google-research/timesfm

Google Research 开源的时间序列预测基础模型，支持零样本预测与微调

Google Research 开源的时间序列预测基础模型，支持零样本预测与微调

产品定位

TimesFM 定位于通用时间序列基础模型，强调零样本泛化能力，区别于需要针对每个预测任务单独训练的传统模型。选型时需注意许可边界：源代码及 2.5 及以下版本权重采用 Apache-2.0，可自由使用；而 TimesFM 3.0 预训练权重采用 timesfm-non-commercial-license-v1.0，仅限非商业、非生产用途，商业场景需谨慎评估。此外，该开源版本并非 Google 官方支持的产品，生产环境使用需自行承担维护责任。旧版本（1.0 和 2.0）代码归档在 v1 子目录，加载方式与新版不同，迁移时需留意。

适合用户

  • 时间序列预测研究人员
  • 数据科学与机器学习工程师

功能亮点

  • 单变量时间序列预测

    支持对一批不同上下文长度的一维时间序列进行预测。

  • 多变量时间序列预测

    TimesFM 3.0 原生支持多通道多变量序列的联合预测。

  • 协变量支持

    支持仅过去协变量和过去及未来协变量，无需逐任务调优。

  • 分位数预测

    可输出点预测及 0.1 到 0.9 的 9 个分位数预测。

  • LoRA 微调

    提供基于 HuggingFace Transformers + PEFT（LoRA）的微调示例。

使用步骤

通过 PyPI 安装并进行预测

  1. 执行 pip install timesfm[torch] 安装
  2. 配置 ModelConfig 并加载检查点（如 google/timesfm-3.0-pytorch）
  3. 调用 predict_batch 传入上下文序列与预测视界，获取点预测和分位数结果

本地克隆仓库安装

  1. git clone https://github.com/google-research/timesfm.git
  2. 创建虚拟环境（如使用 uv）
  3. 以可编辑模式安装：uv pip install -e .[torch]

使用 LoRA 微调模型

  1. 参考 timesfm-forecasting/examples/finetuning/ 中的示例
  2. 使用 HuggingFace Transformers + PEFT（LoRA）进行微调

适用场景

单变量序列预测

数据科学与机器学习工程师

对不同长度的单条时间序列进行点预测与分位数预测。

多变量带协变量预测

数据科学与机器学习工程师

对多通道序列连同仅过去或过去及未来协变量进行联合预测。

访问与价格

可用状态: 当前可用

价格信息: 开源

支持平台: API, 自托管

价格说明: 源代码及 2.5 及以下版本权重采用 Apache-2.0 开源许可；TimesFM 3.0 预训练权重采用 timesfm-non-commercial-license-v1.0，仅限非商业、非生产用途（capturedAt=2026-09-01）。

官方入口

常见问题

TimesFM 3.0 的权重可以商用吗？

不可以。TimesFM 3.0 预训练权重采用 timesfm-non-commercial-license-v1.0，仅限非商业、非生产用途；源代码和 2.5 及以下版本权重仍为 Apache-2.0。

如何安装 TimesFM？

可通过 PyPI 执行 pip install timesfm[torch] 安装，或克隆仓库后以可编辑模式本地安装。

这是 Google 官方支持的产品吗？

不是。README 明确说明该开源版本不是 Google 官方支持的产品。

来源核验

资料核验于 2026-09-01