展开本页目录
开始前准备什么
- 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。
- 建立业务维度表
- 透视为三维数组
- 检查缺值与顺序
- 执行共同预测
- 按原映射解包
- 做换列回归
- 交付轴契约
1. 建立业务维度表
series分别为北店/南店，variates为木作/陶艺，时间按升序。
场馆不能当成时间行随意追加。
2. 透视为三维数组
按B,V,T构造context，保存每轴标签。
官方也接受简化形状，但本课为避免歧义显式使用三维。
3. 检查缺值与顺序
每个目标序列拥有相同日期网格，缺失按NaN处理。
不得通过压缩空行使某活动时间错位。
官方界面与功能位置
以下为官方文档配图，具体版本与账号入口以当前产品为准。本课练习输入与验收对照见相邻步骤。
4. 执行共同预测
使用multivariate输入让同一series的variates联合预测。
目标变量会预测，协变量是条件行，不把二者混放。
5. 按原映射解包
forecast.median的B,V,H按保存标签还原成长表。
不能按字母重新排序标签却不重排张量。
6. 做换列回归
在本地映射测试中交换variates标签，检查器应发现来源不一致。
没有推理时使用作者带身份的数组夹具，不写虚构预测值。
7. 交付轴契约
保存长表、数组形状、轴标签和输出还原代码。
预测图上每条线显示对应series/variate身份。
下载本课材料并开始操作
练习包包含本课的具体输入、可编辑数据、正反样例与七步说明。index.html 可离线查看原件和验收参考，actual-results.csv 用于记录你实际操作后的结果。
怎样确认已经完成
- B/V/T三个轴标签明确。
- 输出解包沿用输入variates顺序。
- 换列负例被拒绝。
常见问题
数组尺寸没错，预测为什么串活动？
形状正确不代表标签对应。常见是透视时木作/陶艺顺序与显示时不同，本课保存轴标签并从同一映射解包。
北店南店能当两个variates吗？
技术组织取决于任务，但本课将门店作为series、活动作为variates，让语义固定。无论采用哪种定义，都必须写明并保持输出映射一致。