让时序数据“开口说话”：时序大模型 TimechoAI 的使用方法与时序分析能力全解析

weixin_66401877

3352人浏览 · 2026-09-28 14:09:48

weixin_66401877 · 2026-09-28 14:09:48 发布

在工业物联网、能源、交通、金融等领域，传感器和业务系统每天都在以亿级规模产生时序数据。但现实情况是，这些数据被“存下来”之后往往就此沉睡——真正被用来预测趋势、发现异常、辅助决策的比例很低。原因并不复杂：传统时序建模门槛高、周期长，一个场景就要配一套模型，换个场景又得从头再来，泛化能力差。

时序大模型的出现正在改变这一局面。天谋科技（Timecho）推出的时序大模型云服务平台 TimechoAI，把预训练时序大模型的能力封装成开箱即用的云服务：上传一段历史数据，几步操作就能拿到预测曲线、异常识别和缺失填补结果，无需自己搭建训练环境，也不必精通 Transformer 与注意力机制。

一、TimechoAI 是什么

TimechoAI 是天谋科技将 Timer 系列时序大模型产品化的云服务平台。Timer 发源于清华大学软件学院 THUML 团队，是国内外具有代表性的时序大模型系列之一。与处理文字的通用语言大模型不同，时序大模型专为数值型时间序列设计，在海量、多样的时序数据上完成预训练，能够以零样本或少样本的方式，直接适配预测、异常检测、数据填补等任务。

平台的定位可以概括为一句话：把复杂的时序建模能力，封装成企业可以直接调用的服务。 打开首页即可看到简洁的工作台——左侧是会话、数据集、模型广场、应用示例、API Key 等导航，中间是数据输入与预测入口，并内置了电力变压器油温、交通流量、风机塔受力等示例任务，没有现成数据也能立即上手。

在这里插入图片描述

图 1：TimechoAI 控制台首页。默认 Auto 模式，可添加时序数据、设置预测参数，并一键选择示例任务开始预测

二、核心时序分析能力

TimechoAI 围绕“理解—预测—预警—治理”构建了一套完整的时序分析能力，覆盖预测、数据准备、数据治理与模型训练的全链路。其中最常用的是以下四项。

1. 时序预测：平台的核心能力

预测是 TimechoAI 最核心的能力。平台支持纯目标变量、历史协变量、未来协变量三种预测模式，并可自定义 1 到 720 步的预测范围，适配不同业务场景：

纯目标变量预测：仅依赖目标变量自身的历史数据，适合没有明显外部影响因素的场景，如设备温度趋势预测。
历史协变量预测：引入与目标变量相关的其他变量历史作为辅助输入，例如用温度、湿度的历史值辅助预测电力负荷。
未来协变量预测：在历史协变量之外，再引入已知的未来影响因素（如天气预报、生产排程、节假日计划），进一步提升预测精度。

以电力负荷预测为例，温度、湿度、节假日等因素会显著影响负荷走势，把这些协变量一并交给模型，预测结果会更贴近真实业务。依托 Timer-XL 的超长时序建模能力，平台还能高效解析数万步长的历史数据，挖掘设备老化衰减、季节性波动、行业周期等隐性长期规律，并输出附带置信区间的概率化预测结果，而不只是一条确定的曲线。

在这里插入图片描述

图 2：预测参数设置面板。可配置预测步数与预测起始位置，当前模型最多可输出 2048 个预测点，并支持留出后续数据用于回测

2. 多模型与 Auto 模式：不懂选型也能用

在“模型广场”中，平台默认搭载最新一代 Timer-3.5——面向零样本单变量分位数预测的十亿级 MoE 基础模型；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 等经典统计方法，另外还有面向光伏功率预测的 TimerPV、面向电价预测的 TimerEPF 等领域模型。

当你不确定该选哪个模型时，Auto 模式会根据数据的长度、周期、波动特征自动匹配最合适的模型，免去反复试错的过程。这意味着即使是没有算法背景的业务人员，也能获得接近专家水平的建模结果。

在这里插入图片描述

图 3：TimechoAI 模型广场。汇聚时序大模型、机器学习方法与领域模型，覆盖高精度预测、异常检测、趋势分析与多变量建模

3. 异常检测：从“固定阈值”到“理解正常”

传统告警大多依赖人工设定的固定阈值，容易出现“要么不报警、要么报警风暴”的问题。TimechoAI 的异常检测基于自回归分析与自监督预训练，模型在海量时序数据上学习了“正常模式”，能够：

无监督检测：仅依靠设备正常运行数据即可完成基线建模，无需大量标注好的故障样本。
识别多类异常：覆盖电压骤降、温度急升等瞬时突变，传感器漂移、设备老化等缓慢退化，以及多个相关指标同时偏离基线的多指标耦合异常。
多变量关联分析：捕捉多个传感器之间的关联关系异常，发现单一变量监测无法识别的隐蔽故障。
提前预警：结合时序趋势预测，在故障真正发生前数小时甚至数天发出预警，把“事后维修”变为“事前维护”。

4. 数据填补：消除数据缺失的麻烦

采集中断、通信抖动、设备重启都会让时序数据出现断点。TimechoAI 拥有对缺失序列段的上下文填补能力，能够根据断点前后的数据走势合理推断缺失值，为数据集带来连续性和完整性，避免因数据缺口影响后续分析与建模，这在数据治理场景中尤为实用。

三、三种使用方式：从零代码到代码集成

无论你是想快速体验的业务用户，还是要把能力嵌入系统的开发者，TimechoAI 都提供了对应的使用路径。

1. Web 控制台：零代码上手

在控制台新建会话后，可以通过三种方式提供数据：直接在页面上绘制曲线、手动录入数据点、上传 CSV 或 TsFile 文件。TsFile 是 Apache IoTDB 的原生文件格式，已经在用时序数据库的用户可以直接导出上传，无需格式转换；平台还提供纯数值、带时间戳、带协变量的 CSV 模板，方便对照整理数据。

下图为选择“电力变压器的油温预测”示例后的真实界面，1312 条小时级油温数据已加载完毕，设置好预测步数后点击运行即可得到结果（运行预测需先注册登录）。

在这里插入图片描述

图 4：示例数据加载界面。1312 条历史数据已就绪，支持绘制曲线、输入数据、上传文件三种录入方式，并可选添加协变量

2. 应用示例：实时预测效果直接看

“应用示例”页内置了基于真实数据源的实时预测应用。数据来自 Open-Meteo，每 15 分钟更新一次，覆盖北京、上海、广州等城市的气温、湿度、风速与 PM2.5。每张卡片中，实线为历史曲线，延伸出的红色虚线即为模型对未来走势的预测，能力如何一目了然。

在这里插入图片描述

图 5：应用示例实时预测。基于 Open-Meteo 真实数据，实线为历史、红色虚线为模型预测，数据定时自动更新

3. REST API 与 Python SDK：集成进业务系统

需要自动化、批量化调用时，在平台申请 API Key 后，即可通过标准 RESTful API 或官方 Python SDK 完成预测调用。官方数据显示，平台平均推理耗时低于 100 毫秒，支持高并发，可满足实时在线预测需求；Java、Go、C# 等任意技术栈都能通过 REST 接口对接，5 分钟即可完成接入。Python SDK 的调用大致如下：

# 安装：pip install timechoai
from timechoai import TimechoClient

client = TimechoClient(api_key="你的 API Key")

# 传入历史序列，指定模型与预测步数，即可拿到预测结果
result = client.forecast(
    series=history_values,      # 历史时序数据
    model="auto",               # auto 自动选型，也可指定 timer-3.5 等
    prediction_length=288,      # 预测 1~720 步
    covariates=covariates,      # 可选：历史/未来协变量
)

print(result.predictions)       # 预测值（含分位数/置信区间）

四、与 TimechoDB 协同：DB + AI 的完整闭环

TimechoAI 并非孤立产品。天谋科技的工业时序数据库 TimechoDB（Apache IoTDB 企业发行版）具备千万点/秒写入、TB 数据毫秒级查询和 90% 以上的存储成本压缩能力，已在国家电网、中车四方、长安汽车、中国核电、宝武钢铁等企业的生产系统中大规模部署。

得益于统一的 TsFile 格式，TimechoDB 中的数据可以无缝流入 TimechoAI 完成分析，形成“采集—存储—分析—预测”的完整链路，企业不必在数据库和 AI 平台之间维护繁琐的 ETL 流程。底层把数据高效存下来，上层让数据可分析、可预测、可辅助决策，工业数据的价值链条由此被真正拉通。