项目分享|TimesFM：谷歌开源的时间序列基础模型-洪萨配资

引言

时间序列预测在金融、气象、供应链等众多领域都扮演着关键角色，而构建高效、通用的预测模型一直是行业难题。由谷歌研究院（Google Research）开发的TimesFM（Time Series Foundation Model），作为一款预训练的时间序列基础模型，为这一领域带来了新的解决方案。本文将详细介绍这一开源项目的核心信息、创新优势及技术实现，助力开发者快速了解并应用该模型。

TimesFM项目概述

TimesFM是谷歌研究院推出的解码器架构时间序列基础模型，其相关研究成果已发表于2024年ICML会议（论文：《A decoder-only foundation model for time-series forecasting》）。该项目不仅拥有官方Hugging Face模型集合，还被集成到谷歌BigQuery产品中，同时谷歌研究院博客也对其技术细节进行了深度解读（注：本文介绍的开源版本非谷歌官方支持产品）。

目前，TimesFM的最新版本为2.5，而1.0和2.0版本已归档至项目的v1子目录，可通过安装timesfm==1.3.0版本加载使用。2025年9月，TimesFM 2.5正式发布，带来了多项重要更新；同年10月，该版本恢复了通过XReg实现的协变量支持，进一步提升了实用性。

核心创新与优势

相比2.0版本，TimesFM 2.5在性能与功能上实现了显著突破，其核心创新与优势主要体现在以下方面：

参数优化与效率提升：模型参数从500M缩减至200M，在保持预测能力的同时降低了计算成本，更易于部署和应用。
更长上下文支持：上下文长度从2048扩展至16k，能够处理更长的时间序列数据，捕捉更久远的历史依赖关系。
分位数预测能力：通过可选的30M分位数头，支持最长1k horizon的连续分位数预测，为不确定性估计提供了更丰富的信息。
简化使用流程：移除了对frequency指标的依赖，减少了用户配置负担，同时新增多个预测标志，提升了模型的灵活性。
生态与API升级：同步升级推理API，计划支持Flax版本（实现更快推理），并恢复协变量支持，完善文档与示例，降低使用门槛。

技术实现与部署指南

环境搭建与安装

TimesFM支持PyTorch和Flax两种后端，安装步骤如下：

gitclone https://github.com/google-research/timesfm.gitcdtimesfm

使用uv创建虚拟环境并安装依赖（根据需求选择后端）：

# 创建虚拟环境uv venv# 激活环境source.venv/bin/activate# 安装PyTorch版本uv pipinstall-e .[torch]# 或安装Flax版本uv pipinstall-e .[flax]# 如需协变量支持，安装xreg版本uv pipinstall-e .[xreg]

（可选）根据硬件环境安装对应后端（PyTorch或Jax），以适配CPU、GPU、TPU或Apple Silicon等加速设备。

核心代码示例

使用TimesFM 2.5进行预测的核心流程如下：

importtorchimportnumpyasnpimporttimesfm# 设置精度torch.set_float32_matmul_precision("high")# 加载预训练模型model=timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")# 配置预测参数model.compile(timesfm.ForecastConfig(max_context=1024,# 最大上下文长度max_horizon=256,# 最大预测长度normalize_inputs=True,# 标准化输入use_continuous_quantile_head=True,# 使用分位数头force_flip_invariance=True,infer_is_positive=True,fix_quantile_crossing=True,))# 执行预测（输入为两个示例时间序列）point_forecast,quantile_forecast=model.forecast(horizon=12,# 预测长度inputs=[np.linspace(0,1,100),np.sin(np.linspace(0,20,67)),])# 输出形状：点预测(2,12)，分位数预测(2,12,10)（包含均值及10th至90th分位数）