TimesFM 3.0：Google 开源时序预测基础模型，零样本预测任意序列

项目简介

TimesFM 是 Google Research 于 2024 年 2 月正式开源的时序预测基础模型，全称为 Time-Series Foundation Model。与传统时序预测方法需要针对每个数据集单独训练模型不同，TimesFM 预训练阶段已学习海量真实与合成时间序列数据的通用模式，用户只需输入目标序列的历史数据，即可获得高质量的零样本预测结果。项目在 GitHub 累计获得超过 2.2 万 Star，是当前最活跃的开源时序基础模型。

核心功能

• 零样本预测：无需在目标数据上训练，直接输入历史序列即可输出预测结果
• 概率预测：内置分位数预测头，输出 10% 到 90% 的置信区间，而非单一预测值
• 长上下文支持：TimesFM 3.0 版本支持最长 16,000 个时间步的历史输入，适用于超长记录场景
• 多变量预测：3.0 版本原生支持多变量时间序列联合预测，可同时处理多个相关序列
• 协变量支持：支持过去专属协变量和过去-未来联合协变量，可引入节假日、价格等外部信号
• HuggingFace 集成：模型权重托管于 HuggingFace，可通过 Transformers 框架直接加载
• 企业级部署：已集成至 Google BigQuery ML、Google Sheets 和 Vertex Model Garden

技术实现

TimesFM 采用纯解码器（Decoder-Only）Transformer 架构，核心思想是将时间序列切成固定长度的 Patch（类似 LLM 中的 Token），然后用预测下一个 Patch 的方式训练模型。这一设计使 TimesFM 能够将预测下一个时间步的问题，转化为预测下一个 Patch 的问题，从而直接借鉴 LLM 领域的预训练策略。在 TimesFM 3.0 中，Google 将参数规模精简至 200M，同时将上下文窗口扩展至 16k，大幅提升了长序列处理能力。项目还引入了残差 MLP 结构对 Patch 进行编码，配合堆叠的因果注意力机制实现精准的多步预测。

快速上手

安装 PyTorch 版本（推荐）：

pip install timesfm[torch]

加载模型并预测：

from timesfm3 import TimesFM3Evaluator, ModelConfig import numpy as np

config = ModelConfig( checkpoint_path="google/timesfm-3.0-pytorch", per_core_batch_size=32, device="cuda" ) forecaster = TimesFM3Evaluator(config)

ts = np.linspace(0, 1, 100).astype(np.float32) outputs = list(forecaster.predict_batch([ts], horizon=12, return_quantiles=True))

print(outputs[0].forecast.shape) # (12,) 点预测 print(outputs[0].quantiles.shape) # (12, 9) 分位数预测

适用人群

数据科学家、量化分析师、IoT 工程师、能源与供应链规划人员，以及需要处理大量时序预测任务但缺乏足够数据训练定制模型的团队。

开源许可

TimesFM 3.0 之前版本采用 Apache-2.0 许可证，可免费商用。3.0 版本预训练权重采用 TimesFM Non-Commercial License v1.0，限制商业和生产用途。

官方链接

https://github.com/google-research/timesfm