谷歌TimesFM：通往时间序列基础模型的关键一步
谷歌TimesFM：通往时间序列基础模型的关键一步
当大模型在 NLP、CV 领域狂飙突进时，时间序列预测这个”老任务”也在悄然被改变。谷歌 Research 推出的 TimesFM（Time Series Foundation Model），正是这一变革的代表性成果。
什么是 TimesFM？
TimesFM 是 Google Research 开发的时间序列预测基础模型，基于 decoder-only 架构，在 1000 亿真实世界时间点上预训练而成，其中大部分数据来自 Google Trends 搜索兴趣数据和 Wikipedia 页面访问量。
它的核心能力是零样本预测（Zero-shot Forecasting）——无需在你自己的数据集上训练，直接拿来预测新场景。
核心架构
TimesFM 采用了 Vision Transformer（ViT）类似的 patch 思路：
Input Patch Length = 32：将时间序列切分成 32 个时间点为一组
Output Patch Length = 128：一次性预测未来 128 个时间点
支持变长 Context 和 Horizon：灵活适应不同预测需求
这种 Patch 化处理让模型能够捕捉多尺度的时间模式，同时保持高效的推理速度。
版本演进：1.0 → 2.0 → 2.5
| 版本 | 参数 | Context 长度 | 亮点 |
|---|---|---|---|
| 1.0 | 200M | 2048 | 初代发布，奠定基础 |
| 2.0 | 500M | 2048 | 规模增大，效果提升 |
| 2.5 | 200M | 16k | 参数量更小但能力更强，支持分位数预测 |
TimesFM 2.5 的关键改进：
参数量从 500M 缩减到 200M，但性能更强
Context 扩展到 16k，能处理更长的历史序列
新增连续分位数预测头（Quantile Head），可输出预测区间
移除了频率指示器，使用更简单
支持 XReg 协变量（外部特征）接入
零样本性能对比
在多项公共基准测试中，TimesFM 展现了强大的零样本能力：
在 ETT、Weather、Electricity 等数据集上，TimesFM 的零样本表现接近甚至超越针对单一任务训练的专用模型
对比 Chronos、TimeGPT、MOMENT 等同类时间序列基础模型，TimesFM 在 MAE、RMSE 等指标上表现领先
这意味着：你不需要为每个场景单独训练模型，一个 TimesFM 可以通吃多种预测任务。
Google 生态深度集成
TimesFM 已经接入 Google 多款产品：
BigQuery ML：直接用 SQL 进行大规模时间序列预测
Google Sheets：通过 Connected Sheets 连接 BigQuery，在表格中实时预测
Vertex AI Model Garden：提供容器化部署，支持 Agent 调用
这种深度集成让企业用户可以零代码接入 TimesFM 的能力。
代码示例
import torch import numpy as np import timesfm model = timesfm.TimesFM_2p5_200M_torch.from_pretrained( "google/timesfm-2.5-200m-pytorch" ) model.compile( timesfm.ForecastConfig( max_context=1024, max_horizon=256, normalize_inputs=True, use_continuous_quantile_head=True, ) ) point_forecast, quantile_forecast = model.forecast( horizon=12, inputs=[ np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67)), ], )
落地场景
TimesFM 的典型应用场景包括：
可观测性监控：Kubernetes 指标、服务器日志的异常检测与容量预测
金融预测：股票、交易量的短期预测
能源调度：电力负荷、电网峰谷预测
供应链：需求预测、库存优化
总结
TimesFM 代表了时间序列基础模型的方向——用一个预训练模型覆盖多种预测任务，降低 AI 落地门槛。随着 2.5 版本的发布，模型更轻量、context 更长、预测更准，已经具备生产级可用性。
如果你正面临多场景预测的成本和效率问题，TimesFM 值得一试。
参考文献
A decoder-only foundation model for time-series forecasting[1]（ICML 2024）
Google Research Blog: A decoder-only foundation model for time-series forecasting[2]
TimesFM GitHub Repository[3]
TimesFM Hugging Face Collection[4]
BigQuery ML TimesFM Documentation[5]
Zero-Shot Time Series Foundation Models for Annual Institutional Forecasting[6]
引用链接
[1]A decoder-only foundation model for time-series forecasting: https://arxiv.org/abs/2310.10688
[2]Google Research Blog: A decoder-only foundation model for time-series forecasting: https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/
[3]TimesFM GitHub Repository: https://github.com/google-research/timesfm
[4]TimesFM Hugging Face Collection: https://huggingface.co/collections/google/timesfm-release
[5]BigQuery ML TimesFM Documentation: https://cloud.google.com/bigquery/docs/timesfm-model
[6]Zero-Shot Time Series Foundation Models for Annual Institutional Forecasting: https://arxiv.org/html/2602.12120v2