| English | 中文 |
预测使用某一起点已经掌握的信息估计后续数值。构造样本前明确起点、采样间隔和提前量；评估时应提供模型在实际使用中能够获得的信息。
区分目标历史、其他观测历史，以及未来时期确实已知的变量。修订观测和再分析可以支持回顾研究，但可能不同于业务输入。记录每个来源的发布时间和不确定性。
按预期时间轴对齐序列，显式处理缺失时期、采样频率变化和不同实体。同一窗口应属于同一实体，不能无意跨越站点边界。
历史长度决定模型能利用哪些过去规律，预测长度决定要向前估计多远。先比较持续性和适当的季节性参照，再解释复杂模型的改善。更长历史和更大模型需要足够开发窗口及计算预算。
TimeXer将目标历史表示为时间片段，将外部历史表示为变量级信息，再通过注意力组合，从而在保持目标角色独立的同时利用辅助序列。这是预测结构，注意力规律仍需另行作科学解释。
已跟踪实现的张量和数据契约比一般预测问题更窄。技能说明可以输入哪些历史信息，以及未来变量、多实体或部署操作中哪些需适配。
采用按时间排列的开发与留出，或经审查的滚动起点评估，考虑窗口和标签时期重叠。缩放等学习型变换在训练数据拟合，再复用于评估批次。
需要时按提前量和实体报告误差，明确目标单位与逆变换。同一时刻可能有多次预测，应先决定按起点/提前量评分，还是按显式规则合并。检查极端情况、缺失预测和条件变化。
单独的权重文件不足以定义预测系统，还需保留特征顺序、拟合变换、时间编码、源码版本、窗口和模型设置。新历史推理应与带标签测试评分分别验证，代码交接见操作参考。