Timestral多变量预测：固定series与variates轴，换列后结果不串号

素材身份：作者原创输入/可编辑参考。目标工具未在本轮执行。
先打开 index.html；input.csv 是原始字段，reference.csv 是验收基准，negative.csv 是故意构造的坏样例。
actual-results.csv 保留未测状态，实际执行后再填写。

前置条件：
Python>=3.10、PyTorch>=2.4；Timestral官方推理可用CPU或GPU，不需要付费API，首次需下载模型权重。
代码Apache2.0，模型权重Modified MIT，两者许可分开；可先选5M验证输入协议，不能把CPU可跑写成固定速度保证。
本课历史观测与评估夹具为作者资料，预测值未生成；任何区间/概率示例都标参考而非模型返回。

操作步骤：
1. 建立业务维度表
series分别为北店/南店，variates为木作/陶艺，时间按升序。
场馆不能当成时间行随意追加。

2. 透视为三维数组
按B,V,T构造context，保存每轴标签。
官方也接受简化形状，但本课为避免歧义显式使用三维。

3. 检查缺值与顺序
每个目标序列拥有相同日期网格，缺失按NaN处理。
不得通过压缩空行使某活动时间错位。

4. 执行共同预测
使用multivariate输入让同一series的variates联合预测。
目标变量会预测，协变量是条件行，不把二者混放。

5. 按原映射解包
forecast.median的B,V,H按保存标签还原成长表。
不能按字母重新排序标签却不重排张量。

6. 做换列回归
在本地映射测试中交换variates标签，检查器应发现来源不一致。
没有推理时使用作者带身份的数组夹具，不写虚构预测值。

7. 交付轴契约
保存长表、数组形状、轴标签和输出还原代码。
预测图上每条线显示对应series/variate身份。

验收：
B/V/T三个轴标签明确。
输出解包沿用输入variates顺序。
换列负例被拒绝。

官方资料：
https://github.com/mistralai/timestral

图片身份：assets/ 为内置image_gen生成的原创练习输入缩略版，原始文件保留在网站图片来源地址。可编辑SVG为作者原生排版。
