TimesFM 2.5 深度评测：Google 开源时间序列预测大模型，200M 参数碾压 500M 旧版

一句话介绍

TimesFM 2.5 是 Google Research 开源的时间序列基础模型（Time Series Foundation Model），仅用 200M 参数就实现了强大的多变量时序预测能力，支持最长 16K 上下文长度、连续分位数预测和协变量回归，是工业级时间序列分析的首选 AI 工具。

它是什么？

TimesFM（Time Series Foundation Model）由 Google Research 开发，是一种基于解码器架构的基础模型，专门用于时间序列预测任务。不同于传统统计方法（如 ARIMA、Prophet）或专用深度学习模型，TimesFM 采用预训练-微调范式，在一个涵盖多个领域的大规模时间序列数据集上进行预训练，然后可以直接用于各种下游预测任务，无需针对每个场景重新训练。

该项目于 2024 年首次发布，论文《A Decoder-Only Foundation Model for Time-Series Forecasting》收录于 ICML 2024。截至 2026 年 6 月，GitHub 已获得 24,000+ 星标，2,200+ Fork，采用 Apache 2.0 开源协议。

TimesFM 2.5 于 2025 年 9 月发布，相比之前的 2.0 版本进行了重大升级：参数量从 500M 降至 200M，上下文长度从 2048 提升至 16K，新增连续分位数预测头（30M 参数），移除了频率指示器，并增加了协变量支持（XReg）。2026 年 4 月又新增了基于 HuggingFace Transformers + PEFT（LoRA）的微调示例。

核心功能

1. 强大的零样本预测能力

TimesFM 的核心优势在于其预训练基础模型架构。它在涵盖金融、能源、零售、物联网等多个领域的海量时间序列数据上进行了预训练，因此面对全新的时间序列数据时，无需任何微调就能给出合理的预测结果。这种零样本（zero-shot）能力使得它在数据稀缺或快速部署场景中极具价值。

2. 超长上下文支持（最高 16K）

TimesFM 2.5 支持高达 16,000 个历史数据点的上下文窗口，远超大多数传统时序模型的 2,048 限制。这意味着它可以捕捉更长期的季节性和趋势模式，对于具有复杂季节性（如年度周期、多年趋势）的数据集特别有效。

3. 连续分位数预测

通过可选的 30M 参数分位数头，TimesFM 2.5 支持从第 10 百分位到第 90 百分位的连续分位数预测。这为不确定性量化提供了重要工具——用户不仅得到点预测值，还能获得预测区间，在风险管理、库存优化等场景中极为关键。

4. 协变量回归（XReg）支持

2025 年 10 月更新后，TimesFM 2.5 增加了对协变量的支持。用户可以引入外部变量（如促销活动、天气数据、节假日等）来增强预测精度。这对于实际业务场景中利用额外信息进行精准预测非常有用。

5. 灵活的部署选项

TimesFM 同时支持 PyTorch 和 Flax（JAX）后端： - PyTorch 版本：适合熟悉 PyTorch 生态的用户，可直接通过 pip install timesfm[torch] 安装 - Flax 版本：推理速度更快，适合对性能敏感的生产环境 - Google 第一方产品集成：已在 BigQuery ML、Google Sheets、Vertex AI Model Garden 等产品中落地

适用人群

数据科学家和分析师：需要快速进行时间序列预测，但不想从零训练模型
量化交易员：利用强大的零样本预测能力分析金融市场数据
供应链管理者：进行需求预测、库存优化和补货计划
运维工程师（AIOps）：监控指标预测、异常检测和容量规划
能源行业从业者：电力负荷预测、可再生能源发电预测
研究人员：时间序列基础模型的学术研究和实验

与同类工具对比

特性	TimesFM 2.5	Prophet	N-BEATS	DeepAR	Darts
开源	✅ Apache 2.0	✅ BSD	✅ MIT	✅ BSD	✅ MIT
预训练基础模型	✅	❌	❌	❌	❌
零样本预测	✅	❌	❌	❌	⚠️ 部分
最大上下文长度	16,000	无限制	有限	有限	有限
不确定性量化	✅ 分位数预测	✅	❌	✅ 概率	✅ 多种
协变量支持	✅ XReg	✅	✅	✅	✅
安装难度	低（pip）	低	中	高	低
生产就绪	✅ GCP 集成	✅	⚠️ 研究	⚠️ 研究	✅

TimesFM 的核心差异化在于它是唯一一个专门针对时间序列预训练的基础模型。Prophet 虽然易用但缺乏灵活性；N-BEATS 和 DeepAR 需要大量数据微调；Darts 是框架而非模型。TimesFM 填补了”开箱即用 + 高性能 + 可微调”的空白。

如何使用

安装

# 使用 PyTorch 后端
pip install timesfm[torch]

# 或使用 Flax 后端（推理更快）
pip install timesfm[flax]

# 如需协变量支持
pip install timesfm[xreg]

基本预测示例

import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

# 加载 TimesFM 2.5 模型
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")

# 配置预测参数
model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        horizon=12,
        normalize_inputs=True,
        use_continuous_quantile_head=True,
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)

# 执行预测
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),       # 示例序列 1
        np.sin(np.linspace(0, 20, 67)), # 示例序列 2
    ],
)

print(point_forecast.shape)    # (2, 12) - 两条序列各预测 12 步
print(quantile_forecast.shape) # (2, 12, 10) - 均值 + 10th~90th 分位数

使用 Hugging Face 加载

from huggingface_hub import hf_hub_download
import timesfm

# 直接从 Hugging Face 下载模型权重
checkpoint_path = hf_hub_download(
    repo_id="google/timesfm-2.5-200m-jax",
    filename="checkpoints/checkpoint_00000",
    repo_type="model"
)

# 加载 JAX 版本模型
tfm = timesfm.TimesFm(
    hparams=timesfm.TimesFmHParams(
        backend="jax",
        checkpoint_type=timesfm.CheckpointType.AWQ,
    ),
    wmgr=timesfm.WeightManager(checkpoint_path=checkpoint_path),
)

point_forecasts, quantile_forecasts = tfm.forecast(
    [your_time_series_data],
    forecast_horizon=12,
)

在 BigQuery ML 中使用（无需代码）

如果你的数据已经存储在 Google Cloud 上，可以直接在 SQL 中调用 TimesFM：

SELECT * FROM ML.FORECAST(
  MODEL `my_project.my_dataset.timesfm_model`,
  STRUCT(12 AS horizon, 0.95 AS confidence_level)
)

优缺点总结

优点

开箱即用：预训练模型直接可用，零样本预测效果好
参数高效：200M 参数实现卓越性能，推理成本远低于大型模型
灵活部署：支持 PyTorch、Flax、BigQuery ML、Google Sheets 等多种方式
持续更新：从 1.0 到 2.5 不断迭代，社区活跃
开源免费：Apache 2.0 协议，商业使用无顾虑
不确定性量化：内置分位数预测，适合风险敏感场景

缺点

学习曲线：高级功能（协变量、微调）需要一定的 ML 基础
GPU 依赖：虽然 200M 参数较小，但大规模数据仍需 GPU 加速
文档尚不完善：部分高级功能的文档仍在补充中
中文资料少：目前以英文文档和社区为主