TimesFM 时间序列预测基础模型快速上手与完整评测对比指南【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm给上千家门店逐个调 ARIMA 不现实数据频率一变又要重训——这正是TimesFM要解决的问题。它是谷歌研究团队开源的时间序列预测基础模型不用为每个数据集训练加载即可零样本出预测。其 200M 参数版本长程滚动预测平均只要 0.6 秒官方扩展基准显示它比 Chronos (Large) 快 80 倍、比统计集成快 600 倍以上。 一句话定位TimesFM 是一个预训练的零样本时间序列基础模型用来替代统计模型 逐数据集机器学习训练的组合输入历史序列直接输出点预测和分位数区间省掉特征工程和按数据集调参这两步。它不要求声明数据频率还支持 XReg 协变量接入与 LoRA 参数高效微调。 核心数据速览指标数值出处参数量2.5 版200M较 2.0 版的 500M 减少 60%仓库 README最大上下文16k 个点2.0 版为 2048仓库 README概率预测可选 30M 分位数头最远 1k 步仓库 README长程滚动预测平均耗时0.606sChronos-Large 为 1079.6s官方 ETT 长程基准扩展基准速度快于 Chronos (Large) 80 倍以上、StatisticalEnsemble 600 倍以上官方扩展基准结论先行单卡即可跑权重约 800 MB与统计集成方案在推理耗时上的差距是量级级的——这是值得评测它的第一理由。 原理速览它像一个看过几万条负荷曲线、又跑过无数汇款的老练分析员新数据一到看一眼历史走势就能给出后续几小时或几周的判断不需要为每家新厂重新做实验。技术上就是一个在海量多领域时间序列上预训练的解码器 Transformer输入原始序列模型内部自行归一化输出未来若干步的点预测加置信区间。2.5 版还取消了frequency参数分钟级和年度数据用同一套代码。 TimesFM 快速上手从 PyPI 安装只需一行torch 后端pip install timesfm[torch]最小调用示例两条序列批量预测import timesfm model timesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch) model.compile(timesfm.ForecastConfig(max_context1024, max_horizon256, normalize_inputsTrue)) point, quantile model.forecast(horizon12, inputs[series_a, series_b]) # point: (2, 12) 点预测quantile: (2, 12, 10) 均值 10%~90% 分位数权重约 800 MB首次运行从 Hugging Face 下载后本地缓存之后离线可用。⚖️ TimesFM 与传统模型及同类基线对比只比差异最大的三点官方基准数据基于 1.0 检查点推理耗时ETT 长程滚动验证中TimesFM 平均每次 0.606 秒Chronos-Large 1079.6 秒、Chronos-Mini 252.6 秒官方口径为快 1000 倍以上扩展基准中亦快于 Chronos (Large) 80 倍、StatisticalEnsemble 600 倍以上。预测误差同一长程基准上TimesFM 平均 WAPE 0.386优于 Chronos-Large 的 0.401 和 Mini 的 0.414SMAPE 0.636 对 0.653 / 0.688。部署成本统计集成要逐数据集调参维护TimesFM 零样本直接跑2.5 版去掉频率参数后同一模型可复用于不同粒度数据。 落地场景零售销售预测XReg 支持已知未来协变量价格、节假日官方示例把促销、节假日对三家门店周销量的影响做了逐项分解。异常检测把分位数区间当作预期带官方两阶段方法用区间外点标记异常无需另训检测器。气候与温度序列官方示例用 36 个月温度距平直接外推未来 12 个月并给出 60%/80% 置信带。能源与汇率官方扩展基准覆盖电力需求、汇率等数据集可作为你自己数据迁移前的参考基线。⚠️ TimesFM 使用注意资源门槛4–8 GB 内存的 CPU 即可跑单序列每 100 点约 2–5 秒但 CPU 比 GPU 慢 5–20 倍4–8 GB 显存的 GPU 上约 0.5–1 秒/100 点生产级建议 16 GB 显存。分位数未校准官方 README 明确 10 个分位数在预训练后未做校准关键决策场景建议先在留出集上重新校准。别自己归一化模型内部做实例归一化RevIN外部再做缩放反而会引入偏差这一点在微调文档中被单独强调。上下文长度官方推荐的 512/1024 是内存与速度的平衡点而非硬上限拉满 16k 需要充足内存小硬件请先降档。归属提示开源版并非谷歌官方支持的产品v1.0/2.0 旧版代码归档在 v1/ 目录生产建议直接用 2.5。收尾建议三步走最稳妥先拿一条自有历史序列跑 12 步零样本预测记录分位数区间宽度作为基线区间偏宽或需要协变量时用 LoRA 微调示例 训练适配器r4 仅增加约 0.6% 可训练参数正式上线前按系统需求文档的硬件档位设置上下文与批大小并在留出集上完成校准验证。【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
TimesFM 时间序列预测基础模型快速上手与完整评测对比指南
TimesFM 时间序列预测基础模型快速上手与完整评测对比指南【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm给上千家门店逐个调 ARIMA 不现实数据频率一变又要重训——这正是TimesFM要解决的问题。它是谷歌研究团队开源的时间序列预测基础模型不用为每个数据集训练加载即可零样本出预测。其 200M 参数版本长程滚动预测平均只要 0.6 秒官方扩展基准显示它比 Chronos (Large) 快 80 倍、比统计集成快 600 倍以上。 一句话定位TimesFM 是一个预训练的零样本时间序列基础模型用来替代统计模型 逐数据集机器学习训练的组合输入历史序列直接输出点预测和分位数区间省掉特征工程和按数据集调参这两步。它不要求声明数据频率还支持 XReg 协变量接入与 LoRA 参数高效微调。 核心数据速览指标数值出处参数量2.5 版200M较 2.0 版的 500M 减少 60%仓库 README最大上下文16k 个点2.0 版为 2048仓库 README概率预测可选 30M 分位数头最远 1k 步仓库 README长程滚动预测平均耗时0.606sChronos-Large 为 1079.6s官方 ETT 长程基准扩展基准速度快于 Chronos (Large) 80 倍以上、StatisticalEnsemble 600 倍以上官方扩展基准结论先行单卡即可跑权重约 800 MB与统计集成方案在推理耗时上的差距是量级级的——这是值得评测它的第一理由。 原理速览它像一个看过几万条负荷曲线、又跑过无数汇款的老练分析员新数据一到看一眼历史走势就能给出后续几小时或几周的判断不需要为每家新厂重新做实验。技术上就是一个在海量多领域时间序列上预训练的解码器 Transformer输入原始序列模型内部自行归一化输出未来若干步的点预测加置信区间。2.5 版还取消了frequency参数分钟级和年度数据用同一套代码。 TimesFM 快速上手从 PyPI 安装只需一行torch 后端pip install timesfm[torch]最小调用示例两条序列批量预测import timesfm model timesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch) model.compile(timesfm.ForecastConfig(max_context1024, max_horizon256, normalize_inputsTrue)) point, quantile model.forecast(horizon12, inputs[series_a, series_b]) # point: (2, 12) 点预测quantile: (2, 12, 10) 均值 10%~90% 分位数权重约 800 MB首次运行从 Hugging Face 下载后本地缓存之后离线可用。⚖️ TimesFM 与传统模型及同类基线对比只比差异最大的三点官方基准数据基于 1.0 检查点推理耗时ETT 长程滚动验证中TimesFM 平均每次 0.606 秒Chronos-Large 1079.6 秒、Chronos-Mini 252.6 秒官方口径为快 1000 倍以上扩展基准中亦快于 Chronos (Large) 80 倍、StatisticalEnsemble 600 倍以上。预测误差同一长程基准上TimesFM 平均 WAPE 0.386优于 Chronos-Large 的 0.401 和 Mini 的 0.414SMAPE 0.636 对 0.653 / 0.688。部署成本统计集成要逐数据集调参维护TimesFM 零样本直接跑2.5 版去掉频率参数后同一模型可复用于不同粒度数据。 落地场景零售销售预测XReg 支持已知未来协变量价格、节假日官方示例把促销、节假日对三家门店周销量的影响做了逐项分解。异常检测把分位数区间当作预期带官方两阶段方法用区间外点标记异常无需另训检测器。气候与温度序列官方示例用 36 个月温度距平直接外推未来 12 个月并给出 60%/80% 置信带。能源与汇率官方扩展基准覆盖电力需求、汇率等数据集可作为你自己数据迁移前的参考基线。⚠️ TimesFM 使用注意资源门槛4–8 GB 内存的 CPU 即可跑单序列每 100 点约 2–5 秒但 CPU 比 GPU 慢 5–20 倍4–8 GB 显存的 GPU 上约 0.5–1 秒/100 点生产级建议 16 GB 显存。分位数未校准官方 README 明确 10 个分位数在预训练后未做校准关键决策场景建议先在留出集上重新校准。别自己归一化模型内部做实例归一化RevIN外部再做缩放反而会引入偏差这一点在微调文档中被单独强调。上下文长度官方推荐的 512/1024 是内存与速度的平衡点而非硬上限拉满 16k 需要充足内存小硬件请先降档。归属提示开源版并非谷歌官方支持的产品v1.0/2.0 旧版代码归档在 v1/ 目录生产建议直接用 2.5。收尾建议三步走最稳妥先拿一条自有历史序列跑 12 步零样本预测记录分位数区间宽度作为基线区间偏宽或需要协变量时用 LoRA 微调示例 训练适配器r4 仅增加约 0.6% 可训练参数正式上线前按系统需求文档的硬件档位设置上下文与批大小并在留出集上完成校准验证。【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
