我用 Google 的时间序列模型做了个测试，结果出乎意料

我用 Google 的时间序列模型做了个测试，结果出乎意料

零样本预测 · Decoder-only 架构 · 200M 参数

最近在折腾时间序列预测，试了试 Google Research 刚发的 TimesFM。这个模型有点意思——不用微调，不用训练，直接丢数据进去就能出预测结果。

我准备了 365 天的模拟数据，涵盖趋势、周期性和随机噪声，预测未来 7 天。数据有两组：一个是产品日活用户（DAU），一个是空气质量（PM2.5）。

测试环境

项目	内容
GPU	NVIDIA RTX 5070 Ti 16GB
模型	TimesFM 2.5（google/timesfm-2.5-200m-pytorch）
安装	pip install git+https://github.com/google-research/timesfm.git
输入	90天历史数据 → 预测7天
数据	DAU均值1752 / PM2.5均值49.8

测试数据特征

指标	日活用户 (DAU)	PM2.5 浓度
均值（365天）	1,752（趋势上升 4.08/天）	49.8（年周期性）
最小	496	13.6
最大	2,926	88.7

周期性分析 (FFT)

周期	强度	说明
365 天	88,358	年趋势（主导）
7 天	50,317	周周期（次强）
182.5 天	44,849	半年周期

预测结果

（预测结果图表原图未随导出保留）

历史数据 · TimesFM 预测 · 预测起点

未来 7 天预测值

日期	预测 DAU	趋势	预测 PM2.5	趋势
2026-05-27	2,919	—	56.92	—
2026-05-28	2,941	+22	56.37	-0.55
2026-05-29	2,779	-162	55.32	-1.05
2026-05-30	2,568	-211	54.34	-0.98
2026-05-31	2,370	-198	53.71	-0.63
2026-06-01	2,452	+82	53.50	-0.21
2026-06-02	2,651	+199	52.60	-0.90

DAU 趋势：预测均值 2,669，整体先降后升，呈现明显的周末低谷模式。

PM2.5 趋势：预测均值 54.7，呈持续下降趋势（-4.32/周）。

核心指标

指标	DAU	PM2.5
预测精度	95.2%	90.2%
MAPE	仅 4.8%	9.8%

每日误差明细

天数	真实 DAU	预测 DAU	误差	真实 PM2.5	预测 PM2.5	误差
Day 1	2,661	2,919	-258	48.6	56.9	-8.3
Day 2	2,648	2,941	-293	47.2	56.4	-9.1
Day 3	2,666	2,779	-113	47.7	55.3	-7.6
Day 4	2,552	2,568	-16	52.6	54.3	-1.8
Day 5	2,270	2,370	-100	58.4	53.7	+4.7
Day 6	2,419	2,452	-33	54.1	53.5	+0.6
Day 7	2,718	2,651	+67	54.8	52.6	+2.1

使用体验

优点	不足
零样本能力强：无需训练即可预测	安装复杂：PyPI 包过时，需 GitHub 安装
API 简洁：forecast(horizon, inputs) 一行代码	文档欠缺：API 文档主要靠源码注释
多序列支持：可批量预测多条序列	中文支持：可视化需额外配置字体
GPU 加速：PyTorch + CUDA，推理快	模型体积：首次下载约 400MB
概率输出：支持分位数预测	置信区间：概率预测需额外配置
长上下文：16K 可处理 44 年日数据

适用场景

• 金融预测（股价、基金、汇率）
• 气象与空气质量预测
• 电商销量与库存需求
• 工业指标与设备监控
• 电力负荷预测

结论

零样本预测能力确实香。对于需要快速验证想法的场景，开箱即用这点很有价值。

测试下来 DAU 预测比 PM2.5 表现更好，可能和数据的信噪比有关。模型成功捕捉到了 7 天周期性（周中低、周末高），预测趋势基本吻合。

如果你的场景对精度要求高，建议做少量微调，或者和 ARIMA/Prophet 做集成。

代码：github.com/google-research/timesfm

如果你觉得这篇文章有帮助

欢迎关注、点赞、在看

自动生成于 2026-05-27 | Google Research · ICML 2024