从数据到预测只差四步：时序大模型 TimechoAI 上手实录

时序数据库解决了"存得下、查得快"，但企业真正想要的是"猜得准"------明天这条产线的良品率是多少、这台风机下周会不会过热、明晚的用电负荷要调度多少。这类问题传统做法要经历数据清洗、特征工程、选模型、调参、评估的完整流程，周期以周计，而且一个场景一套模型，换个产线就得重来。

时序大模型把这段流程压缩了。天谋科技推出的时序大模型云服务平台 TimechoAI（https://ai.timecho.com/ ），基于 Timer 系列时序大模型，把预测、异常检测、数据填补这些能力做成了可交互的界面和可调用的接口。本文按实际操作顺序，记录从准备数据到拿到预测结果的四步路径，以及过程中涉及的时序分析能力。

第一步：数据怎么进去

新建会话后，TimechoAI 提供三种数据输入方式，对应三种不同的数据成熟度：

绘制曲线：直接在页面上手绘一段走势，用于快速验证模型对某种形态的响应；
手动输入：适合数据点不多、想精确控制的场景，比如把最近几十个采样点逐个录入；
上传文件 ：支持 CSV，也支持 TsFile。TsFile 是 Apache IoTDB 的原生文件格式，已经用时序数据库的用户可以直接导出上传，不必先转成 CSV 再导一遍。

对于手上暂时没有数据的场景，平台内置了示例任务和示例数据集。示例任务包括电力变压器的油温预测、交通流量预测、风机塔受力预测；示例数据集覆盖空气质量、ETTh/ETTm 电力变压器、汇率、耶拿气候、全国疾病、天气等，时间粒度和数据规模各不相同，可以直接下载后当作自己的数据跑一遍。

值得一提的是数据层的组织方式。TimechoAI 支持多设备、多测点、多粒度的数据组织，数据集管理支持多路径 TsFile 数据源叠加配置，并可按权重混合采样构建训练集。这套设计对应的是工业现场的常态------同一个数据集里混着不同设备、不同采样频率的测点，需要按权重决定谁在训练中占比更高。

第二步：模型怎么选

平台把模型选择做成了一个"广场"。默认搭载的是 Timer 系列最新一代 Timer-3.5 ，同时提供生成式基础模型 Timer-3.0 、Amazon 的通用零样本预测模型 Chronos-2，以及 AutoARIMA、Holt-Winters 这类经典统计方法。这几类模型的定位不同：大模型适合历史长、周期复杂、样本稀少的序列；统计方法在有明显周期规律、数据量不大的序列上仍有其位置。

拿不定主意时可以用 Auto 模式。平台会分析数据特征后自动匹配模型，并在推理侧做优化。对多数第一次上手的场景来说，先用 Auto 跑出一个基线结果，再拿 Timer-3.5 对比，是相对省事的做法。

第三步：预测怎么配

预测参数是决定结果能否落到业务里的关键。TimechoAI 提供三种预测模式：

预测模式	适用情况
纯目标变量	只关心序列自身走势，不引入外部因素
历史协变量	有同期采集的相关测点（如设备负载、转速）
未来协变量	能拿到未来时段的外部计划（如天气预报、排产计划、节假日安排）

预测范围支持自定义 1 到 720 步。这个跨度覆盖了从短期预警（未来几小时）到中长期规划（未来一个月，按小时采样即 720 步）的常见需求。

协变量的价值在能源类场景里比较直观：预测一条线路的负荷，除了看自身历史，把气温、湿度、节假日类型一并交给模型，结果会更贴近实际调度需要。这也是时序大模型区别于"单变量曲线外推"的地方------它能在同一次推理里同时考虑多个变量的交互。

第四步：结果怎么用起来

预测跑完后，平台以图表展示预测曲线，支持结果导出。如果要嵌进业务系统，还有两条路：申请 API Key 后走标准 RESTful API，或用 Python SDK（pip install timecho-ai）在代码里调用，Java、Go、C# 等语言同样可以通过 REST 接口对接。

python 复制代码

import pandas as pd
from timecho_ai import TimechoAIClient

df = pd.read_csv("sensor_data.csv")
client = TimechoAIClient(api_key="your_api_key_here")

# targets 传历史数据，output_length 指定预测步数
result = client.forecast(targets=df, output_length=8, time_col="time", auto_adapt=True)
print(result[0])

配套的还有训练侧能力：训练任务支持新建、追踪与管理，可配置模型、数据、GPU 与训练超参数；训练过程实时展示 GPU 利用率、显存、温度、Loss 与日志；模型版本自动记录训练参数与 Checkpoint 路径，训练完可自动注册到推理服务。做微调的场景会用到这部分。

时序分析能力不只预测

预测之外，平台还提供几项与数据质量直接相关的能力：

智能异常检测。基于数据分布判断非正常波动，而不是拿一条固定阈值去卡。对工况会随季节、产能、设备老化而漂移的现场，固定阈值的误报和漏报是长期存在的问题。

缺失值补全。传感器断线、采集中断在工业现场很常见。填补逻辑会利用缺失段前后的上下文以及协变量信息推断断点数据，而不是简单取均值或线性插值。

四维数据质量评估。从完整性、一致性、有效性、时效性四个维度打分，支持多粒度钻取。训练之前先看清数据底子，比训练完再解释为什么效果差要划算。

数据可视化分析。多序列时序图与表格浏览并行，便于先确认数据分布、走势与结构特征。

平台的应用示例页还可以直接观察模型的在线表现。以某次访问时抓取的页面为例，北京气温、湿度、风速、PM2.5，广州与上海的气温、湿度等指标以 15 分钟为间隔更新，数据来源为 Open-Meteo，页面上的实线是历史曲线，延伸出的虚线是模型给出的预测。

与 TimechoDB 的分工

TimechoAI 与分析对象之间通常隔着数据库。天谋科技的企业版产品 TimechoDB（https://timecho.com ）是 Apache IoTDB 的企业发行版，单节点写入能力达千万点每秒，TB 级数据查询在毫秒级响应，自研的 TsFile 格式配合专有压缩算法可节省 90% 以上的存储成本。由于 TsFile 同时也是 TimechoAI 的数据格式，数据库里的数据可以导出后直接上传分析，不必在中间维护一套 CSV 转换和传输的流程。

小结

把这套流程走一遍，实际动作只有四件事：数据从哪儿进来、模型选谁、参数怎么配、结果怎么用出去。TimechoAI 把时序建模里最耗时的部分留在了平台侧，使用者需要判断的是业务问题本身------预测多长的未来、哪些外部因素要纳入、结果接到哪个系统。

如果想自己复现一遍，可以从两个入口开始：

企业版官方链接：https://timecho.com
时序大模型 TimechoAI：https://ai.timecho.com/

在 https://ai.timecho.com/ 注册后获取 API Key，先用内置示例数据集跑通全流程，再换成自己的数据，通常比直接上生产数据更容易调通。