TimesFM

TimesFM（Time Series Foundation Model，时间序列基础模型）是一个由 Google Research 开发的预训练时间序列基础模型，用于时间序列预测。 ([GitHub][1])

论文：A decoder-only foundation model for time-series forecasting（ICML 2024）
所有模型权重：TimesFM Hugging Face Collection
Google Research 博客
TimesFM in BigQuery：Google 官方产品

该开源版本不是 Google 官方支持的产品。

最新模型版本：TimesFM 2.5

历史版本：

1.0 和 2.0：相关代码存放在 v1 子目录中你可以通过 pip install timesfm==1.3.0 安装旧版本

更新（Update - 2025-10-29）

为 TimesFM 2.5 重新加入了通过 XReg 的协变量（covariate）支持。

更新（Update - 2025-09-15）

发布 TimesFM 2.5

相比 TimesFM 2.0，新版本：

使用 2 亿参数（从 5 亿下降）
支持 最长 16k 上下文长度（从 2048 提升）
支持通过可选的 3000 万参数 quantile head 进行最长 1k horizon 的连续分位数预测
移除了 frequency 指示器
引入了一些新的预测参数（forecasting flags）

同时，推理 API 也进行了升级。该仓库将在接下来几周持续更新以：

支持即将发布的 Flax 版本（更快推理）
重新加入协变量支持
补充更多文档字符串（docstrings）、文档和 notebook

安装（Install）

克隆仓库：

git clone https://github.com/google-research/timesfm.git
cd timesfm

创建虚拟环境并使用 uv 安装依赖：

# 创建虚拟环境
uv venv

# 激活环境
source .venv/bin/activate

# 安装（PyTorch）
uv pip install -e .[torch]

# 或（Flax）
uv pip install -e .[flax]

# 或（需要 XReg）
uv pip install -e .[xreg]

（可选）根据你的系统和硬件（CPU / GPU / TPU / Apple Silicon）安装对应后端：

安装 PyTorch
安装 JAX（用于 Flax）

代码示例（Code Example）

import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)

model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        max_horizon=256,
        normalize_inputs=True,
        use_continuous_quantile_head=True,
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)

point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ],  # 两个示例输入
)

point_forecast.shape      # (2, 12)
quantile_forecast.shape   # (2, 12, 10)：均值 + 10% 到 90% 分位数

额外说明（非 README 直译补充，帮助理解）

TimesFM 是一种 decoder-only Transformer 架构的时间序列基础模型 ([DeepWiki][2])
支持 zero-shot forecasting（零样本预测），无需针对特定数据集训练 ([DeepWiki][2])
重点解决：
- 长时间上下文预测
- 跨领域泛化
- 替代传统 ARIMA / LSTM 等模型

参考资料

TimesFM
参考资料

TimesFM（Time Series Foundation Model，时间序列基础模型）是一个由 Google Research 开发的预训练时间序列基础模型，用于时间序列预测。