TimesFM 2.5时间序列基础模型发布：200M参数处理16k长序列，支持分位数预测

Google Research 开源的时间序列基础模型 TimesFM 迎来了重要更新。其 2.5 版本在保持高预测性能的同时，大幅提升了效率与实用性。新模型参数从上一代的 500M 精简至 200M，并将上下文长度扩展至 16k，支持长达 1k 步（horizon）的连续分位数预测，同时移除了对数据频率的依赖。

对于长期困扰业界的超长序列预测难题，TimesFM 2.5 提供了一个轻量而强大的新选择。其设计理念是在Transformer 架构的效率与能力之间寻找最佳平衡点。如果你正在寻找一个能处理复杂时序数据且易于上手的开源工具，不妨到 GitHub 上一探究竟。

核心功能亮点

• 超长上下文处理：支持高达 16,384 的上下文长度，远超传统模型常见的 2048 限制，使其能够捕捉更长期的依赖和模式。
• 轻量高效架构：仅用 200M 参数实现强大预测能力，显著降低了模型推理对计算资源的需求，为边缘部署或资源受限场景提供了可能。
• 连续分位数预测：通过一个 30M 参数的量化预测头，模型能够直接输出从 10th 到 90th 的连续分位数，为风险评估和不确定性量化提供了关键支持，提升了决策的可靠性。
• 灵活协变量支持：提供 XReg 协变量支持功能，允许模型灵活地融合外部特征，以适应金融、能源、零售等多源数据场景的复杂预测需求。
• 双后端部署：同时支持 PyTorch 和 Flax 后端，兼顾了开发者熟悉的 PyTorch 生态的高效研发体验，以及 Flax 在特定硬件上的部署性能优势。模型已在 Google BigQuery 中集成为官方产品，体现了其工业级落地的可靠性。

快速上手体验

想要立即尝试，可以按照以下步骤配置环境并运行一个简单的预测示例。

1. 克隆仓库与配置环境
   首先，克隆项目仓库并创建一个独立的 Python 虚拟环境。

   git clone https://github.com/google-research/timesfm.git
   cd timesfm
   uv venv
   source .venv/bin/activate  # 在 Windows 上使用 `.venv\Scripts\activate`
   uv pip install -e .[torch] # 或根据需求选择 .[flax] 或 .[xreg]

2. 基础预测代码示例
   以下是一个使用 PyTorch 后端进行预测的基本代码片段。

   import torch
   import numpy as np
   import timesfm
   
   # 设置计算精度以获得最佳性能
   torch.set_float32_matmul_precision("high")
   
   # 加载预训练模型
   model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")
   
   # 编译模型，配置上下文与预测范围
   model.compile(timesfm.ForecastConfig(max_context=1024, max_horizon=256))
   
   # 进行预测：输入一个长度为100的示例序列，预测未来12步
   point_forecast, quantile_forecast = model.forecast(
       horizon=12,
       inputs=[np.linspace(0, 1, 100)]
   )

总结与评价

TimesFM 2.5 展示了时间序列基础模型发展的一个清晰方向：在追求预测能力的同时，必须兼顾参数效率与实际部署的便利性。它将模型大小压缩到 200M，却实现了对 16k 长上下文的理解，这种突破性的平衡使其在同类模型中性能提升了 30% 以上。

其分位数预测功能不再是简单的点估计，而是为决策者提供了完整的风险视角。协变量支持则让模型能更好地融入领域知识。项目文档相当完善，提供了 SKILLS.md 技能指南和内存估算等实用工具，极大降低了研究者和工程师的上手门槛。

目前，该项目在 GitHub 上处于活跃开发状态，拥有超过 13k 的 Star 和 21 位贡献者，采用 Apache-2.0 开源协议，允许商业使用。主要代码由 Python (68.3%) 编写。无论你是进行学术研究，还是需要在生产环境中构建可靠的时序预测 pipeline，TimesFM 2.5 都值得你深入探索。更多前沿的技术讨论与开源实战经验分享，欢迎来 云栈社区 交流。

项目地址：https://github.com/google-research/timesfm