TimesFM 时间序列基础模型

TimesFM 是什么

TimesFM（Time Series Foundation Model）是 Google Research 开发的预训练时间序列基础模型，采用 decoder-only 架构，专门用于时间序列预测。相关论文《A decoder-only foundation model for time-series forecasting》发表于 ICML 2024。

该模型已在 Google 内部产品中落地，包括 BigQuery ML、Google Sheets 以及 Vertex Model Garden。

核心能力

TimesFM 3.0 新特性

• 原生多变量与单变量预测：既能对多通道序列整体建模，也能对单条序列独立预测。
• 协变量支持：原生支持仅历史协变量与历史+未来协变量，无需针对任务调参。
• 零样本泛化：在 fev-bench、TIME Benchmark、GIFT-Eval 三大基准上均取得领先排名。

历史版本

• 2.5：参数量降至 200M，支持最长 16k 上下文，可通过可选的 30M 分位数头输出连续分位数预测。
• 1.0 / 2.0：代码归档在 v1 子目录，可通过 pip install timesfm==1.3.0 安装旧版包加载。

快速上手

安装方式支持 PyTorch 与 Apple MLX 两种后端：

# 使用 PyTorch
pip install timesfm[torch]

# Apple 芯片上使用 MLX 原生推理
pip install timesfm[mlx]

也可以克隆仓库后以可编辑模式安装：

git clone https://github.com/google-research/timesfm.git
cd timesfm
uv venv
source .venv/bin/activate
uv pip install -e .[torch]

单变量预测示例

import numpy as np
from timesfm3 import TimesFM3Evaluator, ModelConfig

config = ModelConfig(
    checkpoint_path="google/timesfm-3.0-pytorch",
    per_core_batch_size=32,
    device="cuda"
)
forecaster = TimesFM3Evaluator(config)

ts1 = np.linspace(0, 1, 100).astype(np.float32)
ts2 = np.sin(np.linspace(0, 24, 72)).astype(np.float32)

outputs = list(forecaster.predict_batch(
    [ts1, ts2], horizon=12, return_quantiles=True
))

生态与工具

• 微调示例：提供基于 HuggingFace Transformers + PEFT（LoRA）的微调示例。
• Agent 支持：仓库包含 AGENTS.md 与 SKILL.md，方便接入智能体工作流。
• 测试：核心层、配置与工具均配有单元测试。

许可与商用注意

源码采用 Apache-2.0 许可，2.5 及更早版本的权重同样为 Apache-2.0。但 TimesFM 3.0 预训练权重使用独立的非商用许可，仅限非商业、非生产用途。如需商用，应通过 BigQuery ML 等 Google Cloud 授权服务使用。