谷歌发布时序预测基础模型TimesFM，2亿参数，消费级GPU可运行，零样本时间序列预测新突破

最新推荐文章于 2025-07-27 22:45:12 发布

原创最新推荐文章于 2025-07-27 22:45:12 发布 · 3.1k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#transformer #深度学习 #人工智能 #自然语言处理 #语言模型

前言

时序数据在零售、金融、制造、医疗和自然科学等各个领域无处不在，而时序预测则是这些领域中一项至关重要的任务。近年来，深度学习模型在处理丰富、多变量的时序数据方面取得了显著进展，往往优于传统的统计方法，例如 ARIMA 或 GARCH。然而，大多数深度学习模型都需要经过漫长而复杂的训练和验证过程，才能在新的时序数据上进行测试。因此，对于需要快速部署和应用的实际场景，这些模型存在局限性。

为了解决这一问题，Google Research 团队推出了全新的时间序列预测基础模型——TimesFM，它可以在无需额外训练的情况下，对未曾见过的时序数据进行预测，并且取得了令人印象深刻的性能。TimesFM 基于大型时序数据集的预训练，并采用解码器式的注意力模型架构，具有出色的泛化能力，能够在各种时间尺度和不同领域的数据集上进行有效预测。

Huggingface模型下载：https://huggingface.co/google/timesfm-1.0-200m
AI快站模型免费加速下载：https://aifasthub.com/models/google

技术特点

TimesFM 拥有以下关键技术特点，使其在时序预测领域具有显著优势：

海量数据预训练，解锁强大的泛化能力

TimesFM 在一个包含 1000 亿个真实世界时间点的庞大时序数据集上进行预训练。这个数据集涵盖了各种领域、趋势和季节性模式，以及不同的时间粒度。这些丰富的数据帮助 TimesFM 学习到通用时序模式，并具备强大的泛化能力，能够对未曾见过的时序数据进行准确预测。

解码器式注意力模型架构，高效处理时序数据

TimesFM 采用解码器式注意力模型架构，灵感源自自然语言处理领域的大型语言模型。在训练过程中，模型将时序数据分成多个连续的“patch”，并通过堆叠的 Transformer 层对这些 patch 进行编码。每个 patch 可以看作是语言模型中的一个词元，模型能够根据之前看到的 patch 信息，预测下一个 patch 的内容。

灵活的上下文和预测长度，适应多样化预测需求

TimesFM 的设计能够适应不同的上下文长度和预测长度，满足多样化的预测需求。例如，模型可以根据过去 32 个时间点的数据，预测未来 128 个时间点的趋势。

轻量级模型设计，消费级 GPU 可运行

TimesFM 的模型参数规模仅为 2 亿，在消费级 GPU 上即可运行，降低了使用门槛，使其更容易被应用于各种实际场景中。

性能表现

TimesFM 在多个公共数据集上进行了零样本评估，其性能与在特定数据集上专门训练的监督学习模型相比毫不逊色。

在 Monash Forecasting Archive 数据集上的表现： TimesFM 在包含数千个不同时间尺度和领域的时序数据的 Monash Forecasting Archive 数据集上，其零样本预测性能超过了大多数监督学习方法，包括 DeepAR 和 WaveNet 等深度学习模型。
在 Darts 数据集上的表现： TimesFM 在 Darts 数据集上表现出色，其性能与 ARIMA 和 llmtime 等模型相当，而 llmtime 则使用了参数量远大于 TimesFM 的 GPT-3 模型。
在 ETT 数据集上的表现： TimesFM 在 ETT 数据集上的表现优于 llmtime，并且与专门训练的 PatchTST 模型相比性能相当。