基于时序知识图谱的推理，是提升智能决策效率推理未来态势的技术基础。传统推理模型面临着模型参数规模大、计算硬件需求高等问题，难以满足低性能、低功耗分布式设备的实时推理决策要求。传统模型压缩方法忽略了时序特征。提出一种应用于时序知识图谱推理模型的蒸馏方法，构建基于大语言模型的蒸馏框架，融合海量公开知识和特定时序知识，辅助轻量模型训练。在公开数据集上展开的实验表明该方法优于国际同类方法。