TimesFM 快速上手装好环境并跑通第一次零样本预测【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 出品的时间序列基础模型。装好 TimesFM 后你不用自己建模把历史序列喂进去就能做零样本预测。这篇带你 5 分钟装好环境并跑通第一次预测。为什么需要它传统预测要自己备数据、选算法、调参数业务一变还得重新训练。TimesFM 换了个思路它在海量时序数据上预训练完成装完直接对新数据出预测换个场景几乎零成本。版本怎么选先后发过三代差异一目了然版本参数规模最大上下文亮点TimesFM 2.5200M16k连续分位数预测新增多个推理开关TimesFM 2.0500M2048上一代主力版本基准图以它为准TimesFM 1.0200M512首代开源版代码已归档到v1/子目录除非有历史代码依赖旧接口否则直接上 2.5上下文比 2.0 长 8 倍参数反而更少还自带分位数头。 5 分钟装好环境环境只要求 Python 3.10 以上。克隆仓库、用 uv 搭隔离环境再装 torch 后端git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch]到这里安装就完成了。想换 JAX 路线的话把最后一行换成 flax 后缀即可只有需要用协变量时才装 xreg 后端。跑通第一次预测新建脚本把下面代码贴进去三步走完一次推理import numpy as np import torch import 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, force_flip_invarianceTrue, infer_is_positiveTrue, fix_quantile_crossingTrue, ) ) point_forecast, quantile_forecast model.forecast( horizon12, inputs[ np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67)), ], )from_pretrained首次运行会从 Hugging Face Hub 拉取预训练权重等下载完即可。compile相当于设定预测档位max_context是接受的历史数据最长长度max_horizon是最远预测步数其余是输入归一化、分位数校正这类常用开关照抄默认就行。forecast传入两条演示序列一条线性、一条正弦各预测 12 步。输出形状直接说话point_forecast是 (2, 12)两条序列各出 12 步点预测quantile_forecast是 (2, 12, 10)第 0 通道是均值后面 9 通道是 10% 到 90% 的分位数。点预测之外还带不确定度区间画图时可以直接画置信带。看到这两个 shape你就完成了 TimesFM 的第一次零样本预测。协变量与微调如果你手上有旁路信息——产品类别、基础价格、星期几、有没有促销——可以作为协变量一起喂进去预测通常会更贴实际情况。静态协变量对整条序列固定动态协变量逐步变化。仓库里有个销售场景的 notebook 带你看完整流程v1/notebooks/covariates.ipynb。零样本已经够用但想在自己领域电力负荷、零售流水之类再挖一截精度微调值得一试。PyTorch 版 notebook 在这里v1/notebooks/finetuning_torch.ipynb另有基于 LoRA 的轻量微调示例放在 timesfm-forecasting/examples/finetuning/。基准表现仓库里放了两组官方结果图可以直接对照。扩展基准与主流方法在多个公开数据集上的对比长周期预测horizon 拉得更长以上都是不训练目标数据的零样本结果2.5 是它们的升级替代——同样口径参数更小上下文更长。❓ 常见问题内存要 32GB 吗装依赖和加载模型建议至少 32GB 内存。权重本身不大大头在环境搭建和加载阶段内存小的机器装包时会明显慢一些。苹果芯片 / ARM 能用吗目前部分依赖对 ARM 架构支持不佳Apple Silicon 用户可能要等后续更新或先用模拟器绕过去。v1 旧版本去哪了1.0 / 2.0 的代码和 notebook 全部归档在v1/子目录。要加载旧模型装回旧版包即可pip install timesfm1.3.0。模型权重会下载到本地吗会。from_pretrained首次运行自动从 Hugging Face Hub 拉取并缓存到本地之后离线也能复用。下一步到这里你手上已经有一个能跑的零样本预测基础模型。想继续深入从这 3 个入口看起API 参考预测配置每个参数的说明微调 notebook在自己数据上训练TROUBLESHOOTING.md常见坑和对策【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