【timesfm】一个能处理超长时序、支持概率预测的谷歌开源时间序列大模型

TimesFM 是 Google Research 推出的时序基础模型，专为高精度、通用化的时间序列预测任务而设计，解决了传统模型在跨领域、多尺度、长周期预测中泛化能力弱、需大量人工特征工程的问题。

主要特性包括：
– 基于纯解码器（decoder-only）架构的预训练基础模型，支持零样本或少样本迁移；
– 当前最新版本 TimesFM 2.5 参数量为 2 亿（200M），相比前代更轻量、更高效；
– 上下文长度最高支持 16,000 步（远超此前的 2,048），适合长历史依赖场景；
– 可选配 3000 万参数的连续分位数头（continuous quantile head），支持最多 1,000 步的分位数预测；
– 移除了显式的 frequency 输入要求，简化使用流程；
– 新增对协变量（covariates）的支持（通过 XReg 模块），适用于带外部变量的预测任务；
– 提供 PyTorch 和 Flax（JAX）双后端支持，兼顾易用性与高性能推理潜力。

安装与快速上手：
按官方步骤克隆仓库并安装依赖（推荐使用 uv）：

git clone https://github.com/google-research/timesfm.git  
cd timesfm  
uv venv && source .venv/bin/activate  
uv pip install -e .[torch]  # 或 .[flax] / .[xreg]

简单预测示例如下（PyTorch 版）：

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")

point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ]
)
# 输出形状：point_forecast → (2, 12)；quantile_forecast → (2, 12, 10)

该项目特别适合以下场景：
– 需要跨多个业务线（如零售销量、服务器指标、能源负荷）统一建模的平台型团队；
– 数据频率多样、历史跨度长、且缺乏明确周期标注的工业或科研时序任务；
– 要求不仅输出点预测，还需可信区间（如 10%–90% 分位数）的风险敏感型应用（如金融风控、供应链备货）；
– 具备 GPU/TPU 算力资源，希望尝试前沿基础模型但不愿从零训练的算法工程师或数据科学家。

总结：TimesFM 是目前少有的真正面向“通用时序理解”的开源基础模型，它将大规模预训练范式成功迁移到时间序列领域，在上下文长度、量化预测、协变量支持等关键维度持续迭代。虽然当前文档和示例仍处于完善阶段，部分高级功能（如 Flax 加速版、完整 API 文档）尚在建设中，但其设计理念与实测潜力已展现出显著的工程价值——建议关注其 Hugging Face 官方模型库与 BigQuery 集成进展，也建议访问其主页获取更详细信息。