Create app.py

app.py

@@ -0,0 +1,33 @@
+from fastapi import FastAPI
+from pydantic import BaseModel
+import timesfm
+
+app = FastAPI()
+
+# 1. 初始化并加载 TimesFM 模型 (Space 启动时执行)
+tfm = timesfm.TimesFm(
+    context_len=512,  # 根据你的 K 线序列长度调整
+    horizon_len=24,   # 预测步长
+    input_patch_len=32,
+    output_patch_len=128,
+    num_layers=20,
+    model_dims=1280,
+    backend="cpu"     # 免费层使用 CPU
+)
+tfm.load_from_checkpoint(repo_id="google/timesfm-1.0-200m")
+
+# 2. 定义 API 数据结构
+class PredictRequest(BaseModel):
+    history: list[float]
+    horizon: int = 24
+
+# 3. 提供预测接口
+@app.post("/predict")
+def predict(req: PredictRequest):
+    # 将前端传来的 K 线数据喂给模型
+    forecast = tfm.forecast([req.history])
+    
+    return {
+        "status": "success",
+        "forecast": forecast[0].tolist() 
+    }