自2020年首次发布以来，Darts 已成为广泛使用的开源 Python 时间序列分析库。它提供了丰富的模型和工具，帮助研究人员和工程师处理预测任务。近年来，时间序列基础模型（如 Chronos-2、TimesFM 2.5、TiRex 和 PatchTST-FM）在零样本预测中取得了显著进展，声称在多个基准上超越了传统的定制模型。这些模型通过在大规模数据集上进行预训练，能够直接应用于未见过的序列，无需针对特定任务重新训练，从而大大降低了使用门槛。
然而，这些基础模型通常以独立的 Python 包形式发布，每个模型都有自己的 API 和依赖项，导致接口碎片化。例如，用户可能需要学习不同的数据格式、预处理步骤和预测调用方式。此外，这些模型与现有工具（如数据加载、评估和可视化）的互操作性有限，使得在完整管线中进行联合评估和集成变得困难。这阻碍了研究人员和从业者充分比较和利用这些模型。
为了解决这一挑战，Darts 团队开发了一个统一的 FoundationModel 类集合。该集合将上述四个基础模型封装在标准化接口下，提供了完整的预测生命周期支持，包括数据预处理、模型加载、预测、不确定性估计和回测。关键是，所有操作都在 Darts 的统一框架内完成，外部依赖极少，用户只需安装 Darts 即可开始使用。
现在，现有的 Darts 管道仅需将模型名称从 'ARIMA' 或 'Transformer' 更改为 'Chronos-2' 等，即可切换到基础模型，无需修改其他代码。新管道则可以利用基础模型进行零样本预测，或通过微调适应特定数据集。此外，不确定性估计和回测功能也直接可用，结合 Darts 内置的数据处理和评估工具，形成了完整的预测工作流。
这一进展对时间序列分析和预测领域具有重要意义。它降低了基础模型的使用门槛，促进了更广泛的实验和比较。研究人员可以轻松评估不同模型在相同条件下的表现，而从业者可以快速将最先进的预测能力集成到现有系统中。随着基础模型数量的增加，这种统一框架将成为推动该领域标准化和效率提升的关键基础设施。