TimesFM 时间序列预测完整指南：从装环境到首次预测

TimesFM 时间序列预测完整指南从装环境到首次预测【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/timesfmTimesFM 是 Google Research 开源的时间序列预测基础模型给它一段历史数据它就能零样本输出未来趋势和分位数区间不需要你从零训练。如果你要做销量、气温、流量这类时序预测又不想搭复杂的训练流程这个 200M 参数的模型在本地几分钟就能跑起来。三个版本怎么选参数与上下文长度对比版本参数量上下文长度主要差异TimesFM 2.5当前默认200M16k支持连续分位数预测可选 30M 分位数头最长 1k 预测步长移除了 frequency 标记TimesFM 2.0500M2048旧版代码归档在 v1/ 目录TimesFM 1.0200M512旧版代码同样归档在 v1/ 目录2.5 比 2.0 参数少了 60%上下文长度却从 2048 拉到 16k日常预测直接用 2.5 就行只有在复现 1.0/2.0 的论文结果时才需要老版本可用pip install timesfm1.3.0安装旧包。 3 条命令装好环境准备跑第一次预测环境要求是 Python ≥ 3.10用 uv 管理虚拟环境最快git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch][torch]是 PyTorch 后端想用 JAX/Flax 推理就换成[flax]需要协变量XReg支持再装[xreg]。torch 或 jax 本体建议按你的硬件CPU/GPU/TPU/Apple Silicon单独安装对应版本装完就可以写预测代码了。 第一次预测要改哪些参数加载、配置、预测三步走整个流程很短加载权重 → 用ForecastConfig声明预测边界 → 调forecast()传入数组。下面这段代码的注释解释了每个关键参数为什么这么设import torch, numpy as np, timesfm torch.set_float32_matmul_precision(high) # 放宽精度限制CPU 推理更快 model timesfm.TimesFM_2p5_200M_torch.from_pretrained( google/timesfm-2.5-200m-pytorch # 2.5 版 200M 权重 ) model.compile(timesfm.ForecastConfig( max_context1024, # 每条序列最多回看 1024 个历史点 max_horizon256, # 一次最多预测 256 步 normalize_inputsTrue, # 归一化输入抹平量纲差异 use_continuous_quantile_headTrue, # 输出连续分位数区间 force_flip_invarianceTrue, infer_is_positiveTrue, fix_quantile_crossingTrue, # 防止分位数区间交叉 )) point_forecast, quantile_forecast model.forecast( horizon12, inputs[np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))], # 两条示例序列 ) # point_forecast: (2, 12) 点预测quantile_forecast: (2, 12, 10) 均值第10~90分位max_context和max_horizon直接决定内存占用历史更长就调大max_context要往后看更久就调大max_horizon。分位数输出默认包含均值加第 10 到 90 分位共 10 列可以直接拿来做区间预测。 协变量与微调需要时再看这两份材料如果你的数据带辅助特征TimesFM 支持两类协变量静态协变量每条序列固定的如产品类别、基础价格和动态协变量每个时间点变化的如星期几、温度、促销标记通过 XReg 接入完整示例在 notebooks/covariates.ipynb想在自有数据上微调时仓库提供 JAX 版 notebooks/finetuning.ipynb 和 PyTorch 版 notebooks/finetuning_torch.ipynb另外 timesfm-forecasting/examples/finetuning/ 里还有一份基于 HuggingFace Transformers PEFT 的 LoRA 示例适合只想调部分参数、显存有限的场景。 基准测试预测精度处在什么水平在 ETH 长周期基准预测步长 96/192/336上TimesFM 平均 WAPE 为 0.386低于 Chronos-Large 的 0.401且推理耗时与 Mini 版相当扩展基准v1/experiments/extended_benchmarks/中它在多个数据集上也保持领先。 避坑清单装不上、跑不动先看这 5 条内存建议至少 32GB RAM 再加载依赖内存偏小的机器先别急着装[xreg]。ARM 架构部分依赖暂不支持 ARM苹果芯片用户可能需要等后续更新。后端别装混[torch]和[flax]二选一即可XReg 依赖 JAXjax[cuda]按硬件装对版本。老版本1.0/2.0 的代码都在 v1/ 目录pip install timesfm1.3.0可加载老权重。报错先查文档优先翻 TROUBLESHOOTING.md常见报错有现成解法。适合它的场景历史数据有限、需要快速拿到零样本预测和预测区间比如销量计划、气温分析、异常基线不太适合需要极低延迟的高并发线上服务。如果你的领域精度要求高又不想全量微调直接走上文的 LoRA/PEFT 路线——把 2.5 跑通之后你的时间序列预测工具链就齐了。【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