TimesFM 3.0：Google 時間序列預測模型迎來重大升級

時間序列預測是一項默默支撐許多決策的任務，從庫存規劃、能源負載預測到金融風險皆然。然而，從零開始建置準確的預測模型是出了名的困難。如果你能直接下載一個開箱即用的預訓練模型，就像你使用 GPT 處理文字一樣，那會如何？這正是 Google Research 開發 TimesFM 背後的理念。

什麼是 TimesFM？

TimesFM（Time Series Foundation Model，時間序列基礎模型）是專為時間序列預測而設計的 decoder-only 基礎模型。它發表於 ICML 2024 的論文 A decoder-only foundation model for time-series forecasting 中。它並非以文字訓練，而是以歷史資料點序列進行訓練。一旦完成預訓練，它就能預測各種時間序列的未來數值——無需為每個新資料集進行客製化訓練。

歡迎 TimesFM 3.0

時間快轉到 2026 年 8 月（沒錯，這個專案進展迅速），Google 已經釋出 TimesFM 3.0。這是目前為止最大的一次更新，並帶來三大重點：

基準測試結果佐證

README 宣稱一些相當令人印象深刻的基準測試排名：

在三大時間序列基礎模型基準測試中皆名列前茅，這是一個強烈的訊號，顯示 TimesFM 已成為此領域中首選的通用模型。

但請注意授權條款

如果你想在商業產品中使用 TimesFM 3.0，有一個值得注意的重點。原始碼採用 Apache-2.0 授權，且版本 2.5 及更早版本的模型權重同樣是 Apache-2.0。然而，TimesFM 3.0 的預訓練權重則是在另外的非商業性授權下發行。這意味著，若你打算在正式環境或商業用途中使用預設的 3.0 權重，是不允許的。在你建立任何正式應用之前，請務必檢視 儲存庫 的授權更新。

開始使用 TimesFM 3.0

如果你已經熟悉 Python 和 PyTorch，安裝過程非常直接：

或者，如果你想取得程式碼並在本機安裝：

單變量預測的簡單範例

以下是 README 中的一個極簡範例，示範如何使用分位數來預測兩個長度不同的數列：

請注意，TimesFM 可以在同一個批次中接受兩個上下文長度不同的數列——一個 100 步，另一個 72 步——並同時預測兩者接下來的 12 步。此外，它會回傳九個分位數（0.1 至 0.9），這對於理解預測的不確定性非常有用。

含共變量的多變量預測

如果你處理的是多個相關訊號——例如三個不同店鋪的銷售通路——你可以同時預測它們。以下是 README 範例的簡化版：

該模型會針對全部三個變量輸出接下來 24 步的聯合預測，同時提供每個變量及每個預測時程的分位數。這種原生多變量支援讓預測關聯時間序列系統變得容易許多，而不必孤立地處理每一個序列。

回顧：2.5 版的變化

在 3.0 之前，2.5 版（2025 年 9 月）就已帶來數項顯著改進：它將模型參數從 500M 縮小到 200M，將最大上下文長度從 2048 步擴展到 16k 步，並新增可選的分位數預測頭，用於連續預測最多 1,000 步。同時也移除了頻率指示器，簡化了輸入格式。如果你使用 2.5 checkpoint 並想微調，儲存庫現在包含使用 HuggingFace Transformers + PEFT（LoRA）進行參數高效微調的範例，以及單元測試和 agent skill。

TimesFM 可以用在哪裡？

Google 也將 TimesFM 整合到幾個第一方產品中：

對其他所有人來說，開放原始碼版本可從 PyPI 安裝，並在你自己的基礎架構上執行。

結語

TimesFM 3.0 看起來是開放時間序列預測領域中名副其實的一大步。它能夠處理含共變量的多變量數列，再加上頂尖的基準測試成績，使它成為解決各種預測問題的強大基礎。不過，如果你打算在產品中使用它，請務必留意非商業用途的權重授權。

如果你感到好奇，可以前往 TimesFM GitHub 儲存庫 親自試試這些範例。只要幾行 Python 就能開始預測。