TimesFM：Google Research 开源时间序列基础预测模型，25.9K Stars 让时序预测变得简单

项目简介

TimesFM（Time Series Foundation Model）是由 Google Research 开发的预训练时间序列基础模型，专门用于时间序列预测任务。不同于传统需要针对每个数据集单独训练的预测模型，TimesFM 作为一个基础模型，经过大规模预训练后可以直接对未见过的时序数据进行零样本（Zero-shot）预测，就像大语言模型（LLM）处理文本一样革命性地简化了时序预测流程。

该项目已在 Google 多款产品中落地：BigQuery ML（企业级 SQL 时序预测）、Google Sheets（表格预测功能）、Vertex AI Model Garden（Docker 化部署端点），是学术界与工业界共同认可的时序预测新范式。

安装要求和过程

环境要求

• Python：3.9 及以上版本
• 后端选择：PyTorch 或 Flax/JAX（二选一）
• 硬件支持：CPU、GPU、TPU、Apple Silicon（M系列芯片）全平台兼容
• 磁盘空间：模型约 200M 参数，下载后约 800MB

快速安装步骤

# 方式一：通过 PyPI 安装（推荐）
# 安装 PyTorch 版本
pip install timesfm[torch]

# 安装 Flax 版本（推理速度更快）
pip install timesfm[flax]

# 需要协变量支持时（引入额外特征辅助预测）
pip install timesfm[xreg]

# 方式二：本地源码安装
git clone https://github.com/google-research/timesfm.git
cd timesfm
pip install -e .[torch]  # 或 [flax] / [xreg]

核心功能

• ⚡ 长上下文时序预测：TimesFM 2.5 支持最长 16K 的时序上下文输入（2.0 版本仅 2048），可输出最长 1K 的预测 Horizon，适配绝大多数工业场景。
• 📊 概率预测输出：除点预测外，还支持通过可选的 30M 分位数头输出 10%-90% 共 10 个分位数的连续概率预测，让预测结果包含不确定性信息，对风险敏感场景（金融、供应链）尤为重要。
• 🔀 多后端支持：同时支持 PyTorch 和 Flax 两大深度学习框架后端，用户可按硬件环境自由选择；Flax 版本在 TPU 上推理速度显著提升。
• 📈 协变量支持（XReg）：通过 XReg 模块可引入额外协变量特征（如节假日标记、促销信息等），有效提升复杂业务场景的预测精度，是 2.5 版本重新引入的重要特性。
• 🎯 灵活预测配置：支持输入归一化、翻转不变性、正数推断、分位数交叉修正等多种预测配置，用户可根据数据特性精细化调整，获得更可靠的预测结果。

典型使用场景

• 📦 企业需求预测：零售企业可利用 TimesFM 对商品销量进行多步预测，输入历史销售数据（支持 16K 长度），输出未来 1K 个时间点的销量预测及置信区间，辅助库存决策和供应链优化。相比传统 ARIMA/Prophet 方法，TimesFM 无需手动特征工程，且对新型商品的冷启动预测表现优异。
• 📊 业务指标异常预警：运维团队可将服务器 CPU 使用率、API 响应延迟、用户活跃度等关键指标输入 TimesFM，预测未来趋势并提前发现异常苗头。结合分位数预测输出的不确定性区间，可以在指标偏离正常范围之前发出预警，实现从”被动响应”到”主动预防”的转变。
• 💹 金融时间序列分析：量化分析师可使用 TimesFM 对股票价格、汇率、期货价格等金融时间序列进行建模预测。TimesFM 的零样本预测能力使其可以快速适配不同金融产品，而概率预测输出则为风险评估提供了量化依据。Google Research 在预训练数据中包含了 Wikimedia Pageviews 和 Google Trends 数据，使模型对网络流行趋势类时序具有更好的理解。

推荐理由

作为 Google Research 的官方开源项目，TimesFM 代表了时间序列预测从”传统统计方法”向”基础模型范式”的重大转变。我推荐它的理由有以下几点：

首先，真正的零样本预测能力。传统预测方法（ARIMA、ETS、Prophet）需要针对每个时间序列单独拟合模型，数据量不足时效果很差。TimesFM 在包含千亿级时序数据点的预训练语料上训练，习得了时序数据的通用模式，面对全新数据集时无需微调即可预测，大大降低了使用门槛。

其次，工业级可用性。TimesFM 已在 Google 自家的 BigQuery ML 和 Google Sheets 中作为生产功能提供服务，经过大规模真实场景验证。2.5 版本将参数量从 500M 压缩到 200M，在保持预测精度的同时大幅提升了推理效率，体现了 Google Research 对实用性的高度重视。

最后，与 LLM 生态的完美类比。TimesFM 之于时间序列，犹如 GPT/BERT 之于自然语言。对于已经熟悉 LLM 应用的开发者，TimesFM 提供了一条将”基础模型革命”延伸到数值预测任务的清晰路径。随着 AI Agent 对工具调用和外部数据感知的需求日益增长，像 TimesFM 这样的专业基础模型将成为 Agent 工具链的重要一环。

下载地址

• GitHub 仓库：https://github.com/google-research/timesfm
• Hugging Face 模型：https://huggingface.co/collections/google/timesfm-release
• Google Research 博客：官方介绍文章
• 学术论文（ICML 2024）：A decoder-only foundation model for time-series forecasting
• PyPI 安装：pip install timesfm[torch]
• 在线试用（Google Colab）：Colab Notebook

许可证：Apache-2.0（可自由用于商业和个人项目）