TimesFM 2.5不训练就能出结果的时间序列预测模型【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数据已经导出但你不愿意再花一周去调 ARIMA 参数你想要的只是一个数值加一条置信区间。TimesFM 是 Google Research 开源的时间序列预测基础模型喂进历史序列就能返回点预测和分位数区间不需要训练。为什么值得先试它老版本 2.0 有 500M 参数CPU 上要 32GB 内存才能跑起来2.5 把它砍到 200M磁盘占用约 800MBCPU 推理大概 1.5GB 内存、GPU 约 1GB 显存。代价是架构改成了 decoder-only换来的是上下文长度从 2048 提到 16k另外挂了一个 30M 的量化头能输出连续分位数预测最长 1k 步。换句话说更小、更长、概率化普通笔记本就能跑。它和传统统计模型的分工也不一样需要可解释系数、向量自回归的时候还是该用 statsmodels但如果你要零样本批量预测几百条序列或者想要带校准区间的概率预测基础模型这条路省掉了很多调参环节。安装 PyTorch 推理后端先克隆仓库并建虚拟环境git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch]选 torch 后缀而不是 flax原因是 PyTorch 在 ARM包括 Apple Silicon上兼容性更好生态也更熟Flax 版本推理略快但多一套 JAX 依赖CPU 场景收益有限。另外模型权重不在仓库里首次from_pretrained时约 800MB 权重会按需下载缓存到~/.cache/huggingface/预留 1GB 磁盘。跑通零样本预测闭环核心 API 就三步from_pretrained加载、compile配置、forecast出结果import torch, numpy as np, timesfm torch.set_float32_matmul_precision(high) 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, )) point, quantile model.forecast( horizon12, inputs[np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))], ) point.shape, quantile.shape # (2, 12) 和 (2, 12, 10)point是每条序列的 12 步中位数预测quantile最后一维是均值加 10% 到 90% 共 10 个分位数——做异常检测时落在 q10–q90 之外的点就统计意义上算异常。下面这张图是仓库里全球温度示例的产出36 个月历史温度距平外推 12 个月粉色带就是 80%/60% 置信区间。设置上下文长度与批大小ForecastConfig里真正影响速度和显存的只有几个参数参数作用建议max_context最多吃多长的历史日常数据 512 起步够用就不加大max_horizon最长预测步数按业务取1k 以内走量化头per_core_batch_size每批序列数4GB 内存给 416GB 给 32use_continuous_quantile_head是否用量化头需要区间就开内存可以粗估总占用 ≈ 800MB 权重 0.5GB 运行时 每千条序列约 0.2MB × 上下文长度完整推导在 system_requirements.md 里有。上下文不必追求 16k 上限序列超过max_context时模型会自动截断取最近的点设小了不报错、只损失远期信息。开启协变量预测销量、电价这类序列受外部因素驱动明显2.5 通过 XReg 支持协变量安装时加一个后缀即可uv pip install -e .[xreg]然后调用forecast_with_covariates()可以传时变的数值型如气温、分类型如星期协变量和静态特征如门店类型。有个容易踩的点动态协变量的长度必须覆盖上下文 预测区间少了会直接报维度错误。下面这张图演示了促销、节假日协变量对门店销量的影响拆解。零样本精度不够时上 LoRA2.5 在 HuggingFace Transformers 里有标准适配TimesFm2_5ModelForPrediction所以可以直接接 PEFT 做 LoRA 微调仓库里带了完整示例finetune_lora.py。默认配置下 LoRA rank 取 4可训练参数只占约 0.6%约 140 万 / 2.32 亿单机几小时就能适配一个新领域。注意一个反直觉的细节2.5 内部自带 RevIN 归一化喂原始数值就行别再自己做一层标准化否则等于归了两次。处理常见报错先别急这几个坑出现频率最高Apple Silicon 装不上老依赖装.[torch]版就行PyTorch 对 ARM 支持最好别碰旧的 JAX 链路。CUDA OOM把per_core_batch_size砍到 4 甚至 1同时把max_context降下来这两个是显存的大头。输入有 NaN2.5 会自动剥掉开头 NaN、内插中间 NaN但连续大段缺失会破坏时序语义还是建议预处理好再喂。权重下载失败换个有空间的目录export HF_HOME/path/with/space后重试。更多细节见 TROUBLESHOOTING.md。下一步拿自己的 CSV 跑一把先用预检脚本确认机器能加载模型再直接用仓库自带的 CSV 预测脚本python timesfm-forecasting/scripts/check_system.py python timesfm-forecasting/scripts/forecast_csv.py your_data.csv --horizon 24第一条会检查内存、GPU 和磁盘并给出建议的批大小第二条把结果写成带分位数的 CSV。跑完看一眼 q10–q90 区间的宽度再决定是直接上生产还是去做一轮 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