清洗策略版本参考

清洗策略写作 预设@版本，例如 default@2026-13。预设决定「哪些改动可以自动执行」，版本决定「用哪一套规则和阈值」。本页按执行顺序列出每个版本的全部步骤和参数，并给出清洗报告中每个决定 id、问题代码的含义。报告的字段结构与采纳 / 拒绝的用法见清洗策略与清洗报告。

1. 策略一览

raw 不经过清洗服务，结构校验规则与版本无关，见第 7 节。

2. 版本承诺

• 带日期的版本是冻结的。 已发布版本的规则、阈值和默认参数不再修改。
• 同样的输入得到同样的输出。 数据、选项、策略 id 相同时，清洗结果和决定 id 都相同。唯一与模型有关的一步是最小长度检查，它取决于所选模型的最小上下文。
• 规则调整以新版本发布。 平台默认改用新版本时会公告；被替换的旧版本先标记为已弃用，仍可显式选择（响应带 cleaning_version_deprecated 提醒），在公告的日期之后才移除。
• 默认值按层解析。 预设和版本分别按「请求 > 密钥默认 > 组织默认 > 平台默认」取第一个设置了的值。平台默认目前是 default@2026-13；2026-10、2026-11 与 2026-12 已弃用，将在公告后移除。密钥或组织的默认值由平台配置，目前没有自助设置入口。
• 实际生效的策略总会回显。 成功响应的 effective_policy 写明 id、preset、version 与 source（request、key、org、platform 之一，取设置了预设或版本的最高层级）。记录 effective_policy.id 即可复现同一次清洗。

3. 选择版本与 2026-11 参数

只有需要默认 2026-13 以外的版本时，才在 options.cleaning 中传 version。下面七个参数从 2026-11 起提供，默认版本下同样可用，也放在 options.cleaning 中：

{
"model": "hora-1.0",
"h": 24,
"freq": "1h",
"series": [
  {"unique_id": "pv-01", "ds": "2026-06-01T00:00:00Z", "y": 0.0},
  {"unique_id": "pv-01", "ds": "2026-06-01T01:00:00Z", "y": null}
],
"options": {
  "cleaning": {
    "preset": "default",
    "impute_method": "auto",
    "nonnegative": "true",
    "bounds": {"lower": 0, "upper": 500},
    "structural_zero": "auto",
    "business_days": "off"
  }
}
}

（series 已截断，实际请求需要满足模型的最小上下文。）

长缺口：填补还是屏蔽

清洗总会填补所有缺口，使报告与清洗后的序列完整。对于内部长缺口，long_gap 决定模型读取什么：

• fill（默认）：模型读取补值，与报告中展示的一致。当补值是合理的替代时保留它，例如序列在缺口期间延续稳定的季节模式。
• mask：模型把这些位置当作缺失，依据缺口前后的观测值预测。当长缺口是停机、检修或其他真实数值未知、不应影响预测的时段时，可考虑使用。mask 主要适用于离最近数据较远的长缺口；如果长缺口紧挨着最后一个观测值结束，除非在自己的数据上回测表明更好，否则建议保留 fill。

短缺口（不超过短缺口上限）在两种方式下都会为所有模型填补。使用 mask 时，每个实体的 model_input[] 条目会给出 long_gap_points（交给模型的上下文中被屏蔽的长缺口位置数）与 long_gap_handling（模型实际如何读取这些位置）。API 提供的 SequenxAI Omni（hora-1.0）支持缺失屏蔽：这些位置以缺失值交给模型，long_gap_handling 为 "mask"。"fill" 只用于不支持缺失屏蔽的模型，此时模型改为读取补值（long_gap_handling: "fill"、long_gap_reason: "model_without_mask"，并附一条 long_gap_mask_unavailable 提醒），请求不会失败；当前 API 提供的模型不会出现这种情况。两种取值计费相同：被屏蔽的位置从未被观测，不计入计费输入点。传入时，所选取值会在 cleaning_report.policy.long_gap 中回显。建议先在自己的数据上用回测比较两种方式，再决定使用哪一种。

参数校验：

• 在 2026-10 下传这七个参数中的任意一个（nonnegative: "auto" 除外），返回 422 CLEANING_OPTION_UNSUPPORTED，不会被静默忽略：

{
"error": {
  "code": "CLEANING_OPTION_UNSUPPORTED",
  "message": "Cleaning options require policy version 2026-11",
  "details": {
    "options": ["business_days"],
    "policy": "default@2026-10",
    "requires_version": "2026-11"
  }
}
}

• 2026-10 下 nonnegative 传 "true" 或 "false" 同样返回 CLEANING_OPTION_UNSUPPORTED，details 为 options 与 supported。
• 取值非法（例如 lower 大于 upper）返回 422 VALIDATION_ERROR。
• options.cleaning 内未列出的字段返回 422 VALIDATION_ERROR（details.errors[].field 指出字段），不会被忽略。
• 未知的 version 返回 422 CLEANING_OPTION_UNSUPPORTED，details.allowed 列出可选版本。
• raw 预设不接受任何参数，也不接受 accept / decline。
• freq: "B" 只在 2026-11 及之后的版本下有效；2026-10 返回 FREQ_UNSUPPORTED，raw 下返回 RAW_INPUT_INVALID。

从 2026-11 起，cleaning_report.policy 会回显解析后的参数：impute_method、structural_zero、business_days 未传时回显 auto；seasonal_period、bounds 与 long_gap 只在传入时出现。2026-10 的 policy 保持原有结构。可以先用 /v1/clean 免费预演这些参数的效果。

4. default@2026-10 的处理步骤

每个实体（unique_id）独立按下面的顺序处理。报告中的位置列表最多列出 50 条，超出时 truncated 为 true。

4.1 解析时间戳与时区

• 支持的时间戳格式见时间戳格式。日月顺序无法从数据判断时，以 AMBIGUOUS_DATE_FORMAT 拒绝，请传 options.ds_format。
• 带偏移的时间戳按偏移读取；不带偏移的按 options.timezone 读取，未传时按 UTC 读取并报告 naive_timestamps_assumed_utc。
• 遇到无法解析的时间戳时以 VALIDATION_ERROR 拒绝（2026-10 只报告第一条）。
• 夏令时相关情况只报告、不修改：dst_missing、dst_duplicate、dst_nonexistent_time、mixed_timezone。对全部按 UTC 读取的逐小时或更细的数据，如果在 3、4、9、10、11 月的周日 0 点至 3 点（UTC）出现恰好一小时的缺口或重复，也会给出 dst_missing / dst_duplicate 提示和 dst_suspected 警告。

4.2 排序

行没有按时间排序时稳定排序（决定 time.reorder，问题 out_of_order）。

4.3 识别缺失值

• 缺失标记文本。 文本单元格为 na、n/a、nan、null、none、?、#n/a、#value! 或空字符串（不区分大小写）时置为空值（决定 value.tokens）。
• 单独的破折号 -、--：可能是 0 也可能是缺失，默认按缺失处理，并提议按 0 处理（决定 value.dash_token，proposed）。
• 缺失值代码。 候选值为 9999、-9999、99999、-99999、-999、999999、65535、-32768。当该值落在其他观测值的范围之外、与最近边界的距离超过「其他观测值 1% 至 99% 分位的跨度」与「10 倍 MAD」中的较大者，且占比不超过 5% 时，自动置为空值；否则只提议，数值保持不变（决定 value.sentinel）。

这两类文本规则只针对文本形式的单元格（例如上传的 CSV）；JSON 请求中 y 为数字或 null，通常不会触发。

4.4 确定频率

• 传了 freq 时直接使用。
• 省略时推断：先判断是否为按月 / 季 / 年对齐的日历频率（相邻间隔的中位数至少约 28 天，且至少 90% 的时间戳落在同一个月内日期上，如 1 号、月末或固定某一天）；否则取相邻间隔的众数，间隔相差在 2% 或 1 秒以内视为同一间隔。
• 众数占比至少 90% 为高置信度；70% 至 90% 为低置信度，给出 freq_low_confidence 警告但不拒绝；低于 70% 以 FREQ_INFERENCE_FAILED 拒绝。
• 第二常见的间隔占全部间隔至少 25%，且不少于最常见间隔的三分之二时，视为有歧义，以 FREQ_AMBIGUOUS 拒绝。省略 freq 时各实体推断出不同频率，同样返回 FREQ_AMBIGUOUS。

4.5 对齐网格

• 时间戳略偏离格点时对齐到最近的格点（决定 grid.snap，问题 timestamp_jitter）。容差：固定步长为步长的 2%（且不超过半个步长），例如逐小时数据为 72 秒；日历频率为 ±12 小时。
• 超出容差的行删除（决定 grid.off_grid，问题 off_grid，警告 off_grid_dropped）。偏离网格的行超过该实体行数的 10% 时，以 FREQ_INFERENCE_FAILED 拒绝。

4.6 去重

对齐后同一格点有多行时保留最后一行（决定 time.duplicates，操作 keep_last）。各行值相同时类别为 structural；值不同时类别为 drop，并给出 duplicate_conflict 警告。值冲突的重复至少 3 处且超过该实体行数的 5% 时，额外报告 entity_column_suspected：可能多条序列混在了同一个 unique_id 下。

4.7 裁剪首尾空值

序列开头和结尾的空值直接删除（决定 gap.edge_trim，问题 edge_null）。全部为空的实体以 SERIES_EMPTY 拒绝。从 2026-12 起，末尾空值的处理不同，见固定预测起点。

4.8 模型上下文窗口

历史不会为适配模型而被截断。某个实体长于所选模型的最大上下文时，在清洗前（按不重复的时间戳）或清洗后（按规则网格，含补齐的点）返回 422 SERIES_TOO_LONG；请只发送最近的点。因此引擎的 window.context 决定与 context_window 问题不会出现在 API 响应里。模型的上限见模型与能力上限。

4.9 长缺口拆分

• 观测值之间的缺口达到阈值时，只保留最后一个长缺口之后的最新一段（决定 gap.split）。
• 阈值：传了 options.gap_split_min_steps 时取该值（0 关闭拆分）；否则取「补值上限加一（即 4 步）」「3 个季节周期」「序列跨度的 5%」三者中最大的。
• 季节周期步数：亚日频为一天的步数，日频到周频之间为一周的步数，日历频率为一年的步数，周频及更长的固定步长为 1。
• 最新一段必须至少覆盖模型的最小上下文，且自动阈值下至少覆盖 3 个季节周期，否则不拆分。
• 被丢弃的观测值不超过一半时自动执行；超过一半时只提议（问题 segment_split_skipped），改为补齐缺口。
• clean_series: false 时不做拆分。

4.10 缺失占比检查

缺失占比 =（网格上缺少的时间戳 + 空值）÷ 网格总点数，在补值之前计算。低于 1% 为 Healthy，1% 至 10% 为 Warning，达到 10% 为 Critical，以 SERIES_DISCONTINUOUS 拒绝（阻断 health_critical）。2026-13 替换了这一检查，见缺失判断规则。

健康分 health.score（0 至 100）= 100 − min(40, 400 × 缺口占比) − min(20, 200 × 缺失占比) − min(15, 5 × 值冲突的重复数) − min(15, 100 × 异常值占比)，四舍五入。Critical 实体的分数不超过 49。

4.11 插入空格点

网格上缺少的时间戳作为空格点插入（决定 grid.regrid，问题 gap）。

4.12 检测异常值（只标记，从不修改）

• 滚动中位数 / MAD：窗口长度为点数的 1/50，限制在 21 至 101 之间并取奇数；窗口内至少 5 个观测值且 MAD 大于 0 时，评分 0.6745 × |x − 中位数| ÷ MAD 超过 3.5 的点被标记（问题 outlier，警告 outlier_flagged_not_modified）。
• 日历频率的数据在至少 3 个完整年度周期时，先减去同一季节其他年份的中位数再检测，规律性的年度峰值不会被当作异常。
• 异常值保持原值交给模型；metrics.outlier_points_suppressed 始终为 0。

4.13 检测平台段与量级跳变（只标记）

• 平台段 flat_run。 连续相同的非零观测值达到最小长度时标记。最小长度为半个季节周期，固定步长限制在 8 至 288 步之间，日历频率下限为 4 步。所有观测值都是非负整数且 90% 分位不超过 20 时（小计数序列），不做该检测。
• 量级跳变 level_shift。 相邻两个窗口的中位数相差约 1000 倍（对数差在 3 ± 0.25 以内）时标记，常见于单位换算错误。窗口长度为点数的 1/4，限制在 5 至 48 之间。

4.14 补值

• 所有缺失（插入的空格点与空值）按两侧观测值线性插值（决定 gap.impute，操作 linear）。
• 连续缺失超过补值上限 3 步时仍会补齐，但给出问题 long_gap 与警告 long_gap_filled。
• imputed 动作的 gaps[] 为每个缺口写明范围、method、tier 与 reason。2026-10 的层级只用于说明缺口长短，不改变方法（P 为第 4.9 节的季节周期步数，n 为序列点数）：

• clean_series: false 时不补值；只要需要任何修复，就以 TIMESTAMP_IRREGULAR 或 SERIES_DISCONTINUOUS 拒绝（阻断 cleaning_required）。

4.15 最小长度

清洗后点数少于模型的最小上下文时，以 SERIES_TOO_SHORT 拒绝（阻断 too_short_for_model）。

5. default@2026-11 的新增步骤

2026-11 按同样顺序执行第 4 节的全部步骤，阈值不变，并在以下位置增加规则。

解析时间戳（第 4.1 步）

所有无法解析的时间戳在一次 VALIDATION_ERROR 中全部列出：details.cleaning_report.blocking[0] 为 unparseable_timestamp，带请求中的行号 rows（最多 50 条）与最多 5 个示例。

数字格式检查（第 4.3 步）

文本单元格不是普通数字时，按类型报告，数值保持缺失，不做猜测（read_as: "missing"）：

工作日网格 B（第 4.4 步）

• business_days: "auto" 且省略 freq 时，满足以下全部条件的日频数据使用工作日网格：平均每个日期不超过 1.05 个时间戳；没有周六、周日的日期；工作日日期至少 15 个；跨度至少 21 天；工作日覆盖率（有数据的工作日 ÷ 跨度内的工作日）至少 90%。日期按实体的本地时间判断（options.timezone，否则取数据中最常见的偏移）。
• 使用 B 时周末不算缺口，预测时间戳跳过周末（决定 grid.business_days，类别 structural；问题 business_days_pattern，count 为跳过的周末天数）。不含节假日日历：工作日的节假日缺失仍按缺口处理。
• business_days: "on" 对日频数据强制使用 B（未传 freq 或 freq 为日频时），周末的行按偏离网格删除；未传 freq 且数据不是日频时报告 business_days_not_applicable。"off" 始终保持自然日。
• 也可以直接传 freq: "B"。auto 下显式传入 freq 时不做工作日检测。
• 拒绝 grid.business_days:<unique_id> 即按自然日处理，周末成为缺口。

真实输出示例：从 2026-09-07（周一）起连续 20 个工作日，未传 freq：

"freq": {"inferred": "B", "used": "B", "source": "inferred",
       "status": "HIGH_CONFIDENCE", "confidence": 1.0, "candidates": []}
{"id": "grid.business_days:fx", "rule": "grid.business_days", "class": "structural",
"status": "applied", "action": "business_day_grid",
"before": {"freq": "D"}, "after": {"freq": "B"}, "reversible": true,
"evidence": {"weekday_dates": 20, "weekend_dates": 0, "span_days": 26,
            "coverage": 1.0, "skipped_weekend_days": 6, "source": "detected"}}
// h=3 的预测时间戳：2026-10-05、2026-10-06、2026-10-07（周一至周三）

2026-10 处理同一份数据时推断为自然日（低置信度），6 个周末日成为缺口，缺失占比超过 10%，以 SERIES_DISCONTINUOUS 拒绝。

常数序列检查（第 4.12 步之后）

观测值从不变化时给出 constant_series 警告；全为 0 时给出 all_zero_series。

季节性检验

每个实体的报告带 series[].seasonality：{period, source, acf, cycles, accepted, reason}。

• 候选周期 period 由频率决定：亚日频为一天的步数（逐小时为 24），日频到周频之间为一周的步数（日频为 7），工作日为 5，周频及更长的固定步长为一年的步数（周频为 52），日历频率为一年的步数（月频为 12）。候选周期小于 2 时没有周期。
• 按频率得到的周期需要序列覆盖至少 3 个周期，且滞后一个周期的自相关（只用两端都有观测的点对）至少 0.3，才被采用。
• 通过 seasonal_period 指定的周期只要求覆盖至少 2 个周期。

逐段补值

每个缺口单独选方法（impute_method: "auto"）：

• pchip：Fritsch–Carlson 单调三次插值，经过所有观测点；每一段都落在两端观测值之间，不会过冲。
• seasonal：取同一相位在前后各 7 个周期内观测值的中位数，再把缺口两端观测值与各自中位数的偏差线性过渡叠加上去，使补值与两端衔接。
• 指定 linear 或 pchip 时每个缺口都用该方法（reason: method_option）。指定 seasonal 时需要覆盖至少 2 个周期的周期（不要求自相关）和足够的同相位历史；否则回退为线性，reason 为 seasonal_unavailable（没有可用周期）或 insufficient_history。
• 层级 tier 的阈值与第 4.14 节相同，但 P 取 seasonality.period；没有周期时，超过 3 步的缺口都记为 T1。
• 多个缺口用了不同方法时，gap.impute 的操作为 mixed，evidence.methods 给出每种方法补了多少点。

补值的物理约束

约束只作用于补出来的值，观测值从不修改。按以下顺序执行：

1. 结构性零值（constraint.structural_zero，操作 zero）。某个季节相位至少有 7 个周期的观测，且其中至少 90% 为 0（例如光伏夜间出力）时，该相位的补值设为 0。需要序列至少覆盖 7 个周期；所有相位都满足时视为常数序列，不执行。structural_zero: "off" 关闭。
2. 非负（constraint.nonnegative，操作 clip_at_zero）。见第 3 节 nonnegative 参数。
3. 范围（constraint.bounds，操作 clip_to_bounds）。截到声明的 bounds 内。

每条实际改变了补值的约束都生成一条决定（类别 fabricate，reversible: true），可按 id 拒绝。受影响的缺口在 gaps[].constraints 中列出规则，actions[imputed].constraints 给出每条规则改变的点数。违反约束的观测值只被标记：negative_in_nonnegative（nonnegative: "true" 时的负观测值；或 auto 下观测值至少 99% 非负、仅有少数负值时，此时不做截断）与 out_of_bounds。

真实输出示例：逐小时光伏数据，共 8 天，第 6 天出力减半，2026-06-06T16:00Z 至 2026-06-07T05:00Z 缺失 14 个点（跨夜）：

"seasonality": {"period": 24, "source": "frequency", "acf": 0.9307, "cycles": 8.0,
              "accepted": true, "reason": "accepted"}
"gaps": [{"range": {"start": "2026-06-06T16:00:00Z", "end": "2026-06-07T05:00:00Z", "points": 14},
        "method": "seasonal", "tier": "T1", "reason": "seasonal_period_accepted",
        "constraints": ["constraint.structural_zero", "constraint.nonnegative"]}]
{"id": "constraint.structural_zero:pv-01", "rule": "constraint.structural_zero",
"class": "fabricate", "status": "applied", "action": "zero",
"before": {"imputed_points": 14}, "after": {"changed": 12}, "reversible": true,
"evidence": {"period": 24, "phases": [0, 1, 2, 3, 4, 5, 6, 18, 19, 20, 21, 22, 23],
            "zero_share": 0.9, "min_cycles": 7}}
{"id": "constraint.nonnegative:pv-01", "rule": "constraint.nonnegative",
"class": "fabricate", "status": "applied", "action": "clip_at_zero",
"before": {"imputed_points": 14}, "after": {"changed": 1}, "reversible": true,
"evidence": {"source": "auto"}}
// 补值：17.1，随后 13 个点为 0（夜间保持为 0）

default@2026-10 处理同一份数据时，这 14 个点按线性插值补齐（tier: T1，reason: no_seasonal_method），夜间的补值大于 0。

固定预测起点（2026-12）

2026-12 保留上述 2026-11 的全部规则，只改变第 4.7 步：即使最后几个 y 为空（例如某个时段的数据还没到），预测也总是从你发送的最后一个 ds 的下一步开始。

• 最后一个观测值之后至多 3 个网格步（补值上限）的末尾空值保留在网格上，不再删除（决定 gap.masked_tail，类别 fabricate，操作 mask_for_model；同名问题与警告 masked_tail；动作 masked，reason: trailing_null）。这些位置不作为数据使用：不计入 fed_points，不计费；该实体的 model_input[] 条目以 masked_tail 报告，响应的 warnings[] 中有一条 trailing_values_missing。
• 末尾空值更长，或撤回 gap.masked_tail:<unique_id> 时，以 SERIES_DISCONTINUOUS 拒绝（阻断 trailing_gap_too_long，带 count 与 max_steps），而不是返回一个比你要求更早开始的预测。请发送最新的观测值，或去掉末尾的空行。
• strict 下，gap.masked_tail 与其他非结构性决定一样降为提议，可按 id 采纳。
• 开头的空值仍按第 4.7 步删除。2026-10 与 2026-11 下末尾空值同样删除（edge_null），预测从最后一个非空 y 之后开始。

缺失判断规则（2026-13）

2026-13 保留 2026-12 的全部规则，替换第 4.10 步的缺失占比检查。更早的版本拒绝缺失占比达到 10% 的任何序列；2026-13 改看缺失的位置，因为紧挨预测起点的长缺口对预测的影响，远大于同样数量的零散缺失。缺口长度以序列的季节周期计：传了 seasonal_period 时用它，否则小时数据 24 步、30 分钟 48 步、15 分钟 96 步、日数据 7 步、周数据 52 步、月数据 12 步。为模型保留的末尾空值（masked_tail）不计入。

没有季节周期时（例如频率不规则）只检查缺失占比。被拒绝的实体仍以 health_critical 阻断，并带 reason、reasons、period、near_gap_steps 与 far_gap_steps；caused_by 与之前一致。请补发缺失的近期数据，或只发送缺口之前的历史。

health.factors 列出健康分的各项扣分，格式为 {code, points, count?, ratio?}，分数之和等于 100 − score：gap_near_origin、far_gap、missing_share（被接受的实体上合计至多 49 分）、conflicting_duplicates、outliers（有异常值时至少 1 分）、flat_runs、level_shifts，以及 blocked（使被拒绝的实体不高于 49 分）。等级与上表一致：拒绝为 Critical，警告为 Warning。

与 2026-12 的区别。 一部分因缺失达到 10% 而被 2026-12 拒绝的序列，现在会被接受（缺失达到 20% 时带 missing_pattern 提醒）；一部分在预测起点前有长缺口、缺失不足 10% 而被 2026-12 接受的序列，现在会以 reason: gap_near_origin_too_long 拒绝。如需暂时保留原有行为，可固定 options.cleaning.version: "2026-12"（已弃用）。

6. strict 预设

strict 运行同版本 default 的全部规则，然后只保留结构性决定，其余 applied 的决定改为 proposed，请求以 422 拒绝并附带报告：

• 被降级的决定中有 time.* 或 grid.* 时以 TIMESTAMP_IRREGULAR 拒绝，否则以 SERIES_DISCONTINUOUS 拒绝（阻断 cleaning_required）。
• 把决定 id 放进 accept 后该决定照常执行；所有被降级的决定都采纳后请求通过。
• strict 下报告的 actions 仍描述 default 会做的操作，以 decisions 的状态为准。

7. raw 预设

raw@2026-10 不清洗：不排序、不去重、不补点、不推断时区，只做结构校验，数据原样交给模型。要求 freq 必填且为固定步长，ds 严格为 YYYY-MM-DDTHH:MM[:SS[.ffffff]] 加 Z 或 ±HH:MM，每个实体严格递增且步长恰好等于 freq，每个 y 都是有限数值。不满足时返回 RAW_INPUT_INVALID。响应没有 cleaning_report，也不能使用 accept / decline 或任何清洗参数。完整说明见 raw 预设。

8. 读取结果：effective_policy、决定与采纳 / 拒绝

• effective_policy.id 是本次实际使用的策略；cleaning_report.policy 是清洗服务解析后的完整参数（补值上限 gap_fill_max_steps: 3、异常值阈值 outlier_threshold: 3.5、重复处理 duplicate_policy: "last" 等），以及你传入的 accept / decline。
• cleaning_report.decisions[] 列出每一处改动数据的决定和未执行的提议。id 格式为 规则:unique_id，value.sentinel 额外带数值选择器，例如 value.sentinel:meter-001:-9999。
• status：applied 已执行；proposed 只提议、数据未改动；declined 被你拒绝。
• accept 让提议执行：value.sentinel、value.dash_token（按 0 处理）、gap.split，以及 strict 下被降级的任何决定。
• decline 撤销 reversible: true 的决定：value.sentinel、gap.split、grid.business_days、constraint.structural_zero、constraint.nonnegative、constraint.bounds。撤回 gap.masked_tail 不会删除末尾空值，而是以 trailing_gap_too_long 拒绝请求。
• 同一个 id 不要同时放进两个列表。列出的 id 在本次数据中不存在时，报告附带 decision_not_applicable 警告，请求照常处理。
• issues[] 是发现的问题（带位置），warnings[] 是不阻断请求的提醒，blocking[] 是拒绝原因。请求被拒时，错误码由第一条阻断原因决定。

请求示例与各规则的前后对比见清洗策略与清洗报告。

9. 术语表

决定规则

strict 预设下被降级的决定都可以采纳。

问题代码 issues[].code

警告 warnings[].code

阻断原因 blocking[].code

动作 actions[].code

补值原因 gaps[].reason

季节性结论 seasonality.reason

缺口层级 gaps[].tier