Как прогнозировать временные ряды локально: Timestral, Chronos-2 и TimesFM 3

01Когда TSFM лучше классики, а когда нет

Правило простое: foundation-модель выигрывает там, где рядов много и они разнородные. Тысяча датчиков, десять тысяч SKU, десятки регионов — обучать отдельную ARIMA на каждый ряд дорого, а общего паттерна «тренд + сезонность + шум» у них достаточно, чтобы предобученная модель переносила знания. Обратная ситуация — один ряд с длинной чистой историей и понятной сезонностью: там классика часто не хуже, а объясняется и настраивается проще.

• Берите TSFM: много коротких рядов, редкие события, потребность в квантилях (не «одно число», а интервал), нельзя выносить данные наружу.
• Берите ARIMA/ETS/бустинг: один-два ряда с многолетней историей, жёсткие требования к объяснимости, регуляторная отчётность.
• Комбинируйте: TSFM как базовый прогноз, бустинг на его остатках — самый частый рабочий вариант в проде.

Отдельно про вероятностный выход. Классические модели дают точечный прогноз и доверительный интервал из предположений о распределении ошибок. TSFM сразу выдают набор квантилей (у Timestral — 21, от 0,01 до 0,99), то есть вы получаете распределение, а не допущение о нём. Для планирования запасов это меняет постановку: оптимизировать можно не средний спрос, а, скажем, 90-й квантиль — уровень, который покрывает 90% дней.

02Три семейства: что выбрать под задачу

03Установка и первый прогноз

Начните с виртуального окружения: три библиотеки тянут разные версии torch и конфликтуют в одном интерпретаторе. Дальше достаточно одного вызова.

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

import numpy as np, torch
from timestral import TimestralForecaster

model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-209M",
    device="cuda" if torch.cuda.is_available() else "cpu",
)
context = np.random.default_rng(42).standard_normal(1000).cumsum()
f = model.forecast(context, prediction_length=96)
print(f.median[-1], f.quantile(0.1)[-1], f.quantile(0.9)[-1])

pip install chronos-forecasting 'pandas[pyarrow]'

from chronos import Chronos2Pipeline
import pandas as pd

pipe = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cpu")
df = pd.read_parquet("history.parquet")   # id, timestamp, target
pred = pipe.predict_df(df, prediction_length=24,
    quantile_levels=[0.1, 0.5, 0.9], id_column="id",
    timestamp_column="timestamp", target="target")

pip install timesfm[torch]

from timesfm3 import TimesFM3Evaluator, ModelConfig
fc = TimesFM3Evaluator(ModelConfig(
    checkpoint_path="google/timesfm-3.0-pytorch",
    per_core_batch_size=32, device="cpu"))

04Подготовка данных: где ломается 80% пилотов

Самая дорогая ошибка — утечка будущего. Она выглядит безобидно: вы посчитали лаг «средние продажи за последнюю неделю» на всей таблице сразу, и в признаках у модели появилась информация из тестового периода. Метрики становятся прекрасными, прод — бесполезным. Все производные признаки считайте только по данным до момента прогноза, а known-future ковариаты (календарь, промо-план) проверяйте на предмет «а точно ли это известно заранее».

Второй частый провал — нерегулярная сетка. Если данные приходят «когда получится», приведите их к фиксированному шагу (15 минут, час, сутки) и отметьте пропуски как NaN: Timestral и Chronos-2 поддерживают пропуски нативно, а вот подстановка нуля или среднего искажает сезонность и модель начинает врать в прогнозе.

05Какой размер модели брать

У Timestral четыре размера, и зависимость качества от размера быстро выходит на плато. От 5M к 28M MASE на GIFT-Eval падает с 0,705 до 0,678 — заметно. От 28M к 123M — до 0,659. А от 123M к 209M — всего до 0,658, то есть на тысячную, при том что файл вырастает с 490 МБ до 837 МБ, а латентность — почти в полтора раза.

06Метрики: чем мерить и что считать хорошим

Нормы «MASE = 0,6 — хорошо» не существует: значение зависит от датасета, шага и горизонта. Поэтому сравнивайте не с лидербордом, а с двумя бейзлайнами: наивным прогнозом (завтра = сегодня) и вашей текущей моделью. Если TSFM не бьёт наивный прогноз на тестовом окне, проблема почти всегда в данных или в утечке, а не в модели. Второй обязательный разрез — по группам рядов: средний MASE 0,7 может скрывать десяток рядов с ошибкой 3,0, которые и создают все проблемы в проде.

07Как это выглядит в проде

Для доменной адаптации у Mistral есть отдельный путь — Mistral Forge: дообучение на своих данных, архитектурные расширения под специфичные ковариаты, контроль над составом обучающих данных и развёртывание в закрытом контуре. Условия и стоимость публично не раскрыты — уточняйте на официальном сайте. У Chronos-2 и TimesFM 3 альтернатива проще: файнтюнинг через примеры в репозиториях, включая LoRA для TimesFM.

Отдельно про интерпретацию. Числовой прогноз сам по себе не отвечает на вопрос «почему». Рабочая связка — TSFM считает квантили, а языковая модель получает на вход отклонение от прогноза, историю похожих случаев и пишет объяснение для человека. Именно так Mistral описывает промышленный сценарий: модель ловит аномалию, агент ищет похожие отказы и собирает диагноз со ссылками на журналы и наряды.

08Пять ошибок, которые видно только на бэктесте

1. Утечка будущего в признаках. Лаги и скользящие средние, посчитанные по всей таблице, дают красивые метрики и бесполезный прод.
2. Нули вместо пропусков. Подстановка нуля в дырах ломает сезонность; правильный путь — NaN, который модели понимают.
3. Один горизонт. Прогноз на час и на неделю — разные задачи; модель, выбранная по короткому горизонту, провалится на длинном.
4. Один бэктест. Единственное отложенное окно может совпасть с аномалией (карантин, распродажа) и дать ложный вывод в любую сторону.
5. Средняя метрика по всем рядам. Она прячет подгруппы, где модель бесполезна; разбивайте отчёт по категориям и масштабу ряда.