用途：TimesFM Forecasting 封装 Google Research 的 TimesFM（时间序列基础模型），用于单变量时间序列的零样本预测，无需训练自定义模型。适用于销量、需求、传感器、能源、生命体征、价格、天气等场景，需要概率预测与校准预测区间时尤为合适。
主要能力：模型可在 1–16,384 个上下文点下工作，输出点预测（中位数）与 10 个分位数（均值及 0.1–0.9），可推导 80%/60% 预测区间。支持批量预测多序列；TimesFM 2.5+ 支持外生变量 forecast_with_covariates()，含动态/静态、数值/类别协变量，xreg_mode 可选 "xreg + timesfm" 或 "timesfm + xreg"。模型本身不含异常检测，但可用分位数区间判断异常（落在 90% 区间外视为统计罕见）。
使用方式：首次使用前必须运行系统检查 python scripts/check_system.py，检查 RAM、GPU/VRAM、磁盘、Python 版本（需 3.10+）。安装：uv pip install timesfm[torch] 或 pip install timesfm[torch]（JAX 用 timesfm[flax]），并按硬件安装 torch。模型权重首次使用时从 HuggingFace 下载（约 800 MB），缓存于 ~/.cache/huggingface/。基础调用：from_pretrained("google/timesfm-2.5-200m-pytorch")，用 timesfm.ForecastConfig 编译（如 max_context、max_horizon、normalize_inputs、use_continuous_quantile_head、fix_quantile_crossing 等），再调用 model.forecast(horizon=N, inputs=[...])。
限制：TimesFM 2.5（200M）CPU 需 ≥4 GB RAM、GPU 需 ≥2 GB VRAM、磁盘约 800 MB；归档版 v1/v2 500M 需约 32 GB RAM。不适合需要系数解释的经典统计模型、时间序列分类/聚类、多元 VAR 或 Granger 因果、非时序表格数据。若 RAM 仅 2–4 GB 会告警，低于 2 GB 会被阻止。