Google Research 開源 TimesFM：強大且輕量的時間序列預測基礎模型
Google Research 推出了開源的時間序列預測基礎模型 TimesFM。該模型採用 decoder-only 架構，最新 2.5 版本將參數縮減至 2 億個，並將上下文長度提升至 16k，同時支援連續分位數預測。此技術讓開發者能更高效地處理複雜的時間序列數據，並已整合至 BigQuery ML 等 Google 產品中，大幅降低了預測模型的開發門檻。
Google Research 正式開源了專為時間序列預測設計的預訓練基礎模型 TimesFM (Time Series Foundation Model)。該模型旨在提供一個強大且靈活的基礎能力，讓開發者能快速實現精準的時間序列分析。
TimesFM 2.5：更輕量、更強大
最新推出的 TimesFM 2.5 版本在效能與資源消耗之間取得了更好的平衡。與 2.0 版本相比，2.5 版本帶來了顯著的升級：
- 參數規模縮減： 參數從 5 億個減少到 2 億個，大幅降低運算成本。
- 上下文長度提升： 支援的上下文長度從 2048 增加到 16k，能處理更長的時間序列數據。
- 分位數預測： 透過選配的 30M 分位數頭 (quantile head)，支援最高 1k 預測長度的連續分位數預測。
- 簡化操作： 移除了
frequency指標，並新增了多項預測標誌 (forecasting flags)。
生態系整合與微調支援
TimesFM 已被整合至 Google 的多項產品中，包含 BigQuery ML、Google Sheets 以及 Vertex Model Garden。對於開源社群，官方提供了透過 HuggingFace Transformers 與 PEFT (LoRA) 進行微調的範例，讓使用者能根據特定場景進行優化。
此外，由於模型權重已在 Hugging Face 上公開，開發者可以使用 pip install timesfm 進行安裝。若需使用舊版本 1.0 或 2.0，可安裝指定版本：
pip install timesfm==1.3.0目前該專案已新增 Flax 版本以實現更快速的推理，並透過 XReg 支援共變量 (covariate) 處理，使其在實際應用場景中更現靈活性。
延伸閱讀
- TimeSAF：LLM 引導的語意非同步融合提升時間序列預測效能
- 適應性混合選擇器 AHSIV：提升跨視野需求預測的穩定性與一致性
- AR‑KAN：自迴歸加權增強 Kolmogorov‑Arnold 網路在時間序列預測的突破
原始來源：GitHub Explorer
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
