TimesFM：用预训练基础模型完成时间序列预测
一分钟看懂
TimesFM 是 Google Research 开发的时间序列基础模型，用历史序列直接预测未来数值。当前 README 介绍的 3.0 版本支持单变量、多变量和协变量预测，并提供 PyTorch 模型与示例。
你可以用它做什么
- 为销量、需求、流量、传感器等序列生成零样本预测。
- 在统一模型中处理不同长度的单变量或多变量序列。
- 通过示例代码研究微调、协变量和批量预测流程。
主要能力
- 提供预训练检查点、Python API 和 Hugging Face 集成。
- 支持过去协变量以及已知未来协变量。
- 仓库保留早期版本代码，并提供 3.0 的新接口。
- 官方列出论文、研究博客和 BigQuery ML 等相关入口。
适合哪些人
适合从事需求预测、容量规划、金融或传感器分析的数据科学家和研究人员，也适合评估通用时序模型能否替代任务专用模型的团队。
怎么开始使用
README 给出的常用途径是安装 timesfm[torch]，下载官方检查点，再使用 TimesFM3Evaluator 加载模型并传入 NumPy 序列。正式使用前应先用自己的时间切分和业务指标回测。
使用前需要知道
源代码采用 Apache-2.0，但 README 明确说明 TimesFM 3.0 预训练权重暂用单独的非商业许可证，不允许商业或生产用途；2.5 及更早权重的条款不同。该开源版本也不是受官方支持的 Google 产品，模型推理通常需要较充足的内存或 GPU。