TimesFM 如何零样本搞定时间序列预测完整上手指南【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 开源的预训练时间序列基础模型把一串历史数值喂给它就能直接产出未来数期的预测值无需自己训练。读完本文你会装好环境并跑通第一次 TimesFM 零样本时间序列预测。TimesFM 时间序列预测值得了解在哪它是什么一个 decoder-only 架构的时间序列基础模型最新版 TimesFM 2.5 用200M参数上下文长度最高支持16384个点——一段 1 到 16k 点长的历史序列都能直接预测零样本即可用。输出是什么不止一条点预测线而是概率化预测可选30M参数的分位数头能输出均值加 10 到 90 分位预测步数最高 1000 期置信区间可以画出来。和老版本什么关系TimesFM 2.0 是500M参数、2048上下文1.0 只支持 512 上下文。两代旧代码都归档在 v1/ 目录需要加载旧 checkpoint 时按官方说明安装对应旧版包即可。五分钟上手克隆仓库进入项目git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm建虚拟环境装 PyTorch 版依赖最省心uv venv source .venv/bin/activate uv pip install -e .[torch]跑前可先体检确认内存、Python 版本是否达标python timesfm-forecasting/scripts/check_system.py写一段脚本跑第一次预测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_context1024, max_horizon256, use_continuous_quantile_headTrue)) point, quantile model.forecast(horizon12, inputs[ np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))]) print(point.shape) # (2, 12) print(quantile.shape) # (2, 12, 10)首次运行会从 Hugging Face 自动下载约800MB权重并缓存在~/.cache/huggingface/首跑慢属正常现象。环境与依赖说明为什么装这些包TimesFM 本身只依赖numpy、huggingface_hub、safetensors三个基础包外加一个深度学习后端所以 Python 需要3.10以上。装完基础包后按你的硬件三选一.[torch]CPU 或 Apple Silicon 用户首选兼容性最好也是官方示例默认用的后端.[flax]JAX 后端官方称推理更快适合 CUDA GPU 机器.[xreg]只有需要协变量天气、促销这类外部变量预测时才装会额外引入jax和scikit-learn。装完 extras 后PyTorch 或 JAX 本体请按你的操作系统与加速卡型号去各自官网获取对应的安装命令这里不贴长篇安装文档。核心功能实战一条命令出预测加置信区间上面脚本里inputs是一个数组列表每条序列长度可以不一样示例中分别是 100 点和 67 点horizon决定这次预测未来多少期。max_context和max_horizon是模型容量上限设多大就要留多大显存按数据量调即可。输出有两个point_forecast形状(2, 12)是两条序列各自的 12 步点预测quantile_forecast形状(2, 12, 10)依次是均值和 10% 到 90% 的分位数。用 q10–q90 画带就是下图中这种红线预测 粉色置信区间的效果——这是仓库里全球气温示例的真实产出36 个月历史温度异常推了 12 个月进阶玩法想深入哪个能力就去哪协变量预测静态变量如门店档位、动态变量如价格促销跑 demo_covariates.py效果如图价格与促销对销售的贡献被逐项分解出来LoRA 微调看 finetuning/README.md 与 finetune_lora.py旧版微调可查 v1/notebooks/finetuning_torch.ipynb。异常检测模型没有内置检测但落在 q10–q90 区间外的点即统计异常示例在 detect_anomalies.py。拿 CSV 直接预测forecast_csv.py。跑基准验证扩展基准在 v1/experiments/extended_benchmarks/长周期基准在 v1/experiments/long_horizon_benchmarks/。避坑清单安装时被系统杀掉Killed, signal 9依赖树大编译吃内存。对策关后台程序、用干净虚拟环境、加--no-cache-dir装官方建议留足32GB内存给旧版 500M 模型依赖。Apple Silicon 上报 ARM 不兼容个别旧依赖不支持 ARM 架构。对策优先装timesfm[torch]PyTorch 后端对 Apple 芯片最友好。GPU 显存爆掉CUDA out of memory上下文设太长或 batch 太大。对策调小max_context与批大小先用 CPU 跑通再上 GPU。权重下载 404 或损坏网络问题或缓存坏了。对策检查网络、必要时登录 Hugging Face 客户端、清空~/.cache/huggingface/重下。上下文超长报错旧版 v1.0 上限 512、2.0 上限 2048超长直接 ValueError。对策换 TimesFM 2.5或截断输入序列。配套资源主文档README.md使用手册timesfm-forecasting/SKILL.mdAPI 参考timesfm-forecasting/references/api_reference.md数据准备timesfm-forecasting/references/data_preparation.md系统要求timesfm-forecasting/references/system_requirements.md故障排查v1/TROUBLESHOOTING.md协变量 notebookv1/notebooks/covariates.ipynb单元测试tests/【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
TimesFM 如何零样本搞定时间序列预测完整上手指南【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 开源的预训练时间序列基础模型把一串历史数值喂给它就能直接产出未来数期的预测值无需自己训练。读完本文你会装好环境并跑通第一次 TimesFM 零样本时间序列预测。TimesFM 时间序列预测值得了解在哪它是什么一个 decoder-only 架构的时间序列基础模型最新版 TimesFM 2.5 用200M参数上下文长度最高支持16384个点——一段 1 到 16k 点长的历史序列都能直接预测零样本即可用。输出是什么不止一条点预测线而是概率化预测可选30M参数的分位数头能输出均值加 10 到 90 分位预测步数最高 1000 期置信区间可以画出来。和老版本什么关系TimesFM 2.0 是500M参数、2048上下文1.0 只支持 512 上下文。两代旧代码都归档在 v1/ 目录需要加载旧 checkpoint 时按官方说明安装对应旧版包即可。五分钟上手克隆仓库进入项目git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm建虚拟环境装 PyTorch 版依赖最省心uv venv source .venv/bin/activate uv pip install -e .[torch]跑前可先体检确认内存、Python 版本是否达标python timesfm-forecasting/scripts/check_system.py写一段脚本跑第一次预测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_context1024, max_horizon256, use_continuous_quantile_headTrue)) point, quantile model.forecast(horizon12, inputs[ np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))]) print(point.shape) # (2, 12) print(quantile.shape) # (2, 12, 10)首次运行会从 Hugging Face 自动下载约800MB权重并缓存在~/.cache/huggingface/首跑慢属正常现象。环境与依赖说明为什么装这些包TimesFM 本身只依赖numpy、huggingface_hub、safetensors三个基础包外加一个深度学习后端所以 Python 需要3.10以上。装完基础包后按你的硬件三选一.[torch]CPU 或 Apple Silicon 用户首选兼容性最好也是官方示例默认用的后端.[flax]JAX 后端官方称推理更快适合 CUDA GPU 机器.[xreg]只有需要协变量天气、促销这类外部变量预测时才装会额外引入jax和scikit-learn。装完 extras 后PyTorch 或 JAX 本体请按你的操作系统与加速卡型号去各自官网获取对应的安装命令这里不贴长篇安装文档。核心功能实战一条命令出预测加置信区间上面脚本里inputs是一个数组列表每条序列长度可以不一样示例中分别是 100 点和 67 点horizon决定这次预测未来多少期。max_context和max_horizon是模型容量上限设多大就要留多大显存按数据量调即可。输出有两个point_forecast形状(2, 12)是两条序列各自的 12 步点预测quantile_forecast形状(2, 12, 10)依次是均值和 10% 到 90% 的分位数。用 q10–q90 画带就是下图中这种红线预测 粉色置信区间的效果——这是仓库里全球气温示例的真实产出36 个月历史温度异常推了 12 个月进阶玩法想深入哪个能力就去哪协变量预测静态变量如门店档位、动态变量如价格促销跑 demo_covariates.py效果如图价格与促销对销售的贡献被逐项分解出来LoRA 微调看 finetuning/README.md 与 finetune_lora.py旧版微调可查 v1/notebooks/finetuning_torch.ipynb。异常检测模型没有内置检测但落在 q10–q90 区间外的点即统计异常示例在 detect_anomalies.py。拿 CSV 直接预测forecast_csv.py。跑基准验证扩展基准在 v1/experiments/extended_benchmarks/长周期基准在 v1/experiments/long_horizon_benchmarks/。避坑清单安装时被系统杀掉Killed, signal 9依赖树大编译吃内存。对策关后台程序、用干净虚拟环境、加--no-cache-dir装官方建议留足32GB内存给旧版 500M 模型依赖。Apple Silicon 上报 ARM 不兼容个别旧依赖不支持 ARM 架构。对策优先装timesfm[torch]PyTorch 后端对 Apple 芯片最友好。GPU 显存爆掉CUDA out of memory上下文设太长或 batch 太大。对策调小max_context与批大小先用 CPU 跑通再上 GPU。权重下载 404 或损坏网络问题或缓存坏了。对策检查网络、必要时登录 Hugging Face 客户端、清空~/.cache/huggingface/重下。上下文超长报错旧版 v1.0 上限 512、2.0 上限 2048超长直接 ValueError。对策换 TimesFM 2.5或截断输入序列。配套资源主文档README.md使用手册timesfm-forecasting/SKILL.mdAPI 参考timesfm-forecasting/references/api_reference.md数据准备timesfm-forecasting/references/data_preparation.md系统要求timesfm-forecasting/references/system_requirements.md故障排查v1/TROUBLESHOOTING.md协变量 notebookv1/notebooks/covariates.ipynb单元测试tests/【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
