Timestral未来协变量：只传预测当时已知的排期，别泄露未来实测值

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. 标明预测截止日
本课在10月6日晚预测后2日人流，保存asOf时间。
所有变量必须回答在这个时刻是否已知。

2. 划分协变量角色
排期中的休息日标记可提前知道，传known_covariates。
实测气温只在历史可用，不能把后两日实际气温当已知未来。

3. 核对数组长度
past长度等于T，known长度等于T+H。
不要用补零把缺失未来实测伪装成确定值。

4. 保存可用性台账
为每个日期和值记录availableAt与来源类型。
预测气温若另有可用预报，应标forecast来源而非actual。

5. 运行两套输入检查
允许正确排期，拒绝future actual温度超过asOf的版本。
先验证输入边界，再比较实际模型效果。

6. 检查未来目标未混入
known矩阵只能包含协变量，不能把未来人流复制进去。
列名含target或future_actual时进入人工核对而非自动放行。

7. 交付无泄漏样本
保存截止时间、角色表和真实预测。
本稿只交输入和拒绝规则，不声称已证明协变量提升准确率。

验收：
known长度T+H、past长度T。
每列可获得时间不晚于预测决策。
未来目标和实测温度不泄漏。

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。