TimesFM预训练时间序列预测基础模型，无需标注数据实现高精度预测

TimesFM：基于预训练的时间序列预测基础模型

你是否曾经为复杂多变的时间序列预测问题而头疼？无论是金融市场的波动、销售数据的季节性变化，还是物联网设备的监控指标，传统方法往往需要大量领域知识和手动特征工程。TimesFM（Time Series Foundation Model）的出现，旨在彻底解决这个问题。它是一个由 Google Research 开发的预训练时间序列基础模型，基于解码器架构，能够帮助开发者和数据科学家高效、精准地进行时间序列预测。

截至收录：
TimesFM stars数：6064
TimesFM forks数：539

TimesFM项目目录截图

TimesFM核心亮点

🌟 预训练强大性能：基于大规模时间序列数据预训练，无需大量标注数据即可实现高精度预测，显著降低领域适配成本。
🎯 灵活可扩展：支持多种上下文长度（最高16k）和预测范围（最高1k），并可选配连续分位数预测头，满足不同业务需求。
🔒 高效推理优化：模型参数量从500M精简至200M，同时保持优异性能，推理速度更快，资源占用更少。
🧩 开源生态友好：提供 PyTorch 和即将推出的 Flax 版本，支持 BigQuery 等官方产品集成，方便开发者快速部署。

TimesFM快速开始

只需几步，你就能在本地运行起 TimesFM：

1. 安装：

   # 克隆项目并安装
   $ git clone https://github.com/google-research/timesfm.git
   $ cd timesfm
   $ pip install -e .

2. 运行你的第一个预测：

   import numpy as np
   import timesfm
   model = timesfm.TimesFM_2p5_200M_torch()
   model.load_checkpoint()
   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)),
       ],  # Two dummy inputs
   )
   point_forecast.shape  # (2, 12)
   quantile_forecast.shape  # (2, 12, 10): mean, then 10th to 90th quantiles.

3. 查看示例：
   更多详细用法和示例可参考项目文档和 BigQuery 集成指南。

TimesFM应用场景

场景一：金融预测：可用于股票价格、汇率波动等金融时间序列的短期和长期预测，支持分位数预测以评估风险。
场景二：销售与需求规划：零售商可利用其预测季节性销售趋势，优化库存管理和供应链决策。
场景三：物联网监控：适用于设备传感器数据的异常检测和趋势预测，提升运维效率。
用户案例：目前，TimesFM 已集成至 Google BigQuery，并被多家企业和研究机构用于时间序列分析任务。

TimesFM链接

google-research / timesfm项目地址：https://github.com/google-research/timesfm

本文地址：https://www.tgoos.com/10828