Timeseries Forecast 是一个基于 Amazon Chronos-2 的时间序列预测系统,提供:

• Zero-shot / Finetune 预测
• 多分位输出(P10/P50/P90 等)
• 指标评估(WQL/WAPE/IC/IR)
• finetune 返回 model_id 可复用,模型默认保留 14 天后清理
• 可视化结果展示及预测结果导出
• MCP(Model Context Protocol)工具接入,支持 LLM 调用

• 前端说明:frontend/README.md
• 后端说明:server/README.md
• API 说明:server/app/api/README.md
• 服务层说明:server/app/services/README.md
• MCP 说明:server/app/mcp/README.md
• 模型与数据结构:server/app/models/README.md
• 核心配置/异常:server/app/core/README.md

• 后端:FastAPI / Uvicorn / AutoGluon TimeSeries(Chronos-2)/ PyTorch / Pandas / MCP(FastMCP)
• 前端:React 18 / TypeScript / Vite / Ant Design / ECharts

• server/:后端服务与 MCP
• frontend/:前端界面
• scripts/:本地一键启动脚本

pip install -r server/requirements.txt
export CHRONOS_MODEL_PATH=/path/to/chronos_model
uvicorn app.main:app --host 0.0.0.0 --port 5001 --reload

cd frontend
cp .env.example .env
npm install
npm run dev

前端默认地址:http://localhost:5173

bash scripts/dev.sh

docker compose up -d

后端:http://localhost:5001
前端:http://localhost:5173

• 输入为 Markdown,必须包含 ```json 代码块
• 必填字段:history_data(含 timestamp/item_id(or id)/target)
• 推荐提供 freq(如 D/H/W/M)
• 若开启协变量:必须提供 covariates,且长度 = prediction_length

• Finetune 若 save_model=true 会返回 model_id,可在后续 finetune 接口中直接传入复用(跳过再次微调)
• 已保存的微调模型默认保留 14 天,后台定时任务清理
• 可通过环境变量配置:
  • FINETUNED_MODEL_RETENTION_DAYS
  • FINETUNED_MODEL_CLEANUP_INTERVAL_HOURS

• WQL/WAPE:由 AutoGluon evaluate 输出
• IC/IR:在历史数据上切分验证区间计算(需要至少 2 * prediction_length 的历史长度)
• 预测输出保持未来区间 n+1...n+m,不受指标切分影响

后端启动后 MCP SSE 地址:http://localhost:5001/mcp/sse
可用 ollama_client.py 连接并调用工具。

• 当前测试:server/tests/test_forecast_output.py
• 运行方式:

pytest -q

• 计划补充:预测接口 e2e 测试

• 新模型:在 server/app/services/ 中新增预测逻辑并注册路由
• 新接口:在 server/app/api/routes/ 添加对应 API
• 新前端页面:在 frontend/src/components/ / frontend/src/App.tsx 扩展 UI
• MCP 集成:在 server/app/mcp/handlers/tools.py 注册新工具,在 prompt_templates/ 补充提示词说明文档