TimesFM 3.0：谷歌的时间序列预测模型迎来重大升级

时间序列预测是那些默默支撑众多决策的任务之一，从库存规划到能源负荷预测再到金融风险。但从头构建准确的预测模型是出了名的困难。如果你能像使用 GPT 处理文本一样，直接下载一个开箱即用的预训练模型，会怎样？这正是谷歌研究院 TimesFM 背后的理念。

什么是 TimesFM？

TimesFM（时间序列基础模型）是一个专为时间序列预测而构建的仅解码器基础模型。它在论文《用于时间序列预测的仅解码器基础模型》中提出，并在 ICML 2024 上展示。它不是基于单词训练，而是基于历史数据点序列进行训练。一旦预训练完成，它就能为各种类型的时间序列预测未来值——无需针对每个新数据集进行定制训练。

欢迎 TimesFM 3.0

快进到 2026 年 8 月（没错，这个项目进展很快），谷歌发布了 TimesFM 3.0。这是迄今为止最大的一次更新，它带来了三大亮点：

强有力的基准测试结果

在所有三个主要时间序列基础模型基准测试中名列前茅，这强烈表明 TimesFM 已成为该领域通用的首选模型。

但请注意许可证

如果你打算在商业产品中使用 TimesFM 3.0，这里有一个需要留意的关键点。源代码采用 Apache-2.0 许可证，2.5 及之前版本的模型权重同样采用 Apache-2.0。然而，TimesFM 3.0 的预训练权重却是在单独的非商业许可证下分发的。这意味着如果你打算在生产环境或商业用途中使用默认的 3.0 权重，这样做是不被允许的。在构建任何正式项目之前，请务必查看仓库中的许可证更新。

TimesFM 3.0 开始使用

如果你已经熟悉 Python 和 PyTorch，安装过程很简单：

或者，如果你想拉取代码并在本地安装：

简单的单变量预测示例

以下是 readme 中的一个最小示例，演示如何用分位数预测几个不同长度的序列：

注意，TimesFM 可以在同一个批次中处理两个上下文长度不同的序列——一个为 100 步，另一个为 72 步——并同时预测两者的未来 12 步。此外，它会返回九个分位数（0.1 到 0.9），这对于理解预测的不确定性非常有用。

带协变量的多变量预测

如果你处理的是多个相关信号——比如三个不同的门店销售渠道——你可以同时预测它们。以下是 readme 示例的简化版：

模型会输出接下来 24 个步长内所有三个变量的联合预测，以及每个变量和预测范围的分位数。这种原生的多变量支持让我们预测一组相关时间序列时容易得多，而不是将每个序列孤立看待。

回顾：2.5 版本带来了哪些变化

在 3.0 之前，2.5 版本（2025 年 9 月）已经带来了几项显著改进：它将模型参数从 5 亿缩减到 2 亿，将最大上下文长度从 2048 步扩展到 16k 步，并添加了一个可选的分位数头，用于最长 1,000 步的连续预测。它还移除了频率指示器，简化了输入格式。如果你正在使用 2.5 检查点并希望对其微调，仓库现在包含了使用 HuggingFace Transformers + PEFT（LoRA）进行参数高效微调的示例，以及单元测试和智能体技能（agent skill）。

在哪里可以使用 TimesFM？

谷歌还将 TimesFM 集成到了几个第一方产品中：

对于其他所有人，可以从 PyPI 安装开源版本，并在自己的基础设施上运行。

总结

对于开源时间序列预测而言，TimesFM 3.0 看起来确实是一个巨大的进步。它能够处理带协变量的多变量序列，加上顶尖的基准测试结果，使其成为解决各种预测问题的强大基础。但如果你打算在产品中使用它，请注意其非商业权重许可证。

如果你感兴趣，可以前往 TimesFM GitHub 仓库亲自尝试这些示例。只需几行 Python 代码即可开始预测。