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。
- 准备有原因的序列
- 保存CSV空值语义
- 构造观测mask
- 检查输入一致性
- 提交实际预测
- 比较坏输入影响
- 交付缺失台账
1. 准备有原因的序列
一天闭店实际0人，一天设备停机未知，其余为正常观测。
原因写在单独列，不靠值大小猜缺失。
2. 保存CSV空值语义
未知单元格保持空，读入后显式转NaN。
字符串NaN、空字符串与数值零的处理规则写清。
3. 构造观测mask
将停机日mask=false，闭店0仍为true。
mask形状需与context一致，不能错一日或少一列。
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. 检查输入一致性
显示date、value、isObserved和reason四列。
有数值但mask=false表示该点不参与观测，要明确理由。
5. 提交实际预测
按官方接口传context与observation_mask，保存版本。
本课不把补零或均值填补称作模型默认行为。
6. 比较坏输入影响
先让本地检查器拒绝把停机空值默默fillna(0)的版本。
如做效果对照，使用同一切分并保留真实输出。
7. 交付缺失台账
保存原CSV、解析数组和mask。
未推理时仅说明协议正确，不宣布缺失日已被模型准确恢复。
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
- 真实0的mask=true。
- 停机未知转NaN或mask=false。
- CSV往返不丢失缺失原因。
常见问题
人流缺一日，补0最简单可以吗？
0表示确实无人，与设备没测到不同。本课保留NaN和观测mask，把闭店零值继续作为有效观测，不让模型学到虚假的低谷。
有NaN还需要mask吗？
NaN本身标缺失，mask可额外明确哪些数值应视为未观测。使用时必须核对同形状和日期对齐，不能让mask错位。