Timestral预测区间：同时检查覆盖与宽度，别只比较中位数误差

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. 固定历史与留出
将前6日观测作为历史，后3日只供评估，记录切分日。
这个小样本用于协议演示，不能据此声称稳定统计覆盖率。

2. 取得实际分位数
用forecast.quantile(0.1)、median和quantile(0.9)读取预测。
分位数不是三个独立模型，也不是均值加减一个固定百分比。

3. 保留预测形状
核对series、variates、horizon三个轴，并记录quantile_levels。
不能把最后一维21项误认成21个未来日期。

4. 计算覆盖与宽度
逐点检查q10≤actual≤q90，并计算q90-q10。
两端顺序或缺值不合法时先报错，不以绝对值掩盖交叉。

5. 用作者夹具验算
参考三点区间[8,14]、[9,15]、[10,16]对actual12、16、13应覆盖2/3。
这些数明确是校验器夹具，不能放在模型输出栏。

6. 比较采用边界
同时展示区间宽度和中位数误差，宽区间不能仅因覆盖高就算好。
0.1到0.9是名义80%区间，不保证任意小样本恰好80%。

7. 交付概率预测表
保存历史、留出、真实预测和评估代码，未预测保持not_run。
业务决策说明区间含义，不能把中位数当承诺销量。

验收：
21分位轴与日期轴不混淆。
覆盖与宽度同时输出。
作者夹具预期2/3覆盖，真实预测另存。

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。