TimesFM评测：Google开源时间序列预测模型，200M参数搞定16K上下文

Thu, 02 Apr 2026 16:00:00 +0800

简介

TimesFM是Google Research推出的预训练时间序列基础模型，专门用于时间序列预测。简单说，你给它一段历史数据，它能告诉你未来会怎样——销售预测、流量预估、股价走势，都行。

最新2.5版本把参数量从500M砍到200M，但上下文长度反而从2048飙升到16K，预测范围最高支持1000步。更骚的是，这东西已经整合进Google BigQuery，直接当云服务用。

核心功能

超长上下文理解

16K的上下文窗口意味着你能喂给它更长的历史数据。以前2048个时间点就到头了，现在能吃下16倍的数据量。对于周期性强的数据（比如有年周期规律的销售数据），预测准确度会更高。

连续分位数预测

不只是给个点预测，TimesFM能输出从10%到90%的完整分位数分布。相当于告诉你：最可能的结果是多少，最好情况能有多好，最坏情况会多糟。做风险评估的人应该会喜欢这个功能。

轻量化设计

200M参数的模型比上一代500M小了一半多，效果没掉。显存占用更低，推理更快，RTX 3080就能跑起来。

BigQuery原生集成

不想折腾本地部署的话，可以直接在Google BigQuery里调用TimesFM模型，SQL语句就能做预测。云端算力帮你跑，省事。

价格方案

方案	价格	适合场景
开源版本	免费	本地部署，完全自主控制
BigQuery版本	按查询量计费	企业级应用，无需运维

开源版成本：

GPU需求：RTX 3080以上即可（10GB显存够用）
云端租用：约$0.5-1/小时（按需GPU实例）
自己有硬件的话，完全免费

BigQuery版定价：

按处理数据量计费，约$5/TB
预测API调用另计费
不想折腾基础设施的团队可以考虑

👉 TimesFM GitHub仓库（开源免费） 👉 BigQuery TimesFM文档（云端付费）

优缺点对比

优点	缺点
开源免费，商用友好	对小数据集可能过拟合
16K上下文长度，行业领先	需要一定技术门槛部署
分位数预测，风险量化实用	文档相对简单，踩坑要自己摸索
参数轻量，消费级硬件可跑	BigQuery集成仅限GCP用户
Google出品，持续更新	不支持多变量时间序列（2.5版本）

适合人群

适合：

需要做销售/流量/库存预测的电商运营
金融量化分析师，需要快速验证预测模型
数据科学家，想省去模型训练时间
物联网场景，预测设备状态或能耗

不适合：

完全没有编程基础的小白
数据量特别小的场景（少于100个时间点）
需要多变量联合预测的复杂场景

使用教程

环境准备

# 克隆仓库
git clone https://github.com/google-research/timesfm.git
cd timesfm

# 创建虚拟环境
uv venv
source .venv/bin/activate

# 安装依赖（PyTorch版本）
uv pip install -e .[torch]

加载模型

import torch
import timesfm

# 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,      # 最大上下文长度
        max_horizon=256,       # 最大预测步数
        normalize_inputs=True,
        use_continuous_quantile_head=True,
    )
)

执行预测

import numpy as np

# 准备输入数据（两个示例序列）
inputs = [
    np.linspace(0, 1, 100),      # 线性趋势
    np.sin(np.linspace(0, 20, 67)),  # 正弦波
]

# 预测未来12步
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=inputs,
)

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

不需要训练，直接推理。

数据分析 on 赛博工具站