换个数据集还要重训一周试试 TimesFM 零样本预测【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预测模型刚调好业务方又丢来一个新市场的 CSVARIMA 参数得从头扫一遍长序列上 LightGBM 跑一轮咖啡早就凉了。换个数据集就要重训一轮这是很多预测团队的日常。TimesFM 零样本预测 想省掉的就是这一步加载预训练权重直接给出点预测和置信区间不用为每个数据集单独训练。换个数据集就要重训旧方案卡在哪常见卡点就三个ARIMA/ETS 要按序列调参平稳性假设在带明显趋势的数据上经常不成立树模型LightGBM 这类依赖标签每个数据集都要重训还得先做 lag、滚动窗口这些特征工程几百条序列批量出预测等于把上面两步循环几百遍长预测步数一次重训就是几小时起步。针对这个痛点TimesFM 的思路是把时间序列当成语言来处理在海量序列语料上一次性学出通用模式加载预训练权重后新序列直接预测不需要逐数据集重训。把重训换成加载TimesFM 零样本预测怎么做到TimesFM 是 decoder-only 架构类似语言模型把序列从左往右读完接着往后一步一步预测没有为目标序列单设编码器。简单理解就是读完历史接着说下去而且输出不是单个点值而是概率分布。几个关键数字各带一句解释200M 参数比上一代 500M 缩小了 60%换来的是权重从约 2GB 降到约 800MB2GB 显存的 GPU 就能跑16k 上下文上一代是 2048这意味着 11 天的分钟级数据可以一次喂进去长历史不用再切段额外挂一个30M 的分位数头支持最长 1000 步的概率预测意味着长步数下置信区间也更稳不只是给点预测。5 分钟跑通 TimesFM 零样本预测安装就一行权重约 800MB首次使用时从 HuggingFace 自动下载并缓存pip install timesfm[torch] # PyTorch 后端核心调用两步加载权重、按配置编译然后预测import timesfm, numpy as np model timesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch) # 加载预训练权重 model.compile(timesfm.ForecastConfig(max_context1024, max_horizon256, normalize_inputsTrue)) # 预测前必须 compile point, quantile model.forecast(horizon24, inputs[values]) # values 是一维数组必须包成 list 传入 # point 形状 (1,24) 是中位数预测quantile 形状 (1,24,10)第 0 位是均值1~9 位是 10%~90% 分位数这里有个坑max_context默认 0表示用满模型 16k 上限实际建议设成你最长历史窗口的长度或 512~2048 之间换取速度。完整参数见 API 参考文档。什么场景适合什么场景先别上适合暂时不适合 / 要注意几百上千条单变量序列批量预测零样本直接出结果要解释系数、因果关系的计量分析还是用 statsmodels需要点预测 分位数区间一起交付多变量向量自回归、Granger 因果检验长历史2048 点以上能吃到 16k 上下文红利序列可能取负值时记得把 infer_is_positive 设为 False快速 PoC半天拿到一条可用基线协变量场景需额外安装 timesfm[xreg]会拉 scikit-learn 和 JAX两个边界说清楚目前没有内置异常检测接口只能拿 80% 置信区间当判据仓库里 anomaly-detection 示例 就是这么做的另外 1.0/2.0 的 500M 旧模型已归档月度低频数据的 freq 标记也只有旧版支持新项目建议直接上 2.5。近期值得关注的三个迭代LoRA 微调示例已落地Transformers PEFT 即可对自己的数据微调出适配器见 finetune_lora.pyXReg 协变量支持回到 2.5价格、促销等外生变量可以传入forecast_with_covariates()见 协变量示例PyPI 包更新至 timesfm 2.0.2pip install timesfm[torch]可直接装。如果你团队还在逐条序列跑 ARIMA建议先挑 100 条真实序列把 horizon 设成业务常用预测步长跑一遍forecast接口用 MAE 和 80% 区间覆盖率跟现有基线对一对够不够用心里就有数了。上生产前记得先跑 check_system.py 确认内存够装模型仓库文档里的分位数索引第 0 位是均值不是 q0这类坑接入前值得先扫一眼。【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