把时序预测做成一次 API 调用：TimechoAI 时序大模型上手实录

weixin_66401877

2750人浏览 · 2026-07-24 11:56:16

weixin_66401877 · 2026-07-24 11:56:16 发布

时序大模型 TimechoAI：https://ai.timecho.com/

企业版官方链接：https://timecho.com

一、做时序预测的人，都被同一件事卡住过

做过工业、能源、零售场景的人大概都有类似经历：手里有几十万个测点、几年的历史曲线，业务方问"下周负荷峰值大概多少"“这批设备温度会不会越界”，技术侧的回答往往是——“给我两周，我先建个模型试试”。

问题不在算法难，而在于每换一个场景就要重来一遍。变压器油温一套模型，交通流量一套模型，风机受力又是一套；特征工程、超参调优、训练部署、上线监控，一条链路走下来，业务窗口早就过去了。传统的 ARIMA、Holt-Winters 胜在轻量，但面对多周期、多变量耦合的真实工业数据往往力不从心；自己训深度模型，数据量和工程成本又劝退大多数团队。

时序大模型要解决的正是这件事：用一个预训练好的通用模型，覆盖大部分时序预测场景，把"建模"退化成"调用"。

最近我把 TimechoAI（https://ai.timecho.com/）从头到尾走了一遍——控制台点了一圈，开发文档翻了一遍，把使用路径和分析能力整理成这篇实录。

在这里插入图片描述

打开首页第一眼很直白：左侧是新建会话、数据集管理、数据示例、应用示例、API Key、开发文档，中间一句 slogan——“新一代时序大模型，让时序预测更简单”，下方是一个类似对话框的输入区，以及三个可以直接点开的示例任务：电力变压器的油温预测、交通流量预测、风机塔受力预测。

注意 logo 下面那行小字：powered by Timer。这是 TimechoAI 的底座——源自清华大学的时序大模型 Timer。

二、它到底能干什么：官网标称的核心能力

文档首页把能力拆成了四块，写得相当克制，没有堆虚词：

在这里插入图片描述

高精度预测：基于自研时序大模型，官网标称预测精度比传统方法提升 20%+，在 GIFT-Eval 等权威时序基准上达到行业领先水平；
毫秒级响应：平均推理耗时 < 100ms，支持高并发，面向实时在线预测；
Python SDK：官方 SDK，5 分钟完成接入；
REST API：标准 RESTful 接口，兼容任意技术栈。

再往"核心优势"页翻，能看到更细的六条：

在这里插入图片描述

其中有两条特别值得单独说：

一是多变量预测。 支持协变量输入，可以把节假日、天气、促销这类外部因素一起喂进去做联合预测。这在真实业务里几乎是刚需——预测明天的电网负荷却不告诉模型明天是不是周末、气温多少度，精度天然有上限。文档里把预测能力明确分成两类：单变量预测（基于历史数据预测未来趋势，适用于销量、流量、温度等单一指标）和多变量联合预测（引入相关协变量，提升关联场景下的预测精度）。

二是企业级安全。 数据全程加密传输与存储，API Key 鉴权，并且支持私有化部署，明确点名满足金融、能源等行业的合规要求。对于电网、核电这类根本不可能把数据传出内网的客户，这一条比精度指标更决定能不能用。

三、上手：不写一行代码，先把预测跑通

TimechoAI 把每次预测任务组织成一个"会话"，数据、参数、结果都独立保存，可以随时切回历史记录对比。

在这里插入图片描述

最贴心的设计是三种数据输入方式，覆盖了从"随手验证"到"生产数据"的完整梯度：

绘制曲线——直接用鼠标在坐标区里拖出一条曲线，系统默认采样 48 个点、数值范围 [0, 100]。手上没有现成数据文件、只想快速看看模型对某种形态的曲线反应如何时，这个入口非常好用；
输入数据——每行一条 时间戳,数值，也可以只填数值不带时间戳，还支持从 Excel 直接复制粘贴；
上传文件——支持 CSV 与 TsFile。TsFile 是 Apache IoTDB 的原生时序文件格式，这条通路等于给已经在用 IoTDB / TimechoDB 的用户开了直连口子。

时间格式的兼容性也做了处理：ISO 8601、连字符日期时间、斜杠日期、中文年月日、Unix 时间戳都能识别，省掉了一轮繁琐的数据清洗。

预测参数只有两个，克制到几乎没有学习成本：

预测点数（steps）：向未来预测多少个时间步，取值 1–720，默认 10；
预测起始位置（start）：从第几条数据开始作为预测起点，默认最后一条。

模型选择则给了六个选项：Auto、Timer-3.5、Timer-3.0、Chronos-2、AutoARIMA、Holt-Winters。默认推荐 Auto 自动择优；Timer-3.5 主打高精度，Timer-3.0 偏稳定泛化，Chronos-2 支持协变量，剩下两个是经典统计模型作为对照基线。把大模型和传统统计方法放在同一个下拉框里，让用户自己 A/B——这个产品决策我觉得比任何 benchmark 截图都更有说服力。

四、被低估的一环：预测之前，先给数据打个分

控制台里有个功能容易被忽略，但我认为是整套产品里最"懂行"的设计——数据评估。

它做的事情是：在你正式跑预测之前，先从完整性和可预测性两个维度给数据集打分，再给出一个综合评分。

完整性：检查数据缺失、重复、时间戳异常、字段完整性；
可预测性：评估序列本身是否具有周期性、趋势或稳定规律；
综合评分：给出整体质量判断，并直接附上处置建议——

分数段	建议
80–100	质量良好，可直接／优先使用
60–79	基本满足要求，建议治理后使用
0–59	不满足要求，建议完成治理再使用

这一步的价值在于提前止损。时序项目里最常见的翻车不是模型选错，而是拿了一段本身就没有规律、或者缺失严重的数据去硬预测，最后把锅甩给算法。先打分、再建模，是老工程师才会有的习惯，把它做进产品里，等于把经验固化成了流程。

五、接入：SDK 与 REST API 两条路

体验完控制台，真正要落到业务系统里，走的是开发接口。

在这里插入图片描述

Python SDK 的路径最短，环境要求 Python >= 3.10 且 < 3.13：

pip install timecho-ai

一个最小可用的单变量预测：

import pandas as pd
from timecho_ai import TimechoAIClient

raw_df = pd.read_csv("https://ai.timecho.com/data/sample.csv")
client = TimechoAIClient(api_key="your_timecho-ai_api_key")

target = raw_df[["time", "target"]][:16]
result = client.forecast(targets=target, output_length=8)
print(result[0])

要引入协变量，也只是多传一个 history_covs：

raw_df = pd.read_csv("https://ai.timecho.com/data/sample_cov.csv")
target = raw_df[["time", "target"]][:16]
history_covs = raw_df[["time", "temperature", "humidity"]][:16]

result = client.forecast(
    targets=target,
    history_covs=history_covs,
    output_length=8,
    time_col="time",
    auto_adapt=True,
)

关键参数在文档里列得很清楚：targets 必填，长度约束 [16, 2880]；output_length 取值 [1, 720]，Timer-3.5 默认 272、其余模型默认 96；future_covs 要求长度等于预测长度且仅数值；auto_adapt 默认 True，会自动做数据适配。注意那个下限 16——只要 16 个历史点就能起跑，这对冷启动场景（新上线的设备、新开的门店）意义很大。

不用 Python 的团队走 REST API，一条 POST 就够：

curl -X POST https://ai.timecho.com/ai/api/v1/forecast \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "targets": [{
      "columns": ["time", "temperature"],
      "data": [["2024-01-01T00:00:00", 36.2]]
    }],
    "output_length": [8],
    "time_col": ["time"]
  }'

返回是标准 JSON，data.results 里直接给出带时间戳的预测序列，接进现有数据管道基本零改造。数据评估同样提供了 Python SDK 和 REST API 两套接口，可以把"评估 → 预测"串成自动化流水线。

六、场景：文档里已经把话说到了业务层

官网的"应用场景"章节列了七类：电力负荷预测、零售销量预测、网络流量预测、电池健康管理、气温变化预测、居民用水保障、更多智能场景。

在这里插入图片描述

以电力负荷预测为例，文档没有停留在"我们能预测"，而是把输入输出拆到了可执行的颗粒度：

输入：历史负荷曲线、气温湿度等天气数据、工作日/周末/节假日类型、分时电价与运营策略、新能源出力或并网情况；
输出：未来 15 分钟 / 1 小时 / 24 小时的负荷趋势，峰值时段与强度预估，以及区域级、站点级的变化结果；
落地价值：发电购电计划辅助、储能充放电优化、需求响应与峰值预警。

夏冬季节峰谷差拉大时，提前 24 小时把峰值时段和强度算准，直接对应的就是购电成本和储能策略——这已经不是技术指标，而是钱。

七、往下看一层：它站在一个已经跑了十年的底座上

TimechoAI 不是凭空长出来的。它背后是天谋科技（Timecho），同一家公司的另一条产品线是 TimechoDB——基于 Apache IoTDB 的工业时序数据库企业版。

在这里插入图片描述

企业版官网（https://timecho.com）上的信息量同样密集：Apache IoTDB 源于清华大学，超 10 年演进，是 Apache 物联网领域首个顶级项目；TimechoDB 已通过中国安全可靠测评，主打三点——从 0 到 1 自研底层文件格式 TsFile 配合专有压缩算法节省 90%+ 存储成本、完全开源且无需数据迁移即可秒级扩容、适配数百种工业采集协议并支持乱序写入与一键备份。客户名单里是国家电网、中国核电、中车四方、宝武钢铁、长安汽车、博世力士乐、大唐先一、中航机载这类典型工业与能源用户。

这层关系很重要：TimechoAI 的时序分析能力，是长在一个真正处理过工业级数据规模的存储底座之上的。 从 TsFile 直接上传、从 IoTDB 生态平滑接入 AI 能力，这条路径是别家很难复制的。用官网自己的话说，是"将 AI 能力深度融入时序数据全生命周期管理"——存得下、查得快，然后才谈得上算得准。