Google Research开发的TimesFM是一款开源的预训练时间序列预测模型，采用零样本学习方式，无需训练即可预测。本文介绍了其解码器架构、安装方法、核心功能及在加密货币预测中的应用，强调其免费、本地运行的特点。
Google造了个时间序列预测模型叫TimesFM，装上就能用，数据不用离开电脑，也不用掏钱。
TimesFM采用零样本预测直接干活
零样本预测是什么意思？就是说，你拿这个模型过来，给它看你家过去几年的销售数据、网站访问量或者温度记录，它直接就能告诉你未来几天会咋样。不用像以前那样，还得自己吭哧吭哧地训练模型。
它就像个去过很多地方的老导游，你随便把他扔到一个新城市，他瞅两眼地图就能带你逛起来。这个模型看过的数据，加起来超过3800亿个时间点，比你看过的电视剧集数还多无数倍，所以它真的见过大世面。
你给它一份比特币历史价格，它立马能吐出明天甚至后天的预测值，附带一串不确定性区间。这速度堪比泡一碗方便面，你水还没烧开，它已经算完了。
TimesFM安装只需要一行命令
时代变了，朋友们。以前搞时间序列预测，得先装几十个库，配环境变量配到怀疑人生。现在呢？pip install timesfm。就这一行。
你想用PyTorch版本就加个[torch]标签，想用JAX版本就换一个。装完拉倒，不需要去Google Cloud注册账号，不需要申请什么API密钥，你的数据就老老实实待在你自己的电脑上，不会被偷走传到云端。
你甚至可以在Google Sheets里直接用它做预测，就像用个SUM函数一样简单。对于企业用户，它还能跟BigQuery ML集成，你写个SQL查询就能在数据仓库里直接做大规模预测。
TimesFM解码器架构如同文字接龙
这家伙虽然是个预测未来的模型，但它用的招数跟ChatGPT那些语言模型是亲戚。它俩都用了“解码器”这种结构，处理数字跟处理文字是一个逻辑。
ChatGPT是看了上文猜下一个字，TimesFM是看了上文猜下一个数。它把你的时间序列数据切成一块一块的，每一块32个点，然后像搭积木一样处理这些块，比一个点一个点地看要快得多。
所以当你给它上千个历史数据点，它几秒钟就能给你吐出来未来几百步的预测结果。这种速度以前得用超算才能跑，现在你的笔记本电脑就够了。
TimesFM把上下文拉长到一万六
最早的版本只能看512个历史数据点，后来升级到2048个，现在最新的TimesFM 2.5版本，直接把“记忆”拉长到了一万六。这意味着啥？意味着你给它好几年的日度数据，它全能看进去，不丢三落四。
而且它的参数从5亿降到了2亿，反而更小了，跑起来更快，对电脑内存也更友好。这就像是把一个大行李箱换成了一个小背包，装的东西反而更多了。
这么长的上下文窗口还有个好处，就是能捕捉到长周期的规律。比如零售业的年度季节性，或者气候变化的多年趋势，模型都能一眼望穿。
TimesFM预测还能给出靠谱区间
以前预测只能给个数，说“明天销量100件”，这谁心里有底啊。现在TimesFM 2.5版本，多带了一个三千万参数的分位数小脑袋，能告诉你：有80%的概率，明天销量在90到110件之间。
这就很实用了，库存备货心里就有数了，万一预测不准，也知道大概会偏多远，不至于被老板骂得太惨。分位数预测最多可以做到未来1000步，基本上覆盖了大半年的日度数据。
你可以根据自己的需求调整分位数的档位，要保守就看高分位数，要激进就看低分位数，灵活得很。
TimesFM支持外部变量微调
如果你的预测不光看历史数据，还得看天气、节假日、促销活动这些外部因素，TimesFM也能接招。它通过一个叫XReg的机制，允许你把外部变量塞进去一起算账。
要是你觉得你手头的行业数据特别特殊，跟模型见过的都不太一样，你还可以用LoRA这种轻量级的方式，微调一下模型让它更懂你。微调支持通过HuggingFace的Transformers和PEFT库搞定，不费劲。
这就像是你请了个大厨来你家做饭，他不光会做通用菜系，你给他看了你家的调料柜，他还能根据你家的口味稍微调整一下配方。
TimesFM实战演示比特币预测
假设你想看看比特币明天会不会涨。你只要把过去一段时间的币价数据，用Python的numpy数组或者pandas的DataFrame装好，往模型里一扔就行。
如果是DataFrame，记得把日期列起名叫ds，数值列起名叫y，模型就认这个。代码量大概也就十来行，比你去菜市场买个菜还要简单。
python
import timesfm
import numpy as np
# 加载最新的2.5版模型
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")
# 配置一下预测参数
model.compile(
timesfm.ForecastConfig(
max_context=1024, # 最多看1024个点
max_horizon=256, # 预测未来256步
normalize_inputs=True, # 自动帮你归一化数据，提升稳定性
use_continuous_quantile_head=True, # 开启预测区间功能
infer_is_positive=True, # 如果预测销量这种不能为负的，就强制结果非负
)
)
# 搞一段模拟的历史价格数据
historical_prices = np.random.randn(200).cumsum() + 100
# 执行预测，horizon=30就是预测未来30步
point_forecast, quantile_forecast = model.forecast(
horizon=30,
inputs=[historical_prices]
)
print("未来30步的预测值:", point_forecast[0])
你跑完这段代码，屏幕上会跳出未来30天的预测数值和分位数区间。整个过程用不了一分钟，比你去交易所看K线图还快。
TimesFM在加密货币预测上有点慌
你得清醒一点。加密货币这玩意儿，它不光是看历史价格的。马斯克发个推文、政府出个监管政策，价格就能上蹿下跳。
TimesFM再厉害，它也只能看到过去的价格数字，没法提前知道你明天早上会看到什么新闻。所以在币圈，把它当个参考信号还行。
它给你一个“如果啥意外都不发生，价格大概会这样走”的基准线。但你千万别把它当算命先生，指着它告诉你明天是涨是跌，毕竟这真不是投资建议。
而且币圈的数据噪声特别大，模型给出的预测区间往往宽得吓人，这恰恰说明它诚实，知道自己看不准。要是哪个模型对币圈拍着胸脯说“我准得很”，那你反倒要小心了。
TimesFM完全开源随便用
这玩意儿是Apache-2.0许可证，完全开源，权重文件在Hugging Face上随便下载。这意味着你可以在自己的服务器上随便跑，不限次数，不限量，一分钱不用花。
Google这次确实是做了件大好事，把这么个好东西免费放了出来，让咱普通人也用得上这种前沿技术。你想想看，以前这种级别的模型，要么是闭源的商业软件，要么得自己用巨额数据去训练，现在好了，拿来就用。
你甚至可以把它嵌入到自己的应用里，做个自动化预测的小工具，或者定时跑个脚本每天早上给你发预测报告。怎么玩都行，没人收你钱。