Timestral：架构与本地预测

共同能力：单变量或多变量目标、仅历史协变量与已知未来协变量，以及 21 个输出分位数。最多接收 32,768 个历史时间步，单位不是文本 token。每个预测块最多覆盖 1,024 个未来时间步；更长预测会把已预测的中位数作为后续块的上下文。

文件大小代表下载和存储占用，不等于运行所需内存或显存。运行资源还取决于张量缓冲区、历史长度、批次和变量数量，此处不承诺最低内存配置。

1. 01

   历史观测

   输入等间隔目标序列及可选协变量，用 NaN 标记缺失观测。

2. 02

   每块 32 个时间步

   数值与缺失标记共同编码，并保留时间先后关系。

3. 03

   时间与变量注意力

   注意力关联历史时间和不同变量；协变量可向目标传递信息，但不读取目标行。

4. 04

   预测 token 与分位数

   解耦预测跨度机制（DHF）用独立预测 token 读取已编码上下文，输出有序分位数。

截至核验日期，模型卡仍标注技术报告即将发布。此处架构信息来自 README 与模型卡，不推测尚未公开的训练细节。

来源标签差异：发布文章把 GIFT-Eval 的概率预测图标为 WQL，而模型卡表格使用 CRPS。本页数值沿用模型卡的 CRPS 标签，不假定两个标签代表完全相同的计算方式。箭头标明数值越低还是越高越好。

1. 01

   MASE ↓

   平均绝对缩放误差，用朴素参考方法的误差尺度归一化绝对预测误差，越低越好。表中的 GIFT-Eval 与 TIME 值是汇总结果，不是预测正确率百分比。

2. 02

   CRPS ↓

   连续排序概率得分用于评价预测分布与实际观测的差异，越低越好。跨数据集比较前应检查基准的定义和汇总方式。

3. 03

   SQL skill score ↑

   缩放分位数损失的技能得分表示相对参考预测的改善，越高越好。50.39 不等于 50.39% 的预测准确率。MASE skill score 行也采用越高越好的评分方式。

4. 04

   输入与评估范围

   README 指定使用 forecaster 默认设置及最多 32,768 步历史：GIFT-Eval 为 97 个配置，使用历史数值协变量；TIME 为 98 个任务，不含协变量；fev-bench 为 100 个任务，使用历史与已知未来协变量，并包含编码后的类别信息。

汇总结果不代表对每个传感器、需求序列或业务预测跨度都最优。应在自有留出时间段统一预测起点、跨度、协变量与误差指标，且不得把未来信息混入历史。

文章未给出精确 CPU 型号或完整计时协议。首次下载、加载模型、输入输出及变量数量都会影响端到端时间，不应据此推导通用加速倍数。

本地推理消耗 CPU/GPU 时间、内存、电力和运维投入；可下载权重受其许可约束。本文尚未核实 Timestral 专属托管 API 的公开价格或端点，不从基准推导 token 单价或单次预测售价。

以下仅为参考步骤：本站未安装 Timestral、下载权重或运行预测。首次使用需要联网获取依赖与所选模型检查点。

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install git+https://github.com/mistralai/timestral.git

py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install git+https://github.com/mistralai/timestral.git

环境配置二选一。python3 必须对应 Python ≥ 3.10。Git 安装方式遵循官方 README，但会解析当前依赖，不是锁定环境。需要复现环境时，官方仓库也提供 uv.lock 与 uv sync --frozen；纯 CPU 版 PyTorch 可通过 PyTorch 官方安装入口选择。

import numpy as np
from timestral import TimestralForecaster

model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu"
)
rng = np.random.default_rng(42)
context = rng.standard_normal(1000).cumsum()
forecast = model.forecast(context, prediction_length=96)
median = forecast.median
lower = forecast.quantile(0.1)
upper = forecast.quantile(0.9)
print("shape:", tuple(median.shape))  # (1, 1, 96)
print("first median:", median[0, 0, 0].item())
print("first interval:", lower[0, 0, 0].item(), upper[0, 0, 0].item())

python forecast.py

预期接口形状（非本站实测输出）：median 的形状为 (1, 1, 96)，表示一条序列、一个变量、96 个未来时间步。随机游走只是合成演示数据，其预测不能证明模型质量。

评估旗舰规格时，将模型 ID 改为 mistralai/Timestral-209M。配置受支持 CUDA 环境后可使用 device="cuda"。增加历史长度、变量数或批次前先检查内存，并用留出数据比较效果。

value
100
103
""
108
110

import csv
import numpy as np
from timestral import TimestralForecaster

# series.csv: one header named "value"; oldest observation first.
# Each row represents one equally spaced time step; blank = missing.
with open("series.csv", newline="", encoding="utf-8-sig") as stream:
    rows = list(csv.DictReader(stream))
context = np.array([
    float(row["value"]) if row["value"].strip() else np.nan
    for row in rows
], dtype=np.float32)
if context.size == 0 or not np.isfinite(context).any():
    raise ValueError("Provide at least one finite observation")
if np.isinf(context).any():
    raise ValueError("Use blank cells for missing values, not infinity")

model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu"
)
result = model.forecast(context, prediction_length=96)
values = result.median[0, 0].cpu().numpy()
np.savetxt("forecast.csv", values, delimiter=",", header="median", comments="")

空单元格转为 NaN；缺失时间点应保留对应行。脚本不会解析时间戳、排序、去重或重采样，这些工作需在导出单列前完成，并明确采样间隔。输出为 96 个中位数，请按该间隔补充未来时间戳。

多变量输入采用 (B, V, T)，分别为批次、变量、历史长度；历史数值协变量为 (B, C, T)，已知未来协变量为 (B, C, T + H)，H 为 prediction_length。应根据变量关联关系组织数据，不要机械地把相关传感器拆成独立批次。

from timestral import TimestralForecaster

# First load online to populate the Hugging Face cache:
model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu"
)
# Later, load the same cached checkpoint without a network lookup:
cached = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu", local_files_only=True
)
# Alternative: directory containing config.json and model.safetensors.
local = TimestralForecaster.from_pretrained(
    "/path/to/Timestral-5M", device="cpu", local_files_only=True
)

准备好文件后选用缓存或本地目录方式。上方三次加载用于说明生命周期，不要求每个脚本都执行三次。请替换占位路径，Windows 可使用 r"D:\models\Timestral-5M"。local_files_only=True 不会补齐缺失文件，离线前也需完成依赖安装。

1. 01

   安装或导入失败

   在已激活环境检查 python --version 与 python -m pip show torch，确认 Python ≥ 3.10、torch ≥ 2.4 且 Git 可用。CUDA 还需要兼容的 PyTorch 与驱动，可先用 CPU 区分问题来源。

2. 02

   权重下载或离线加载失败

   检查网络、磁盘空间和大小写敏感的模型 ID。离线缓存需包含所选版本；本地目录需同时包含 config.json 与 model.safetensors，不能把单个文件名当成权重目录。

3. 03

   形状或协变量错误

   目标支持 (T,)、(B, T) 或 (B, V, T)。各序列需对齐采样间隔，缺失值用 NaN，已知未来协变量需覆盖 T + H 步。不要把测试区间的真实观测放进输入历史。

4. 04

   内存占用或延迟过高

   先用 5M、更小批次与更少变量；仅在符合任务需求时缩短历史。将下载、加载与推理分别计时。权重文件大小不包含运行激活值和库开销。

资料核验： 2026-10-25