TimesFM是谷歌研究团队开发的预训练时间序列基础模型，专注于时间序列预测任务。
TimesFM是谷歌研究团队开发的一个预训练时间序列基础模型，专门用于时间序列预测任务。该模型采用解码器架构，能够基于历史数据直接预测未来趋势。最新发布的TimesFM 2.5版本在保持高性能的同时，将参数量从5亿精简至2亿，并显著将上下文长度从2048提升至16000，使其能够处理更长期的历史信息。模型新增了对连续分位数预测的支持，可提供未来多达1000个时间点的概率性预测区间，增强了预测结果的实用性。此外，它摒弃了原有的频率标识符，简化了使用流程。TimesFM适用于多种需要时间序列预测的场景，如销售预测、能源需求预估、金融市场分析等，用户可通过Hugging Face获取模型，并在PyTorch或Jax框架下进行高效推理。
💡 应用场景
适合需要快速、零样本或少量样本进行长序列多步预测的场景，特别是处理多种频率和外部变量的复杂时序问题。
快速零样本预测
问题：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。
方案：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。
示例：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。
长序列多步预测
问题：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。
方案：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。
示例：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。
多频率序列统一处理
问题：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。
方案：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。
示例：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。
集成外部变量预测
问题：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。
方案：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。
示例：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。
📊 项目信息
- 语言
- Python
- Stars
- ⭐ 12,057
- Forks
- 996
- 今日新增
- +380
- 排名
- #3
- 收录
- 总榜
- 趋势日期
- 2026年4月1日
- 最后推送
- 2026/4/1