时间序列预测基础模型TimesFM安装与使用指南-优快云博客

时间序列预测基础模型TimesFM安装与使用指南

【免费下载链接】timesfm TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting. 项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm

TimesFM（Time Series Foundation Model）是Google Research开发的时间序列预测基础模型，提供强大的零样本预测能力。本文将详细介绍TimesFM项目的安装、配置和使用方法。

项目概述

TimesFM是一个预训练的时间序列基础模型，专门用于时间序列预测任务。该项目支持多种模型版本：

TimesFM 2.5（最新版本）：200M参数，支持16k上下文长度，提供连续分位数预测
TimesFM 2.0：500M参数，支持2048上下文长度
TimesFM 1.0：200M参数，支持512上下文长度

项目目录结构

timesfm/
├── README.md                 # 项目主说明文档
├── pyproject.toml           # Python项目配置
├── requirements.txt         # 依赖包列表
├── LICENSE                  # 许可证文件
├── src/                     # 源代码目录
│   └── timesfm/            # 核心代码库
│       ├── __init__.py     # 包初始化文件
│       ├── configs.py      # 配置文件
│       ├── torch/          # PyTorch实现
│       ├── flax/           # Flax实现
│       ├── utils/          # 工具函数
│       └── timesfm_2p5/    # TimesFM 2.5版本代码
└── v1/                      # 旧版本代码存档
    ├── notebooks/           # Jupyter notebook示例
    │   ├── covariates.ipynb      # 协变量使用示例
    │   ├── finetuning.ipynb      # 模型微调示例
    │   └── finetuning_torch.ipynb # PyTorch微调示例
    ├── experiments/         # 实验代码
    │   ├── baselines/       # 基准测试
    │   ├── extended_benchmarks/  # 扩展基准测试
    │   └── long_horizon_benchmarks/ # 长周期基准测试
    ├── peft/                # 参数高效微调
    ├── src/                 # 源代码
    └── tests/               # 测试文件

环境配置与安装

使用uv安装（推荐）

克隆项目仓库：

git clone https://gitcode.com/GitHub_Trending/ti/timesfm.git
cd timesfm

创建虚拟环境并安装依赖：

# 创建虚拟环境
uv venv

# 激活环境
source .venv/bin/activate

# 安装带PyTorch支持的版本
uv pip install -e .[torch]

# 或安装带Flax支持的版本
uv pip install -e .[flax]

# 或安装带XReg支持的版本（需要协变量支持）
uv pip install -e .[xreg]

可选：安装深度学习框架后端

根据你的硬件配置选择合适的后端：

PyTorch：访问 PyTorch官网获取安装指南
JAX：访问 JAX安装文档获取安装指南

模型使用示例

基本预测功能

import torch
import numpy as np
import timesfm

# 设置计算精度
torch.set_float32_matmul_precision("high")

# 加载预训练模型
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,
        max_horizon=256,
        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),      # 第一个时间序列
        np.sin(np.linspace(0, 20, 67)), # 第二个时间序列
    ],
)

print(f"点预测形状: {point_forecast.shape}")        # (2, 12)
print(f"分位数预测形状: {quantile_forecast.shape}") # (2, 12, 10)