，返回点预测（中位数）与 10 个分位数切片（索引 0 为均值，1 为 q10，5 为 q50，9 为 q90），可据此构造预测区间并识别异常值（超出 90% 区间视为统计罕见）。上下文支持 1–16384 点。推荐 TimesFM 2.5（200M 参数，约 800 MB 磁盘、CPU 约 1.5 GB 内存、GPU 约 1 GB 显存）；归档的 v1/v2 500M 模型需约 32 GB 内存。
使用方式：首次加载模型前必须运行 python scripts/check_system.py 检查 RAM、GPU 显存、磁盘与 Python 版本（需 3.10+），并可用 --num-series、--context-length、--horizon、--batch-size、--estimate-only 估算数据集内存。安装：uv pip install timesfm[torch] 或 pip install timesfm[torch]；JAX 后端用 timesfm[flax]；协变量需 pip install timesfm[xreg]。模型权重首次使用时从 HuggingFace 按需下载并缓存。基本调用为 model.forecast(horizon=H, inputs=[...])，协变量用 forecast_with_covariates()（仅 TimesFM 2.5 支持）。另有 scripts/forecast_csv.py 提供 CSV 端到端预测。
适用场景：零样本预测、概率预测与区间估计、批量序列预测、协变量预测。
限制：不支持时间序列分类/聚类、多元 VAR 或 Granger 因果、表格数据；无内置异常检测（需借助分位数区间）；XReg 依赖 scikit-learn 与 JAX；上下文至少 32 点；TimesFM 1.0/2.0 月度数据需传 freq=[0]，2.5 已移除该参数。具体收费与价格暂未提供。