谷歌研究团队开发了TimesFM时间序列基础模型，这是一个预训练的时间序列预测模型，可用于时间序列预测任务。该项目已在GitHub上开源。

Google Research 发布 TimesFM 时间序列预测基础模型

核心内容： Google Research 开发的开源时间序列基础模型 TimesFM（Time Series Foundation Model）已发布 2.5 版本。该模型具有以下特点：

1. 模型能力

• 参数量：2.5 版本为 2 亿参数（较 2.0 版的 5 亿参数精简）
• 支持最长 16k 的上下文窗口（原版本为 2048）
• 新增连续分位数预测功能（可选 3000 万参数的分位数预测头）
• 取消了对时间序列频率指标的依赖

2. 技术升级

• 即将推出基于 Flax 的版本以加速推理
• 重新加入协变量支持（通过 XReg 实现）
• 提供 PyTorch 和 JAX 两种框架支持

3. 使用方式

• 安装：可通过 pip 安装（timesfm==1.3.0 可兼容旧版）
• 示例代码支持多序列批量预测，输出包括点预测和分位数预测结果

4. 资源信息

• 论文发表于 ICML 2024
• 模型权重托管在 Hugging Face 平台
• 已集成至 Google BigQuery 产品线

备注： 该项目是 Google Research 的非官方支持产品，最新版本于 2025 年 10 月 29 日更新协变量支持功能。

（注：原文中大量 GitHub 界面导航、用户交互元素等非技术内容已过滤，保留核心技术说明和资源链接）

总结评论内容如下：

1. 对模型实用性的质疑

• 质疑通用时间序列模型的可行性："同一个模型如何可靠预测意大利鸡蛋价格和全球通胀？"（How can the same model predict egg prices in Italy, and global inflation in a reliable way?）
• 对无上下文预测的担忧："时间序列没有上下文？只是基于大量数字集训练？"（the time series are provided with no context? It's just trained on lots of sets of numbers?）

2. 技术原理探讨

• 推测模型工作原理："机器首先会从数据中猜测是否属于已见过的类别"（the machine will first guess from the data alone if this is one of the categories it has already seen）
• 简单模型可能更优："我宁愿使用简单模型（如ARIMA）或理论模型"（I would rather just use either a simple model (ARIMA or whatever) or a theoretically-informed model）

3. 相关资源补充

• 提供替代方案链接："Nixtla和Prophet项目"（https://github.com/Nixtla/nixtla and https://facebook.github.io/prophet/）
• 指出非新闻性："这不是新闻，应标注(2024)"（this is not news (see: https://research.google/blog/... )）

4. 应用前景讨论

• 询问实际应用案例："现在有人基于它构建了什么吗？"（has anyone built anything on it?）
• 质疑预测可行性："香农会告诉我们时间预测是胡说"（Shannon would tell us that time forecasting is bullshit）

5. 技术解释需求

• 请求简单解释："能否用通俗语言解释其工作原理？"（Can someone explain ELI5 how it does work?）