TimesFM

Google 的时间序列基础模型——不给它看你的数据，它也能预测你的曲线

更新于 2026-09-04

一句话定位

时间序列的 GPT 时刻

Google Research 的预训练时间序列基础模型：把曲线切成 patch 当 token，用 decoder-only Transformer 学出「通用预测直觉」，零样本（zero-shot）就能预测没见过的序列——销量、负载、气温、股价曲线，不训练直接出未来。3.0 版原生支持多变量与协变量，在 fev-bench / TIME / GIFT-Eval 三大基准全部登顶。已内置于 BigQuery ML 和 Google Sheets。适合不想为每条曲线单独建模的预测场景。

核心数据

数据来源：GitHub API，采集于 2026-09-04。2024-04 创建，ICML 2024 论文；237 open issues；Apache-2.0 代码，但 3.0 权重单独许可（非商业）。

「基础模型」三个字对预测意味着什么

类比 NLP：它就是时间序列里的 GPT——把「预测下一词」换成「预测下一段曲线」。ICML 2024 论文标题即《A decoder-only foundation model for time-series forecasting》。

两年四级跳

曲线怎么变成「语言」

多变量 + 协变量：从「单曲线」到「系统」

from timesfm3 import TimesFM3Evaluator

outputs = forecaster.predict_batch(
    contexts=[target],          # (3, 128) 三条目标曲线
    horizon=24,
    past_only_covariates=[poc], # (1, 128) 仅过去已知
    past_future_covariates=[pfc], # (2, 152) 过去+未来已知
    return_quantiles=True)
# → (3, 24) 联合预测 + (3, 24, 9) 分位

三大基准，全部登顶

• 覆盖广度是卖点：三个基准口径不同（任务制/数据集制/基础模型专项），全第一说明不是在单一分布上过拟合
• 对比对象是谁：其他时间序列基础模型（Chronos、Moirai、TimeGPT 等）+ 传统统计/ML 基线
• 清醒剂：基准第一 ≠ 你的场景第一——特异领域（高频金融、不规则采样）仍建议用自己的数据验证

不只是 GitHub 仓库：Google 全家桶已内置

pip install timesfm[torch]
# 或直接拉 3.0 权重
google/timesfm-3.0-pytorch
# (Hugging Face)

3.0 权重不再 Apache：最关键的商业决策

冷静看

• 3.0 权重非商业：最强的版本不能直接商用（见上页），生产选型时这是第一约束
• 237 个 open issues：Google Research 仓库的常态——社区响应是尽力而为，非官方支持产品（README 自述）
• zero-shot 不等于免验证：分布外的特殊序列（不规则采样、极高频金融）可能翻车，上生产前务必用自己的历史数据回测
• 基准与实用 gap：榜单是固定数据集；你的数据有它没见过的怪癖时，LoRA 微调预算要留
• 3.0 代码较新：timesfm3 模块 2026-08 刚发布，社区生态（教程/集成）还在追赶 2.x

打分

综合 8/10。预测领域的范式定义者——「每条曲线单独建模」的时代正在被它终结。扣分在 3.0 权重许可的倒退：开源社区拿到的是上一个版本的钥匙。

适合谁，不适合谁