TimesFM 时间序列基础模型零样本预测能省多少训练成本【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电力负荷预测里传统工作流是每换一个数据集就重新建模、调参、训练一轮维护成本随序列数量线性上涨。TimesFM 是 Google Research 开源的时间序列基础模型模型在大规模时间序列语料上预训练拿到一条新序列后可以零样本直接出预测省去逐数据集训练的环节。下面基于仓库自带的基准实验看它相对 Chronos 与统计基线实测差多少以及怎么把第一次预测跑起来。它是什么一个 decoder-only 的预训练预测模型TimesFM 采用 decoder-only 架构ICML 2024 论文《A decoder-only foundation model for time-series forecasting》把历史序列当作待处理的 token 输入直接输出未来的点预测。最新版本 TimesFM 2.5 把参数从 500M 压到 200M上下文长度从 2048 扩到 16k并可选挂载一个 30M 参数的分位数头做最长 1k 步的连续分位数预测。零样本是它的主使用方式喂入一段历史序列同时拿回点预测与分位数预测不需要针对目标数据集做任何训练。 关键数字TimesFM 与 Chronos 的 MAE、耗时对比仓库公开了两组基准扩展基准与长序列基准见 扩展基准实验目录挑最能说明问题的四组数基准任务指标TimesFM对照模型扩展基准澳大利亚电力负荷MAE1.09Chronos-Large 1.23Seasonal Naive 1.30扩展基准汇率数据单次预测耗时0.005 秒—长序列基准ETT96/192/336 步平均耗时0.606 秒Chronos-mini 252.649 秒长序列基准ETTWAPE / SMAPE四组任务中最佳Chronos-mini / large官方说明里扩展基准上 TimesFM 的 MASE 与 SMAPE 均为最佳比 StatisticalEnsemble 快 600 倍以上、比 Chronos-Large 快 80 倍以上长序列任务比 Chronos-Large 快 1000 倍以上336 步预测处优势更明显。需要注意扩展基准对长序列数据集只测了一个较短的 horizon 窗口长序列结论以后一组为准。TimesFM 安装与第一次预测git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch]import timesfm model timesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch) point, quantile model.forecast( horizon12, inputs[your_series])返回值是点预测(n, 12)和分位数预测(n, 12, 10)均值加第 10 至 90 分位。什么时候用 TimesFM什么时候留给传统模型适合它的场景多数据集批量试预测、零样本冷启动、需要长上下文的单变量序列以及对推理吞吐有要求的线上服务。边界也要看清v1 基准文档明确提示分位数头在预训练后未做校准用于生产前应在留出集上校验或校准开源版不是 Google 官方支持的产品如果你的序列强依赖天气、节假日、价格等外部变量且可解释性要求高带外部回归项的传统模型回归、ARIMA 类往往更稳除非走 XReg 协变量路径再对比。⚙️ 进阶LoRA 微调与 XReg 协变量PEFT/LoRATimesFM 2.5 可作为标准 Transformers 模型加载配合peft做 LoRA 微调仓库自带完整示例与评估脚本timesfm-forecasting/examples/finetuning/。协变量TimesFM 2.5 通过 XReg 重新支持协变量输入2025 年 10 月更新适合有已知未来外部变量的场景。决定上线之前建议先用同一批业务序列把 TimesFM、Chronos 和一个统计基线各跑一遍记录 MAE 与端到端耗时零样本不达标时再考虑用领域数据做 LoRA 微调而不是直接堆更大的统计流水线。【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 时间序列基础模型：零样本预测能省多少训练成本？
TimesFM 时间序列基础模型零样本预测能省多少训练成本【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电力负荷预测里传统工作流是每换一个数据集就重新建模、调参、训练一轮维护成本随序列数量线性上涨。TimesFM 是 Google Research 开源的时间序列基础模型模型在大规模时间序列语料上预训练拿到一条新序列后可以零样本直接出预测省去逐数据集训练的环节。下面基于仓库自带的基准实验看它相对 Chronos 与统计基线实测差多少以及怎么把第一次预测跑起来。它是什么一个 decoder-only 的预训练预测模型TimesFM 采用 decoder-only 架构ICML 2024 论文《A decoder-only foundation model for time-series forecasting》把历史序列当作待处理的 token 输入直接输出未来的点预测。最新版本 TimesFM 2.5 把参数从 500M 压到 200M上下文长度从 2048 扩到 16k并可选挂载一个 30M 参数的分位数头做最长 1k 步的连续分位数预测。零样本是它的主使用方式喂入一段历史序列同时拿回点预测与分位数预测不需要针对目标数据集做任何训练。 关键数字TimesFM 与 Chronos 的 MAE、耗时对比仓库公开了两组基准扩展基准与长序列基准见 扩展基准实验目录挑最能说明问题的四组数基准任务指标TimesFM对照模型扩展基准澳大利亚电力负荷MAE1.09Chronos-Large 1.23Seasonal Naive 1.30扩展基准汇率数据单次预测耗时0.005 秒—长序列基准ETT96/192/336 步平均耗时0.606 秒Chronos-mini 252.649 秒长序列基准ETTWAPE / SMAPE四组任务中最佳Chronos-mini / large官方说明里扩展基准上 TimesFM 的 MASE 与 SMAPE 均为最佳比 StatisticalEnsemble 快 600 倍以上、比 Chronos-Large 快 80 倍以上长序列任务比 Chronos-Large 快 1000 倍以上336 步预测处优势更明显。需要注意扩展基准对长序列数据集只测了一个较短的 horizon 窗口长序列结论以后一组为准。TimesFM 安装与第一次预测git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch]import timesfm model timesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch) point, quantile model.forecast( horizon12, inputs[your_series])返回值是点预测(n, 12)和分位数预测(n, 12, 10)均值加第 10 至 90 分位。什么时候用 TimesFM什么时候留给传统模型适合它的场景多数据集批量试预测、零样本冷启动、需要长上下文的单变量序列以及对推理吞吐有要求的线上服务。边界也要看清v1 基准文档明确提示分位数头在预训练后未做校准用于生产前应在留出集上校验或校准开源版不是 Google 官方支持的产品如果你的序列强依赖天气、节假日、价格等外部变量且可解释性要求高带外部回归项的传统模型回归、ARIMA 类往往更稳除非走 XReg 协变量路径再对比。⚙️ 进阶LoRA 微调与 XReg 协变量PEFT/LoRATimesFM 2.5 可作为标准 Transformers 模型加载配合peft做 LoRA 微调仓库自带完整示例与评估脚本timesfm-forecasting/examples/finetuning/。协变量TimesFM 2.5 通过 XReg 重新支持协变量输入2025 年 10 月更新适合有已知未来外部变量的场景。决定上线之前建议先用同一批业务序列把 TimesFM、Chronos 和一个统计基线各跑一遍记录 MAE 与端到端耗时零样本不达标时再考虑用领域数据做 LoRA 微调而不是直接堆更大的统计流水线。【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