TimesFM 时间序列预测完整教程3 分钟跑通零样本预测附基准实测【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/timesfmTimesFMTime Series Foundation Model是 Google Research 预训练的时间序列预测基础模型给它一段历史数据直接输出未来预测无需任何训练。它适合两类人——想快速出预测结果的数据分析师以及想把预测能力集成进自己管线的开发者。本教程带你从安装、第一次完整调用到进阶玩法一次走完3 分钟内完成第一次零样本预测。项目速览先给结论新项目一律用 TimesFM 2.5旧版代码已归档。版本参数量上下文长度适用场景TimesFM 2.5200M可选 30M 分位数头最高 16k当前默认连续分位数预测、长序列TimesFM 2.0500M2048已归档需pip install timesfm1.3.0TimesFM 1.0200M512已归档代码在v1/目录仓库怎么组织timesfm/ ├── src/timesfm/ # 核心包torch/、flax/ 双后端 configs.py timesfm_2p5/ ├── v1/ # 1.0/2.0 归档代码notebooks、基准实验、故障排查 ├── timesfm-forecasting/# 文档与可运行示例协变量、异常检测、LoRA 微调 └── tests/ # 核心层、配置与工具的单元测试新手重点看两处src/timesfm/timesfm_2p5/当前版本的模型实现以及 timesfm-forecasting/examples/协变量、微调、异常检测等现成场景跑通即可复现。三分钟跑起来推荐路径uv 本地安装依赖干净、速度快git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch]备选路径直接用 PyPI 包不想读源码时pip install timesfm[torch]后端怎么选看需求[torch]通用首选[flax]走 JAX 推理更快[xreg]只在需要协变量支持时加装依赖 JAX scikit-learn。装完按需到官方渠道配置你的 CPU/GPU 版 PyTorch 或 JAX 即可。第一次完整调用这段代码加载 TimesFM 2.5 预训练权重配置好预测参数后对 2 条假数据做 12 步预测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, force_flip_invarianceTrue, infer_is_positiveTrue, fix_quantile_crossingTrue, )) point, quantile model.forecast( horizon12, inputs[np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))], ) print(point.shape, quantile.shape)输出(2, 12) (2, 12, 10)点预测是 2 条序列各 12 步分位数预测含均值加 10%~90% 共 10 个分位点fix_quantile_crossingTrue保证分位数不互相交叉。进阶玩法 两条路把零样本模型用到更深协变量预测XReg 支持静态协变量如商品类别和动态协变量如气温、促销。完整流程见 v1/notebooks/covariates.ipynb下面是带协变量的零售销量预测示例LoRA 微调只训练约 0.6% 的参数r4 时约 1.4M/232M几轮就能把模型适配到新领域脚本在 timesfm-forecasting/examples/finetuning/。注意模型内部自带 RevIN 归一化喂原始值即可不要外部再归一化。Agent 场景timesfm-forecasting/SKILL.md 提供面向 AI Agent 的调用技能定义适合接入自动化流程。实测数据结论先行扩展基准上 TimesFM 的 MASE、SMAPE 全面领先且速度碾压——比统计集成 Ensemble 快 600 倍以上比 Chronos-Large 快 80 倍以上。长周期基准ETT 数据集horizon 取 96/192/336上下文固定 512结论一致WAPE 和 SMAPE 均为最优且比 Chronos-Large 快 1000 倍以上。踩坑 FAQ问Apple Silicon 上安装报错Could not build wheels for lingvo答旧依赖不支持 ARM 架构。改装timesfm[torch]或用 Rosetta 2 走 x86_64 模拟安装。问安装过程中被系统杀掉Killed signal 9答内存不足。确保至少 32GB RAM安装时关闭其他程序可加pip install --no-cache-dir减少占用。问GPU 报 CUDA out of memory答把per_core_batch_size降到 16/8/4同时调小context_len调试期直接切backendcpu。问输入序列有缺失值答模型不接受 NaN先做前向填充或插值保证序列连续再预测。问提示context_len超长答1.0 版上限 512 且必须是 32 的倍数长序列请用 2.5最高 16k。更多问题见 v1/TROUBLESHOOTING.md。下一步TimesFM 的价值在于把「建一条时间序列预测管线」压缩成一次零样本调用速度还快过所有对比基线。先跑通上面的最小示例再去 timesfm-forecasting/examples/finetuning/ 给你的业务数据做一次 LoRA 微调。【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