TimesFM Forecasting - 零样本时间序列预测

技能概述

TimesFM Forecasting 是 Google Research 开发的预训练时间序列基础模型，无需训练即可对任何单变量时间序列进行预测，支持销售、传感器、能耗、生命体征、天气等多种数据类型，提供点预测和量化预测区间。

适用场景

1. 销售和需求预测

预测产品销量、库存需求、订单量等业务指标。无需收集大量历史数据重新训练模型，直接输入销售数据即可获得未来趋势预测，支持批量预测数百个产品或门店的时间序列。

2. 传感器和 IoT 数据分析

处理温度、压力、流量等工业传感器数据，或能耗监控、设备状态监测等 IoT 场景。模型支持长达 16,384 个数据点的上下文窗口，能够处理高频采集的传感器时间序列，并提供预测区间用于异常检测。

3. 快速原型和基准测试

作为时间序列预测的零样本基线模型，快速评估预测任务的可行性。相比传统 ARIMA/ETS 等需要参数调优的统计模型，TimesFM 开箱即用，适合数据探索、模型对比和快速原型开发。

核心功能

1. 零样本预测

TimesFM 使用 200M 参数的预训练模型，无需针对特定数据集训练或微调。支持 CSV、DataFrame、NumPy 数组等多种输入格式，只需输入历史时间序列数据，模型即可输出预测结果和 10 个分位数的预测区间。

2. 系统资源检查

内置强制预检系统检查脚本 check_system.py，在首次加载模型前自动检查可用内存（≥4GB）、GPU 可用性和 VRAM、磁盘空间（≥2GB）、Python 版本等系统要求，避免因资源不足导致模型加载失败。

3. 批量预测和协变量支持

支持同时预测数百个单变量时间序列，内部自动批处理提高效率。TimesFM 2.5+ 版本通过 forecast_with_covariates() API 支持外生变量（价格、促销、假期等），结合基础模型预测和协变量调整提升预测精度。

常见问题

TimesFM 需要训练吗？

不需要。TimesFM 是预训练的基础模型，采用零样本预测方式。你只需要提供历史时间序列数据，模型即可直接输出预测结果，无需针对你的数据集进行训练或微调。这是 TimesFM 相比传统时间序列模型的主要优势。

TimesFM 的系统要求是什么？

TimesFM 2.5 版本（推荐）使用 200M 参数，需要至少 4GB RAM（CPU 模式）或 2GB VRAM（GPU 模式），以及约 800MB 磁盘空间用于存储模型权重。模型首次运行时会从 HuggingFace 自动下载权重并缓存。建议在加载模型前运行 python scripts/check_system.py 检查系统配置。

TimesFM 可以做异常检测吗？

TimesFM 本身没有内置异常检测功能，但可以通过预测区间实现异常检测。模型输出的量化预测包含 10 个分位数（q10-q90），如果实际值落在 90% 预测区间（q10-q90）之外，可以认为是统计学上的异常值。技能包含完整的异常检测示例，展示如何结合历史数据线性去势和 Z-score 分数实现两阶段异常检测。