timesfm

游手好闲的学习并不比学习游手好闲好。——约贝勒斯

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

当时间开始说话：TimesFM 让时间序列预测变得像聊天一样自然

如果时间也有性格，那它大概是这个世界上最倔强、最敏感、也最会藏秘密的家伙。

它会把销量的起伏藏进节假日，把能源负荷的波动塞进季节变化里，把金融市场的情绪裹进一串看似冰冷的数字中。你盯着一列列时间序列数据，像是在读一封没有标点的长信：每个数字都在说话，但它们从不直接告诉你答案。

而 TimesFM 的出现，就像请来了一位专门听懂“时间语言”的翻译官。

TimesFM，全名 Time Series Foundation Model，是 Google Research 推出的一个预训练时间序列基础模型，专门用于时间序列预测。它不是临时拼起来的小工具，也不是只会处理单一场景的“专科生”，而是一位经过系统训练、见过大场面的预测选手。它的核心目标很明确：把时间序列预测这件事，从繁琐、割裂、依赖大量手工建模经验的流程中解放出来。

从仓库 description 到 README，TimesFM 的身份非常清楚：它是一个用于 time-series forecasting 的 pretrained time-series foundation model。换句话说，它天生就是为预测而来的，而且是以基础模型的姿态登场。

TimesFM 是谁

你可以把 TimesFM 想象成一个长期和“时间”打交道的观察家。

别人看见的是折线图，它看见的是趋势、周期、突变和延续。
别人看见的是过去的数据，它看见的是未来可能打开的几条路。
别人还在犹豫该选 ARIMA、Prophet、LSTM 还是 Transformer 的时候，它已经坐下来，卷起袖子，说一句：

“把序列给我，我来看看明天会发生什么。”

README 里给它下的定义很凝练：它是一个预训练的时间序列基础模型，由 Google Research 开发，用于时间序列预测。这个定位非常重要，因为它说明 TimesFM 不是单纯的一段推理脚本，也不是一次性的研究 demo，而是建立在 foundation model 思路之上的时间序列模型。

这类模型最迷人的地方在于，它不只是为一个数据集、一个行业、一个任务服务。它更像是在更大规模的时间规律里“见过世面”，所以当你把新的序列交给它时，它能更快进入状态。

它为什么值得关注

过去做时间序列预测，很多人都有一种熟悉的疲惫感。

要做特征工程。
要看频率。
要选模型。
要调窗口长度。
要处理不同预测步长。
要一遍遍验证效果。
要面对不同数据场景下模型表现忽高忽低的现实。

时间序列预测一直像一门既讲科学又讲手感的手艺活。

而 TimesFM 试图把这件事往前推进一步。它不是在替代所有方法，而是在告诉你：时间序列预测，也可以像使用一个成熟的预训练模型那样自然。

它站在那里，不慌不忙，像一个已经读完大量“时间故事”的讲述者。你给它上下文，它接着往后讲。

这种体验，本身就很有吸引力。

从 1.0 到 2.5，TimesFM 走得很快

README 里清晰写出了当前的最新模型版本：TimesFM 2.5。

这意味着如果你现在走进这个仓库，迎面看到的已经不是它的青涩初代，而是一位经过多轮打磨后的成熟选手。仓库也特别说明，1.0 和 2.0 的相关代码被归档在 v1 子目录中，如果你需要加载旧版本，还可以通过安装 timesfm==1.3.0 来使用对应能力。

这种版本演进本身就很有意思，像一位模型工程师不断升级自己的“时间感官”。

README 中提到，TimesFM 2.5 相比 2.0 有几项很醒目的变化：

• 参数量从 500M 降到了 200M
• 支持的上下文长度从 2048 提升到了 16k
• 支持最长 1k horizon 的连续分位数预测，通过一个可选的 30M quantile head 实现
• 去掉了 frequency 指示器
• 增加了新的 forecasting flags

这几条更新放在一起看，特别像一个模型在成长后学会了更聪明地处理世界。

它不再一味追求更大，而是学会了更轻。
它不再只盯着眼前一小段历史，而是能看得更长。
它不再只是给你一个点预测，而是愿意告诉你未来的不确定边界。
它甚至还悄悄把一些旧时代的“拐杖”放下了，开始以更现代的方式理解序列。

这很像一个真正成熟起来的角色：更克制，也更强大。

它不只存在于研究里，也开始走向真实世界

TimesFM 最有意思的一点，是它并没有把自己锁在论文和实验室里。

README 里列出了它已经进入的 Google 第一方产品场景：

• BigQuery ML
• Google Sheets
• Vertex Model Garden

这像什么呢？

像一位原本在研究院里写满公式的学者，忽然穿上外套走进办公室、表格和企业系统，开始帮真实世界的人解决真实问题。

在 BigQuery ML 里，它面向企业级 SQL 查询的可扩展性与可靠性。
在 Google Sheets 里，它走到了日常表格用户身边。
在 Vertex Model Garden 里，它以 Dockerized endpoint 的姿态出现，方便 agentic calling。

这说明一件事：TimesFM 并不是只适合摆在论文里供人赞叹的模型，它也正在成为可被调用、可被落地、可被实际使用的能力。

安装这件事，它处理得相当直接

一个好项目的气质，往往从安装环节就能看出来。

TimesFM 的 README 在安装部分给得很直接，没有绕弯子。它像一位经验老到的向导，把路标竖得清清楚楚。

如果你想从 PyPI 安装，可以这样做：

# Install the package with torch
pip install timesfm[torch]
# Or with Flax
pip install timesfm[flax]
# And when XReg is needed
pip install timesfm[xreg]

这一段很有现代 Python 工程的美感：明确、分支清晰、按需求选择。

如果你更喜欢本地安装，README 也给了完整步骤：

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

然后创建虚拟环境并用 uv 安装依赖：

# Create a virtual environment
uv venv

# Activate the environment
source .venv/bin/activate

# Install the package in editable mode with torch
uv pip install -e .[torch]
# Or with flax
uv pip install -e .[flax]
# And when XReg is needed
uv pip install -e .[xreg]

这部分读起来像什么？

像 TimesFM 在门口递给你一张访客通行证，说：

“欢迎进来。你想走 PyTorch 这条路，还是 Flax 这条路？如果你要用 XReg，我也提前给你把入口开好了。”

这种体验很重要。很多项目在介绍阶段热情洋溢，到了安装部分就开始故作高深，让读者在版本冲突和依赖地狱里怀疑人生。而 TimesFM 在 README 里至少给出的是一种明确的姿态：我知道你要上手，所以我把起步的台阶铺平一点。

快速上手：几行代码，就能让时间开始回答问题

如果说安装是敲门，那代码示例就是正式对话。

TimesFM 在 README 里给出的示例非常直接：导入模型、加载预训练权重、编译配置、执行预测。没有过多铺垫，像一位老练的工程师把白板笔一甩，直接进入实战。

下面这段示例非常适合拿来作为快速启动感受：

import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

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

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,
    )
)
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ],
)
point_forecast.shape
quantile_forecast.shape

这段代码最迷人的地方，在于它展现出一种“基础模型式”的使用方式。

你不需要从零训练一整套系统，也不需要先把自己埋进一堆复杂配置里。你只是把模型请出来，把配置讲清楚，再把输入交给它。它就开始预测了。

这一刻，TimesFM 像一个坐在你对面的分析师。你递过去两段历史序列，它略作沉思，然后把未来 12 步的答案交还给你。甚至不只是一个点，还包括分位数预测，让你知道未来可能并不只有一条路。

这就不只是“能跑起来”了，而是已经有了明显的生产力意味。

它关注的不只是结果，还有结果的不确定性

很多时间序列工具会给出一个预测值，像是拍板定案。

但真实世界不是那样。真实世界常常带着雾气。销量可能涨，也可能因为促销失效而没涨那么多；负荷可能降，也可能因为天气异常而反弹；需求可能稳定，也可能忽然拐弯。

TimesFM 2.5 对连续分位数预测的支持，就很像一个更成熟的回答者。

它不再只说“明天大概是多少”，它开始愿意告诉你：

“这是一个中心判断。
这是偏保守时的范围。
这是偏乐观时的边界。”

这种能力对很多业务场景尤其关键。因为真正做决策的人，往往不只想知道预测均值，还想知道风险区间。库存、调度、预算、容量规划，本质上都在和不确定性打交道。

TimesFM 在这里像一个不再只会给结论的顾问，而是学会了给出更完整的判断。

长上下文，是它越来越会“记事”的证明

TimesFM 2.5 支持最高 16k context length，这是一个非常值得注意的信号。

时间序列里，记忆往往就是竞争力。

你看得越短，越容易把长期周期当成噪声。
你记得越少，越容易把季节性规律错认成偶然。
你只盯着最近一小段波动，就会像一个只记得昨天的人，误以为世界永远如此。

支持更长的上下文，意味着 TimesFM 能把更多过去装进自己的“记忆”里。它像一个终于有了更长记事本的观察者，不再只看窗前一角，而是开始理解整条街的节奏。

这对很多带有长期季节性、复杂趋势变化或者多周期叠加的数据尤其重要。很多业务问题，不是简单的“接着上周走势往后推”，而是需要看更远，才能判断接下来会不会重演某种节奏。

它也不是只会主线剧情，还能读懂协变量这类旁白

在时间序列预测里，很多变化并不只来自历史值本身。

天气、促销、节假日、品类、价格、工作日结构，这些因素有时就像剧情里的配角，平时看着低调，关键时刻却能左右结局。

TimesFM 在 README 中提到了 XReg，也就是 covariate support 的回归。对于很多实际业务来说，这点很关键。

时间序列不是永远孤独地往前走，它常常会被外部世界推一把、拽一下、突然惊醒。协变量就是这些来自世界的手势。

在旧版 README 中，项目对 covariates 的解释很细，还举了一个很形象的例子：预测杂货店商品销量。冰淇淋和防晒霜的未来销量，不只和过去销量有关，也和品类、基础价格、星期几、是否促销、每日气温有关。

这件事特别像现实本身。

冰淇淋不会只因为“昨天卖得多”就明天继续卖得多，它还会偷偷看看天气热不热。
防晒霜也不会只盯着自己的历史，它会在促销牌亮起来的时候突然精神百倍。

TimesFM 愿意把这些信息一起纳入考虑，说明它不是死盯着主序列的“单线程预测者”，而更像一个会观察环境的判断者。

微调能力，让它不只是通才，也开始学会入乡随俗

基础模型最怕的误解之一，就是大家以为它只能做通用能力，离具体场景还远。

但 TimesFM README 在 2026 年 4 月的更新中明确提到，新增了基于 HuggingFace Transformers + PEFT 的 fine-tuning 示例，并且使用了 LoRA。相关内容位于 timesfm-forecasting/examples/finetuning/。

这件事很有意义。

它意味着 TimesFM 并不满足于做一个站在高处的“通才预测家”，它也愿意走进具体行业、具体数据、具体任务里，学习当地的口音。

你可以把微调理解为一次“驻场训练”。

在通用世界里见过世面的 TimesFM，到了你的业务现场后，不是板着脸说“按我的来”，而是会慢慢熟悉你的节奏、你的结构、你的特殊波动模式。LoRA 这类方式又让这个过程更轻、更经济、更可操作。

这对团队来说非常重要。因为很多人真正需要的不是一个只能远观的 SOTA 名字，而是一个既有基础能力、又有落地弹性的系统。

它越来越像一个完整项目，而不只是一份模型发布

看 README 的更新记录，会有一种很明显的感觉：TimesFM 在持续“长出新的器官”。

不是只放一个 checkpoint 就结束，而是在不断补齐生态：

• Flax 版本
• XReg 协变量支持
• 文档与示例
• agent skill
• LoRA 微调示例
• 单元测试

这让项目的气质变了。

它不再只是“我们发布了一个模型，大家可以看看”，而越来越像“这是一个正在持续建设的预测平台能力”。

尤其是单元测试和文档示例的补充，非常说明问题。真正走向开发者和应用层的项目，必须在可理解性和可验证性上持续增强。TimesFM 在 README 中已经显露出这种方向感。

这像一位研究出身的高手，开始认真整理自己的工具箱、说明书和工作流程，不再只是展示绝技，而是准备和更多人长期协作。

代码使用体验，带着明显的工程化风格

从 README 的示例风格可以感觉到，TimesFM 并不是一个“为了显得前沿所以故意复杂”的项目。

相反，它在使用方式上尽量给出清晰入口。

例如模型加载方式：

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

这种调用方式对今天已经熟悉预训练模型工作流的开发者来说，非常友好。它几乎是直觉式的。你看到 from_pretrained，就知道它在说什么。它像一个非常会做自我介绍的人，开口就让你听懂了。

而 ForecastConfig 的编译方式，也让许多关键能力显式可调，比如：

• max_context
• max_horizon
• normalize_inputs
• use_continuous_quantile_head
• force_flip_invariance
• infer_is_positive
• fix_quantile_crossing

这些配置像模型的性格开关。你不是在面对一个完全封闭的黑箱，而是在和一个可以清楚表达偏好的预测器协作。

这种体验会让人安心。因为真正进入生产环境时，团队需要的不只是“跑通”，而是“知道自己在怎么跑”。

它的开源姿态也很坦诚

README 里有一句值得认真看待的话：This open version is not an officially supported Google product.

这句话很克制，也很坦诚。

它像是在提醒你：这是 Google Research 开源出来的研究成果与实现，不等于某种带完整商用 SLA 的官方产品支持承诺。对于开发者来说，这种说明反而是健康的。它让边界清楚，让期待清楚，也让使用者明白自己面对的究竟是什么。

真正成熟的项目，不是永远只说“我很强”，而是也会告诉你“我的边界在哪里”。

如果你是第一次接触时间序列基础模型，这个项目很适合作为入口

TimesFM 的特别之处，不只在于它强，而在于它把“时间序列基础模型”这个概念变得非常可触摸。

你可以看到它的定位。
可以看到它的版本演进。
可以看到安装方式。
可以看到快速启动代码。
可以看到协变量支持。
可以看到微调能力。
可以看到它正在进入真实产品体系。

这会让你第一次直观感受到：原来时间序列也可以拥有自己的 foundation model 叙事，而且不只是停留在概念层。

在很多机器学习话题里，我们已经习惯了大语言模型、大视觉模型的宏大叙事。但时间序列世界往往更低调，低调到经常被误以为还是传统方法主导的一块老领域。TimesFM 则像一个走上台前的发言者，认真而平静地说：

“时间序列也值得一个基础模型时代。”

一个适合开发者的快速体验流程

如果你想迅速感受 TimesFM，可以按照下面的路径去走。

先安装：

pip install timesfm[torch]

或者如果你希望从本地源码开始：

git clone https://github.com/google-research/timesfm.git
cd timesfm
uv venv
source .venv/bin/activate
uv pip install -e .[torch]

然后用最简单的方式调用预训练模型：

import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

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

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,
    )
)

series = [np.sin(np.linspace(0, 20, 100))]
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=series,
)

print(point_forecast.shape)
print(quantile_forecast.shape)

这一套跑下来，你就能很快建立一个明确感受：

TimesFM 不是那种“看起来很先进，真正上手却迟迟摸不到门”的项目。它是能让你比较快完成第一次有效对话的。

为什么这件事会让人兴奋

因为预测从来不是冷冰冰的。

预测库存，是为了不让货架空着。
预测能耗，是为了让城市运转更稳。
预测销量，是为了减少浪费、提高供需匹配。
预测趋势，是为了提前看见变化的影子。

时间序列预测表面上处理的是数字，实际上处理的是还没发生的现实。

而 TimesFM 的魅力，就在于它把这种“与未来交谈”的能力做成了一种更通用、更现代、更易接近的工具。它像一个耐心的时间解读者，站在过去和未来之间，把历史里的纹理翻译成明天的轮廓。

它不神秘，但很有力量。
它不喧哗，但很有野心。
它不只是一个仓库名，而像一个正在成长中的时间伙伴。

结尾

如果把数据科学世界比作一座城市，那么时间序列一直像那条人来人往却不总被认真注视的大街。每天都有无数信号从这里穿过：销量、价格、流量、负荷、气温、需求、收入、风险。它们时高时低、时缓时急，像城市的呼吸。

TimesFM 做的事，不是强行替这座城市发言，而是学会倾听它的节奏。

它把“时间”当作一种语言来学习，把“预测”当作一种理解来实践。于是那些原本沉默的数据，开始一点点长出声音；那些藏在历史里的规律，也慢慢从雾里走出来。

如果你想认真看看时间序列基础模型正在变成什么样，TimesFM 是一个非常值得打开的入口。

它坐在那里，像一个已经读过无数时间故事的讲述者。
你只要把序列递给它。
然后，听它继续把未来说下去。