google-research / timesfm

Problem: 开发者需要对新时间序列数据进行预测，但没有足够的历史数据来训练专门的模型。

Solution: 使用TimesFM的预训练模型进行零样本预测，无需训练即可对新序列生成预测结果。

Example: 电商平台需要预测新上架商品的未来销量，只有几周的销售数据，无法训练传统时序模型。

Problem: 需要预测未来很长时间（如1000步）的多个分位数，传统模型难以处理长预测范围。

Solution: 利用TimesFM 2.5支持16k上下文长度和1k预测范围的能力，一次性生成连续分位数预测。

Example: 能源公司需要预测未来3年（约1000天）的电力需求，并给出不同置信区间的预测范围。

Problem: 处理不同频率（日、周、月）的时间序列数据需要为每种频率单独建模，维护成本高。

Solution: TimesFM 2.5移除了频率指示器，可以统一处理各种频率的序列，简化模型部署。

Example: 金融机构需要同时预测股票日收益率、周交易量和月营收，使用单一模型处理所有频率。

Problem: 时间序列预测需要考虑外部协变量（如促销活动、天气），但传统模型集成外部变量复杂。

Solution: 使用TimesFM 2.5的XReg协变量支持功能，将外部变量作为输入提升预测准确性。

Example: 零售企业预测销售额时，需要结合促销活动、节假日等外部因素进行更精准的预测。