Timestral

Timestral是概率性多变量时间序列预测模型，输出包含分位数的概率分布，并支持多变量预测和协变量输入。

所有尺寸的Timestral都有Hugging Face仓库，开源免费。

选型建议：追求最高精度用最大版（2.09亿参数）；平衡精度与速度用2800万参数版；极低延迟或端侧部署用500万参数版（亚秒级响应）。

Timestral适合处理具有季节性、规律性、随时间变化的数据，如电力负荷、销售额、功率预测等，但不推荐用于股票预测。

GitHub上有第三方浏览器演示项目，将Timestral 500万和2800万参数版本转为ONNX，可在浏览器本地运行，不调用API，支持离线推理和上传自定义CSV。

在第二个电力数据集（公用事业级别用电需求，引入温度协变量）上，最大版Timestral不带协变量误差约125.1，带协变量约59.8，提升幅度大于其他模型，但耗时约87秒为最长。

在第一个电力数据集（单个变压器负荷，预测168小时）上，最大版Timestral的MAE约3.192，优于Chronos 2的3.299，但耗时约17.5秒为最慢。

在GIFT-eval时间序列预测排行榜上，Timestral声称超越所有非代理模型，只有代理型模型排在其前面。

Timestral提供四个尺寸的模型，最大2.09亿参数，最小500万参数。

像 Mistral 的 Timestral 这类时序基础模型，以固定上下文窗口处理输入；当序列长度超过窗口时，模型会直接丢弃最旧的 token，且整个过程不报错、不警告、不记日志。

Mistral于10月15日发布Timestral时间序列基础模型家族，涵盖5M、28M、123M和209M参数四个规格；最大模型在GIFT-Eval、TIME和fev-bench的预训练零样本模型中排名第一，参数量为此前最优的三分之二且无需集成。

Hugging Face 上的权重文件显示，5M 模型对应 5.21M 参数，209M 模型对应 209.32M 参数。

Timestral 支持 21 分位概率预测和长达 32768 步的上下文窗口。

官方宣称 Timestral 在三项公开预测基准上排名第一。

Timestral 在 24 个月预测中 80% 分位区间实际覆盖率仅为 16.7%，前 12 个月为 25%，后 12 个月降至 8.3%。

Timestral 全部 24 个月的中位数预测都低于实际值，偏差恒定为 -44.93。

Timestral 在 24×21 个分位数输出中零交叉，即满足分位数单调性。

官方承认 Timestral 主要在合成数据上预训练。

实测者只跑了 5M 和 28M 两个模型，未涉及 123M 和 209M。

Timestral 的发布意味着该赛道已从早期探索进入多方竞争阶段，但各模型在预训练数据规模、架构选择和评测基准上尚未形成统一标准，横向对比仍较困难。