🔥 【今日推荐 TimesFM】：Google 开源的时间序列预测基础模型，零样本直接用！

TimesFM 封面

Google Research 打造的时间序列"大模型"，在 1000 亿真实世界时间点上预训练，无需重新训练即可应用于股票预测、销量预测、能源负荷预测等场景，ICML 2024 论文，GitHub 已获 15,000+ Stars。

🚀 什么是 TimesFM？

时间序列预测是数据分析中最核心的任务之一——从销量预测到股价走势，从能源消耗到流量监控，几乎所有行业都离不开它。然而传统方法（ARIMA、LSTM、Prophet）有一个共同的痛点：必须针对每个业务场景重新收集数据、训练模型，周期长、门槛高。

TimesFM（Time Series Foundation Model）是 Google Research 于 2024 年推出的时间序列基础模型，发表于 ICML 2024 顶会。它的核心思路和 GPT 一样：先用海量数据预训练一个通用模型，然后"零样本"直接用于新任务，不需要针对特定领域重新训练。

核心突破：TimesFM 是全球首批在真实基准上达到 SOTA 的时间序列基础模型之一，在多项公开测试集上，零样本效果甚至超过了专门为该数据集训练的有监督模型！

最新版本 TimesFM 2.5（2025 年 9 月发布）将参数量压缩到 200M，上下文长度提升到 16K，并支持连续分位数预测——既轻量又强大，还进入了 Google BigQuery 官方产品，用云服务直接调用。

项目信息：

GitHub：https://github.com/google-research/timesfm
HuggingFace：https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6
论文：A decoder-only foundation model for time-series forecasting（ICML 2024）
开源协议：Apache License 2.0
当前版本：TimesFM 2.5（200M 参数，16K 上下文）

✨ 核心功能一览

功能对比表

🏗️ 技术架构

技术架构图

TimesFM 采用 解码器-only（Decoder-only）Transformer 架构，和 GPT 系列是同一类设计，只是把"词"换成了"时间步分块"：

输入层：将时间序列切分成固定大小的"块"（Patch），注入位置编码，并对缺失段进行掩码填充
解码器 Transformer：堆叠多层自注意力 + 前馈层，学习时间序列的内在规律（趋势、季节性、周期性）
输出层：同时输出点预测（均值）和分位数预测（P10~P90），可选接入 XReg 协变量模块

🛠️ 快速上手：5 分钟跑通预测

安装

# 方式一：直接 pip 安装（推荐，最快）
pip install timesfm

# 方式二：源码安装（支持最新功能）
git clone https://github.com/google-research/timesfm.git
cd timesfm

# 安装 PyTorch 版
uv pip install -e ".[torch]"

# 或安装 JAX/Flax 版（TPU 用户推荐）
uv pip install -e ".[flax]"

# 需要协变量支持时
uv pip install -e ".[xreg]"

注意：TimesFM 2.5 需要 Python 3.10+，PyTorch 版要求 PyTorch >= 2.0，JAX 版要求 JAX >= 0.4.25

最简代码示例（3 行核心代码）

import torch
import numpy as np
import timesfm

# 1. 设置精度（可选，提升推理速度）
torch.set_float32_matmul_precision("high")

# 2. 加载预训练模型（自动从 HuggingFace 下载）
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)

# 3. 配置预测参数
model.compile(
    timesfm.ForecastConfig(
        max_context=1024,          # 输入上下文长度
        max_horizon=256,           # 最大预测步数
        normalize_inputs=True,     # 自动归一化输入
        use_continuous_quantile_head=True,  # 启用分位数预测
        force_flip_invariance=True,
        infer_is_positive=True,    # 推断序列是否为正值（如销量）
        fix_quantile_crossing=True # 修正分位数交叉问题
    )
)

# 4. 执行预测（支持批量输入）
point_forecast, quantile_forecast = model.forecast(
    horizon=12,   # 预测未来 12 步
    inputs=[
        np.linspace(0, 1, 100),              # 输入序列 1
        np.sin(np.linspace(0, 20, 67)),      # 输入序列 2（不同长度）
    ],
)

print("点预测结果形状:", point_forecast.shape)      # (2, 12)
print("分位数预测形状:", quantile_forecast.shape)   # (2, 12, 10) → P10~P90

带协变量的高级用法

import pandas as pd
import timesfm
from timesfm.xreg_lib import TimesFMWithXReg

# 1. 准备时序数据和协变量（如日期特征）
df = pd.read_csv('sales_data.csv')  # 包含 date, sales, promo, holiday 列
ts = df['sales'].values
covariates = df[['promo', 'holiday']].values  # 外部特征

# 2. 使用 XReg 版本（带协变量）
model_xreg = TimesFMWithXReg.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)

# 3. 执行带协变量的预测
forecasts = model_xreg.forecast_with_covariates(
    inputs=[ts],
    dynamic_numerical_covariates={"promo": [covariates[:, 0]]},
    dynamic_boolean_covariates={"holiday": [covariates[:, 1]]},
    horizon=30
)

print("带协变量的预测结果:", forecasts[0].shape)  # (1, 30)

XReg（协变量支持）是 TimesFM 2.5 于 2025 年 10 月新增的重量级功能，适合需要将促销活动、节假日等外部因素纳入预测的场景。

💡 适用场景

场景一：零售 & 电商销量预测

功能架构图

功能说明：基于历史销售数据，结合节假日、促销活动等协变量，预测未来 7/30/90 天的商品销量。TimesFM 的零样本能力意味着新品上市时即使没有历史数据也可直接预测。

输入要求：

历史销量时间序列（建议至少 100 个时间步）
可选：促销标记、节假日标记等布尔/数值协变量

输出效果：

点预测（均值）
P10~P90 十档分位数区间，直观展示预测不确定性

适用场景：

✅ 新品上市销量预估（无历史数据也可用）
✅ 大促备货量规划（结合促销活动协变量）
✅ 多 SKU 批量预测（批量输入效率高）

场景二：金融 & 风险管理

功能说明：金融时序数据具有强噪声、非平稳等特点，传统模型泛化性差。TimesFM 的分位数预测头可以输出置信区间，量化预测风险，辅助风控决策。

输入要求：

股价/汇率/利率历史数据（日频/小时频）
可选：宏观经济指标等外部协变量

输出效果：

多步超前预测 + 区间估计
10 个分位数档位（P10/P20/.../P90）定量刻画不确定性

适用场景：

✅ 量化交易信号生成（结合分位数区间设置止损）
✅ 外汇/商品价格风险暴露估算
✅ 违约概率预测的时序特征提取

场景三：能源 & 工业物联网

功能说明：电力负荷、太阳能发电量、工厂设备运行数据等具有明显的周期性规律，非常适合 TimesFM 的 Patch Transformer 捕捉。配合 BigQuery ML 集成，可直接在云端无代码调用。

输入要求：

电力/能源/设备传感器历史数据（分钟/小时频）
上下文长度最长 16K，支持超长历史记录

输出效果：

高精度的短中长期预测
支持多序列批量并行预测，适合大规模传感器网络

适用场景：

✅ 电网负荷预测与调度优化
✅ 设备预测性维护（异常模式提前检测）
✅ 光伏/风能发电量日前预测

用户群体总结

✅ 数据科学家：快速建立预测基线，替代繁琐的特征工程
✅ 算法工程师：零样本直接用，迁移到新业务场景无需重训
✅ 业务分析师：结合 BigQuery 集成，无需部署即可云端预测
✅ AI 研究者：研究时序基础模型、迁移学习、不确定性估计的理想基准
❌ 不适合：需要极低延迟实时预测（推理有一定延迟）、或纯粹追求轻量边缘部署的场景

📊 与竞品对比

竞品对比表

对比说明：

TimesFM vs Chronos：TimesFM 2.5 参数更轻量（200M vs 710M），上下文更长（16K vs 512），且已原生支持协变量；Chronos 基于 T5 架构，在某些短序列基准上更有优势
TimesFM vs Moirai：Moirai 支持多变量预测，适合多传感器联合建模；TimesFM 主打单变量零样本，简单易用
TimesFM vs Prophet：Prophet 是经典统计工具，可解释性强但需要人工调参，无法处理复杂模式；TimesFM 零样本直接用，精度更高
TimesFM vs 传统深度学习：LSTM/Informer 需要大量领域数据训练，TimesFM 直接跳过这一步

💰 定价方案

部署方式	费用	说明
本地部署（开源）	免费	Clone 仓库，pip install 即可用
HuggingFace 在线 API	免费（有限额）	调用 HuggingFace Inference API
Google BigQuery ML	按量付费	官方企业级产品，开箱即用
Google Cloud Vertex AI	按量付费	生产级 MLOps 平台

开源完全免费！Apache 2.0 协议，可商用。本地部署只需 GPU 内存 4GB+ 即可运行 200M 版本。

开源协议：Apache License 2.0

🎯 总结

TimesFM 代表了时间序列分析进入"基础模型时代"的里程碑。如果你过去在时序预测上耗费大量精力于数据收集、特征工程和模型调参，TimesFM 给你一个全新的选择：直接用预训练好的大模型，零样本启动，轻量部署。

TimesFM 2.5 在参数效率、上下文长度、分位数预测三个维度都完成了重大升级，同时进入 BigQuery 成为 Google 官方产品，可信度有保障。无论是工业 AI 落地还是数据科学研究，都是 2026 年值得重点关注的开源工具之一。

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群： 数据科学家、AI 工程师、业务分析师、时序预测研究者

立即体验：

📦 GitHub 仓库：https://github.com/google-research/timesfm
🤗 HuggingFace 模型：https://huggingface.co/google/timesfm-2.5-200m-pytorch
📄 ICML 2024 论文：https://arxiv.org/abs/2310.10688
☁️ Google BigQuery 集成：https://cloud.google.com/bigquery/docs/timesfm-model

本文由 AI 辅助生成，数据截至 2026 年 4 月 8 日，最新信息请以 GitHub 仓库和官网为准。

配套媒体

🔥 【今日推荐 TimesFM】：Google 开源的时间序列预测基础模型，零样本直接用！

🚀 什么是 TimesFM？

✨ 核心功能一览

🏗️ 技术架构

🛠️ 快速上手：5 分钟跑通预测

安装

最简代码示例（3 行核心代码）

带协变量的高级用法

💡 适用场景

场景一：零售 & 电商销量预测

场景二：金融 & 风险管理

场景三：能源 & 工业物联网

用户群体总结

📊 与竞品对比

💰 定价方案

🎯 总结