Chrona：多模态概率时间序列基础模型，让预测具备事件理解与不确定性量化能力

Chrona是融合Transformer与Mamba架构的多模态时间序列基础模型，旨在解决传统预测模型的局限性：对事件视而不见、难以整合多模态信息、无法量化预测不确定性。其核心能力包括多变量与层级预测、事件条件注入、概率输出、超长上下文支持、上下文学习及边缘部署，为金融风控、能源调度等领域提供全新解决方案。

时间序列预测在金融风控、能源调度等关键领域重要，但传统模型存在明显短板：

1. 对真实世界事件（如加息公告、黑色星期五）'视而不见'，无法整合文本等多模态信息；
2. 点估计输出无法量化不确定性，在风险敏感场景中是致命缺陷；
3. 黑天鹅事件突发时表现糟糕。

Chrona采用8层混合骨干网络：偶数层用Transformer块实现全局跨序列注意力，奇数层用Mamba块高效捕获长程依赖，兼顾复杂关联建模与超长序列处理效率。 输入端多模态编码器整合三类信息：多变量时间序列、外部协变量（如节假日）、事件与文本；输出端用混合密度网络生成完整概率分布，提供分位数预测。

事件感知预测

可传入事件列表（如'Black Friday'），学习事件对历史数据的影响模式并用于未来预测，适用于零售业促销、金融政策分析等场景。

概率预测与不确定性量化

提供P10/P50/P90分位数预测，帮助决策者了解悲观、最可能、乐观情景，指导库存管理等风险敏感场景。

上下文学习与零样本适应

无需重新训练，输入少量示例即可适应新领域，降低部署成本。

边缘部署

支持ONNX导出（CPU推理加速2-5倍）、Docker容器、FastAPI服务，适配边缘设备。

API功能覆盖完整工作流

端点	功能	典型场景
/forecast	概率多步预测	销量预测、需求规划
/simulate	情景分析	what-if分析
/anomaly	异常检测	设备故障预警
/embed	文本嵌入	事件描述转模型输入
/forecast/stream	流式预测	实时监控

与传统方案对比

能力	Chrona	传统统计模型	经典深度学习模型
多变量+层级	✅ 原生支持	⚠️ 需特殊处理	⚠️ 部分支持
文本/事件条件	✅ 内置	❌ 不支持	❌ 不支持
概率输出	✅ 原生	⚠️ 近似	⚠️ 需额外建模
4K+上下文	✅ 支持	❌ 不支持	❌ 受限于架构
上下文学习	✅ 支持	❌ 不支持	❌ 需微调
边缘部署	✅ ONNX导出	✅ 轻量	⚠️ 复杂

Chrona代表时间序列预测新方向：从函数拟合转向'理解事件、量化不确定、适应场景'的智能预测。对数据科学团队而言，其事件感知能力理解业务上下文，概率输出支持风险评估，上下文学习实现快速部署。未来期待更多类似Chrona的专用基础模型，为垂直领域带来开箱即用的智能能力。