TimesFM 零训练预测实战指南三步跑通五步验证效果【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/timesfmTimesFM-1.0 与 Chronos、TimeGPT-1、Statistical Ensemble 在多个公开数据集上的 MASE/MAE/耗时对比数据来自仓库 v1/experiments/extended_benchmarks/README.mdTimesFMTime Series Foundation Model是 Google Research 开发的预训练时间序列基础模型把一段历史数据直接喂进去它返回点预测和 10 档分位区间不需要训练、不需要为每个数据集调参。本文按能不能用 → 上手成本 → 实际效果 → 适用边界的顺序带你逐项验证它。每个数据集都要训练一遍模型这个痛你熟不熟悉如果你做过需求预测或电力负荷预测大概率经历过这个循环每接入一个新数据集就得选模型、调参数、跑验证然后维护它。数据源一多模型维护成本先于业务价值增长而很多小数据集根本撑不起单独建模。TimesFM 的思路是跳过逐数据集训练这一步用一个大模型做预训练对任意单变量时间序列做零样本预测。仓库里还专门放了一个预检脚本 timesfm-forecasting/scripts/check_system.py在模型加载前检查 RAM、GPU、磁盘和 Python 版本避免第一次运行就 OOM。三步跑通第一个预测装环境、写八行代码硬件门槛很低以下数字都来自 timesfm-forecasting/SKILL.md项目TimesFM 2.5说明参数规模200M比 2.0 的 500M 小了一半以上内存≥ 4 GB RAM低于 2 GB 会被预检脚本直接拦截显存≥ 2 GB VRAMCPU 也能跑只是更慢磁盘~800 MB权重首次使用时按需下载并缓存安装只有一条命令pip install timesfm[torch]需要 Python 3.10。最小示例只有 8 行import numpy as np 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, use_continuous_quantile_headTrue)) point, q model.forecast(horizon24, inputs[np.sin(np.linspace(0, 20, 200))]) # point: (1, 24) 中位数预测q: (1, 24, 10) 均值 10%~90% 分位两个输出形状值得记一下point是(序列数, 预测步长)的中位数预测q的第 0 列是均值、第 1~9 列是 10% 到 90% 的分位取首尾两列就是 80% 预测区间。5 分钟看懂效果基准数据与仓库示例输出仓库示例examples/global-temperature/的输出历史气温、12 步预测与预测区间带效果数据主要来自两处都在仓库里可以直接复现v1/experiments/extended_benchmarks/README.mdTimesFM-1.0 与 Chronoslarge/mini、TimeGPT-1、Statistical Ensemble 在多组数据集上的对比。官方结论是 MASE 与 SMAPE 两项指标均为最佳且推理速度比 Statistical Ensemble 快 600 倍以上、比 Chronos-large 快 80 倍。v1/experiments/long_horizon_benchmarks/README.md滚动验证的长序列预测对比TimesFM 在 336 步这类长步长场景下优势更明显。再往后看版本演进2.0 版相对 1.0 基准指标最多提升 25%上下文从 512 扩到 20482.5 版又把上下文扩到 16384并去掉 1.0/2.0 需要手工传入的frequency参数。也就是说更小的参数 更长的上下文 省掉一个配置项是这条演进线的主旋律。三个真实场景示例预测、异常检测、协变量仓库timesfm-forecasting/examples/下有三个开箱即跑的示例对应三类常见需求场景目录做法基础预测examples/global-temperature/CSV 输入 → 12 步预测 → PNG 图与 JSON异常检测examples/anomaly-detection/实际值落在 10%~90% 分位区间之外即判定为统计异常协变量预测examples/covariates-forecasting/用forecast_with_covariates()传入价格、促销、温度等外部变量协变量示例输出3 家门店 × 36 周的销售预测共 108 行结果价格数组按门店区分协变量能力需要额外装 XReg 依赖pip install timesfm[xreg]且动态协变量必须同时覆盖历史窗口和预测窗口这两点在示例代码里都有体现。先搞清楚它不擅长什么单变量、长度门槛与校准只做单变量预测时间序列分类、聚类、Granger 因果分析不在范围内SKILL.md 明确建议这类任务去用aeon、statsmodels等专用库。上下文最少 32 个点序列太短时模型不保证工作短序列建议先聚合粒度。分位数要看版本1.0/2.0 的分位数头在预训练后没有校准仓库 README 原文建议谨慎使用或在留出集上校准2.5 的连续分位头可选 30M 参数是例外。异常检测不是内置功能它是利用预测区间实现的仓库示例采用的是先降趋势再做 Z-score 的两阶段流程直接对带趋势的原始数据算 Z-score 会误报。想微调LoRA 微调参考 timesfm-forecasting/examples/finetuning/README.md多卡 DDP 微调见 v1/notebooks/finetuning_torch.ipynb。下一步先跑预检脚本再看全球气温示例按顺序做三件事即可python timesfm-forecasting/scripts/check_system.py—— 确认机器能不能跑照timesfm-forecasting/examples/global-temperature/的脚本完整走一遍 CSV 到可视化参数细节查 timesfm-forecasting/references/api_reference.md。跑通这三步后你再决定要不要把它接进自己的业务数据。【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