AI 知识库

TimesFM（Google 时间序列预测基础模型）

Properties1
tags工具, ai模型, 时间序列, 预测, google

5分钟阅读

TimesFM

基本信息

  • 类型：时间序列预测基础模型（Time Series Foundation Model）

  • 出品方：Google Research；论文发表于 ICML 2024

  • 开源地址：GitHub google-research/timesfm；HuggingFace google/timesfm-3.0-pytorch（最新 3.0）

说人话版：它是干什么的

  • 喂给它任何「按时间排列的数据」（销量、股价、气温、客流量），它直接预测未来走势——零样本、不用训练，开箱即用

  • 不只给一个预测值，还带分位数预测区间（告诉你预测有多不确定）

特点

  • 200M → TimesFM 3.0 为 330M 参数，轻量但预测表现接近在目标数据集上专门精调过的模型
  • Decoder-only 架构（与大语言模型同思路，把时间序列当「语言」处理）
  • TimesFM 3.0（2026-08-31）：原生支持多变量 + 协变量预测

⚠️ 许可变化（2026-10-02 核实，重要）

TimesFM 3.0 起改为非商用许可，禁止自托管。 原笔记写的「GitHub 开源、可本地部署」只对 2.x 及以前成立。

版本许可能否本地跑
TimesFM 2.x 及以前开源✅
TimesFM 3.0非商用❌ 官方禁止自托管

影响：本机已装的 3.0.2 属研究/内部使用范畴。如果将来要把预测能力做进对外产品，必须换模型或走官方授权，不能用 TimesFM 3.0 干商用的事。参见 开源协议 里「模型权重许可自成一套体系」那一节。

适用场景

销量预测、财务预测、流量预测等时间序列任务，适合快速验证预测效果、省去训练环节。需写代码调用（Python），面向工程师 / 数据科学家。

使用边界（2026-09-22 补）

  • 必须给历史：要预测什么就给什么的过去数值（唯一原料）；不用训练、不用标注；历史越长越好、最好盖住一个完整周期
  • 越多越准？：有前提——数据里得真有规律；规律数据越长越稳（边际递减）；没规律的数据给再多也没用
  • 不能预测随机数据：彩票、抛硬币这类独立随机事件，历史不含未来信息；模型照样会一本正经输出结果（「自信地错」）
  • 试金石：先问数据里有没有真实规律，再谈用什么模型

安装记录（2026-09-22）

  • 状态：已安装并端到端实测通过，包装为技能 timesfm（~/.trae-cn/skills/timesfm/）
  • 组件：timesfm 3.0.2（PyPI）+ torch 2.14.0（MPS 加速）+ safetensors；模型 google/timesfm-3.0-pytorch 约 1GB，缓存在本机 ~/.cache/huggingface
  • 调用：python3 ~/.trae-cn/skills/timesfm/scripts/forecast.py --input 数据.csv --horizon 6 --title 名称；支持 --data 直接传数字、--make-positive（金额类）、自动识别日期/数值列
  • 输出：JSON——forecast / lower / median / upper（波动区间）/ future_dates / warning；离线优先（本地缓存直读，断网可用），缓存缺失才联网
  • 实测结果：24 个月收款数据 → 预测正确学出 2 月淡季回落 + 春季回升 + 增长趋势
  • 网络坑（重要）：本机 curl 连不上 huggingface.co（超时），但 Python 的 httpx 可以直连；hf-mirror.com 镜像会把该仓库重定向回官方源（huggingface_hub HEAD 不跟随重定向 → 报错）。脚本已内置三级兜底：本地缓存 → 直连 → 镜像重试

相关日记

  • 2026-09-07 - 首次了解
  • 2026-09-22 - 安装落地、能力边界确认
  • 2026-10-02 - 核实：TimesFM 3.0 改非商用许可，禁止自托管（影响商用可行性）

反向链接