资讯 Google 开源 TimesFM：1000 亿时间点预训练，扔数据就出预测零训练

2026-09-12 09:51:27

Google 开源 TimesFM：1000 亿时间点预训练，扔数据就出预测零训练

这两天刷GitHub，被一个项目狠狠震撼到了——Google Research团队开源的TimesFM，已经斩获 17.9K Star，在全球趋势榜冲到前三。

要知道，在时间序列预测这个小众但极其实用的领域，能引起这么大轰动的项目真不多见。
为什么说它是黑科技？因为传统的时间序列预测，哪怕是资深数据分析师，也得经历一套折磨人的流程：收集数据、清洗数据、调参、训练、验证……
光是跑通一个新数据集就能让人头大半天。而 TimesFM 直接把这套流程砍掉了——扔进去数据，开箱出预测结果，零训练，就这么简单。
更夸张的是，这个模型是在 1000 亿个真实世界时间点上预训练而成的，涵盖了各种场景的数据。
也就是说，不管你是预测电商销量、网站流量，还是股票价格、环境监测数据，它都能直接上手，不需要针对你的特定场景微调，效果还能打平甚至超过很多专门训练的传统模型。

项目简介

TimesFM是 Google Research 团队开发的一款预训练时间序列基础模型，专门用于时间序列预测任务。
这个项目最厉害的地方，就是把 NLP 领域的大模型思路移植到了时间序列预测上。
它采用了仅解码器（decoder-only）的Transformer架构，就像GPT系列模型一样，通过海量数据预训练学会了时间序列的通用模式，然后就能在各种任务上零样本应用。
目前最新的版本是TimesFM 2.5，相比之前的2.0版本，它做了全面升级：参数从500M降到了200M，更小更轻；支持的上下文长度从2048提升到了16k，能看更长的历史数据；还增加了可选的30M分位数头，支持连续分位数预测，最多能预测1000个步长；甚至把频率指示器都去掉了，使用起来更简单。

核心亮点

1、1000亿时间点的预训练，知识量爆棚
TimesFM的底气，来自于它海量的预训练数据。
Google在发布前，已经用1000亿个真实世界的时间点对模型进行了预训练，这些数据涵盖了谷歌趋势、维基百科页面浏览量、各类公开数据集以及合成数据，时间粒度包括小时、天、周、月等等。
趋势、季节性、突变、周期性……这些时间序列里的通用规律，它早就摸得门儿清了。你把自己的数据扔进去，它根本不需要重新学习，直接就能用预训练学到的知识给你预测结果。
2、零样本预测，开箱即用
这是TimesFM最受追捧的卖点，也是最能戳中从业者爽点的地方。
传统的时间序列预测模型，每换一个场景都得重新微调，甚至重新训练，流程繁琐不说，还得有一定的专业知识才能搞定。
而TimesFM实现了真正的零样本预测。就是你不需要针对自己的数据集做任何训练或微调，直接把数据扔进去，它就能给你预测结果。
3、不只是点估计，还能给置信区间
很多传统模型只能给你一个点估计，告诉你"明天销量大概是1000"，但你心里肯定没底——是900到1100之间，还是500到1500之间？这个波动范围太重要了。
TimesFM 2.5版本增加了一个可选的30M分位数头，支持连续分位数预测。
也就是说，它不只告诉你"明天销量大概是1000"，还能告诉你"有90%的概率在900到1100之间"，甚至能给出10%到90%的各个分位数。
这对于做决策太重要了，你能清楚地知道预测的不确定性有多大。
4、已经集成到Google全家桶，场景覆盖全
TimesFM不只是一个开源项目，它已经被集成到了Google的多个产品中：
• BigQuery ML：企业级SQL查询，可扩展性和可靠性都没得说
• Google Sheets：日常电子表格就能用，普通人也能轻松上手
• Vertex Model Garden：Docker化端点，支持Agent调用
这意味着不管你是数据科学家、业务分析师，还是普通用户，都能找到适合自己的使用方式。

快速入手

首先，你需要克隆仓库：

git clone https://github.com/google-research/timesfm.git
cd timesfm

然后创建虚拟环境并安装依赖。Google推荐使用uv：

# 创建虚拟环境
uv venv

# 激活环境
source .venv/bin/activate

# 安装PyTorch版本
uv pip install -e .[torch]

# 或者安装Flax版本
uv pip install -e .[flax]

# 如果需要XReg（协变量支持）
uv pip install -e .[xreg]

当然，你还需要根据你的操作系统和加速器（CPU、GPU、TPU或Apple Silicon）安装对应的PyTorch或JAX后端。
安装好之后，用起来就更简单了。下面是一个完整的示例：

import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

# 加载模型
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")

# 配置预测参数
model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        max_horizon=256,
        normalize_inputs=True,
        use_continuous_quantile_head=True,
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)

# 准备输入数据（这里用两个 dummy 数据，你可以换成自己的）
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),  # 线性增长的数据
        np.sin(np.linspace(0, 20, 67)),  # 正弦波数据
    ],
)

# 查看输出
print(point_forecast.shape)  # (2, 12) - 两个序列，每个预测12个步长
print(quantile_forecast.shape)  # (2, 12, 10) - 均值，然后10%到90%分位数

就这么简单！几行代码，你就能完成时间序列预测。

实际应用场景

TimesFM的应用场景太广了，几乎所有需要预测未来的地方都能用：

🛒 电商领域

• 销量预测：预测某个商品未来几天、几周的销量，指导库存管理
• 流量预测：预测网站或APP的访问量，指导服务器扩容
• 库存优化：根据预测结果优化库存水平，减少积压和缺货

📈 金融领域

• 股票价格预测：虽然不能保证赚钱，但可以作为参考
• 交易量预测：预测交易所的交易量，指导交易策略
• 风险评估：结合置信区间，更好地评估风险

🌍 环境领域

• 气象预测：预测温度、降水等气象指标
• 空气质量预测：预测PM2.5等污染物浓度
• 能源消耗预测：预测电力、水等能源的消耗

📱 互联网领域

• 用户增长预测：预测APP的用户增长趋势
• 服务器负载预测：预测服务器的负载，指导资源调度

写在最后

TimesFM的出现，把时间序列预测的门槛降到了前所未有的低。不管你是数据科学家、业务分析师，还是只是对预测感兴趣的普通人，都能轻松上手。
它的优势太明显了：
• ✅ 1000亿时间点预训练，知识量爆棚
• ✅ 零样本预测，开箱即用，不需要训练
• ✅ 200M参数，又小又快
• ✅ 支持16k上下文，能看更长的历史
• ✅ 不只给点估计，还能给置信区间
• ✅ 完全开源，Apache 2.0协议，可商用
• ✅ 支持本地运行，数据安全
• ✅ 现成的LoRA微调示例，轻松定制
• ✅ 已经集成到Google全家桶，场景覆盖全
如果你之前因为太麻烦而没有尝试时间序列预测，现在是时候试试TimesFM了。几行代码，就能让你体验到AI预测的魅力。
GitHub地址：https://github.com/google-research/timesfm

复制全文生成海报 TimesFM 时间序列预测模型 Google 机器学习