Timestral长周期预测：标出1024步分块边界，别当一次独立直推

素材身份：作者原创输入/可编辑参考。目标工具未在本轮执行。
先打开 index.html；input.csv 是原始字段，reference.csv 是验收基准，negative.csv 是故意构造的坏样例。
actual-results.csv 保留未测状态，实际执行后再填写。

前置条件：
Python>=3.10、PyTorch>=2.4；Timestral官方推理可用CPU或GPU，不需要付费API，首次需下载模型权重。
代码Apache2.0，模型权重Modified MIT，两者许可分开；可先选5M验证输入协议，不能把CPU可跑写成固定速度保证。
本课历史观测与评估夹具为作者资料，预测值未生成；任何区间/概率示例都标参考而非模型返回。

操作步骤：
1. 准备固定频率历史
使用每小时入场序列并记录最后时间，保持间隔一致。
练习短序列可测试协议，正式长期效果需更充分历史。

2. 设置1030步目标
prediction_length设1030，并预先计算未来日期网格。
步数不是自然日数，小时序列1030步应按小时生成。

3. 理解官方分块
单块上限32patch×32步=1024，超过后分块。
后块会接收前块中位数，不是重新获得未来真实观测。

4. 记录递推边界
给1至1024标block1，1025至1030标block2。
图中用明确边界线，不能用平滑线隐藏条件变化。

5. 检查完整输出
核对1030个时间点和21分位维度，不能多一个或少一个。
不把上下文尾部误接进未来导致重复时间戳。

6. 解释远期不确定性
保留后块条件依赖说明，区间只是模型输出而非长期保障。
不得宣称分块后仍具有未经验证的整体覆盖率。

7. 交付长周期契约
保存频率、日期网格、分块表和实际预测。
本稿只交确定的边界与生成规则，预测值保持未生成。

验收：
输出H=1030且时间戳不重叠。
1025起为第二块。
前块中位回填与真实观测明确区分。

官方资料：
https://github.com/mistralai/timestral

图片身份：assets/ 为内置image_gen生成的原创练习输入缩略版，原始文件保留在网站图片来源地址。可编辑SVG为作者原生排版。
