1. 概念定位

时间序列基础模型的核心是“先大规模预训练，再小样本适配”。
它解决的不是单一任务，而是跨行业、跨频率的泛化能力问题。

2. 典型预训练目标

1. 掩码重建（Masked Reconstruction）。
2. 未来片段预测（Future Patch Prediction）。
3. 对比学习（跨窗口表示一致性）。

统一目标可以写成：

$$ \min_\theta \sum_{\mathcal{T}} \mathcal{L}{task}(f\theta(x_{hist}), y_{target}) $$

3. 迁移策略

1. 线性探针：冻结骨干，仅训头部层。
2. 低秩适配（LoRA）：低成本微调。
3. 全参数微调：样本足够时使用。

4. Python 实践框架

# 伪代码：预训练模型 + 任务头
backbone = load_pretrained_ts_model("timesfm-like")
for p in backbone.parameters():
    p.requires_grad = False

head = nn.Linear(backbone.hidden_size, horizon)
# 只训练 head，先做低成本验证

5. 评估与上线建议

1. 不同预测周期分开评估（短期/中期/长期）。
2. 引入漂移监控（输入分布与误差分布双监控）。
3. 保留经典基线（ARIMA/LightGBM）作为兜底。

6. 风险点

1. 数据泄漏：预训练语料与测试集重叠。
2. 频率错配：小时模型直接迁移到月度场景。
3. 解释性不足：业务方无法接受“黑箱上线”。

基础模型不是“替代一切”，而是把特征学习的公共成本前置，再通过任务适配释放增量价值。