75
// 项目简介
TimesFM 是由 Google Research 专门为时间序列预测任务开发的仅解码器基础模型。最新的 2.5 版本采用了 200M 参数架构，支持高达 16k 的上下文长度和连续分位数预测。该存储库提供了用于推理、使用 LoRA 进行微调以及与代理工作流集成的全面工具。
// 技术分析
TimesFM 是由 Google Research 开发的专门用于时间序列预测的仅解码器基础模型。通过利用大规模预训练架构，它解决了构建稳健、通用的预测模型的挑战，这些模型无需进行大量的特定任务训练即可处理多样化的时间数据。该项目通过提供一个支持显著更长上下文长度和可选分位数头的 200M 参数模型，在性能和效率之间取得了平衡，为企业级应用和自定义研究工作流提供了一个多功能的工具。
// 核心亮点
01
支持高达 16k 的扩展上下文长度，允许分析更长的时间序列历史数据。
02
采用 200M 参数架构，在保持高性能预测的同时提高了效率。
03
包含一个可选的 30M 参数分位数头，可实现长达 1k 预测范围的连续分位数预测。
04
提供灵活的后端支持，允许用户在 PyTorch 和 Flax 之间进行选择，以针对不同硬件进行推理优化。
05
通过与 HuggingFace Transformers 和 PEFT (LoRA) 集成，实现微调功能，以进行特定领域的适配。
06
通过 XReg 提供协变量支持，允许模型在预测过程中考虑外部变量。
// 典型使用场景
01
支持连续分位数输出的高性能时间序列预测
02
使用 HuggingFace Transformers 和 PEFT (LoRA) 对基础模型进行微调
03
通过 BigQuery ML 和 Vertex AI 集成到代理工作流和企业级应用程序中
// 快速开始
首先，克隆存储库并使用 uv 设置虚拟环境。以可编辑模式安装软件包，并选择您偏好的后端（torch、flax 或 xreg），同时确保为您的硬件安装了相应的深度学习框架。然后，您可以使用提供的 Python API 加载预训练模型，并配置预测参数以对您的时间序列数据生成预测。