企业官网建设流程全解析

TimesFM 时间序列预测模型安装上手：极简配置首跑

【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm

TimesFM 是 Google Research 开源的预训练时间序列预测基础模型，给它一段历史数值，直接输出未来点位预测和 10 分位概率区间，无需为每个任务单独训练模型。2.5 检查点参数量 200M，支持最长 16384 点的上下文和最长 1024 步的预测跨度。模型权重免费，整条本地免费安装路径是 5 行命令加一个 8 行脚本。

动手前先确认机器：版本对比与内存要求

先确认版本：不跑旧检查点代码，直接用 2.5 即可。

2.5 权重约 800 MB，CPU 小批量推理约占 1.5 GB 内存，4 GB 显存足够跑；长上下文（4096+）或大批量建议 16 GB+ 内存或 8 GB+ 显存，细节见系统需求说明。1.0/2.0 已归档到 v1/，可用pip install timesfm==1.3.0单独安装。

最短安装命令：从克隆到可用环境

git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv venv source .venv/bin/activate uv pip install -e .[torch]

• 前两行克隆并进入仓库：依赖都声明在 pyproject.toml 里，本地可编辑安装方便看源码。
• 中间两行创建并激活隔离虚拟环境：要求 Python 3.10+，不碰系统包。
• 最后一行装 torch 后端：自动拉入 numpy、huggingface_hub、safetensors、torch。

不想本地源码时，pip install timesfm[torch]一行装 PyPI 发布版；Flax 后端（推理更快）和 xreg 选项（协变量）按需后装即可。

第一次预测：最小可运行代码

import torch, numpy as np, timesfm torch.set_float32_matmul_precision("high") model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch") model.compile(timesfm.ForecastConfig(max_context=1024, max_horizon=256, normalize_inputs=True, use_continuous_quantile_head=True)) point, quantile = model.forecast(horizon=12, inputs=[np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))]) print(point.shape, quantile.shape)

• 第 2 行放宽 float32 矩阵乘精度，降低 CPU 推理开销。
• 第 3 行加载 2.5 预训练检查点，约 800 MB，首次下载后缓存在~/.cache/huggingface/。
• 第 4 行编译推理配置：上下文上限 1024、预测跨度上限 256，开启输入归一化与连续分位数头。
• 第 6–8 行喂两条示例序列，拿到首个输出：point形状 (2, 12)，quantile形状 (2, 12, 10)，即均值加 10%–90% 分位数。

上面是示例数据，真实序列的输出效果如下（仓库内全球温度预测示例的结果）：

排坑手册：常见报错、原因与解法

完整错误清单见 v1/TROUBLESHOOTING.md。

跑通之后去哪

• LoRA 微调：用自己的数据继续训练预训练权重，示例在 timesfm-forecasting/examples/finetuning/。
• 协变量预测：XReg 模块接入静态/动态协变量（温度、价格、促销等），demo 见 v1/notebooks/covariates.ipynb。
• 性能评测：扩展基准测试脚本在 v1/experiments/extended_benchmarks/run_timesfm.py，参考结果图：

自查清单

• import timesfm成功，torch 后端与依赖全部装好
• 2.5 检查点已下载（约 800 MB，位于~/.cache/huggingface/）
• model.forecast已返回point(2, 12) 与quantile(2, 12, 10)
• 真实数据已预处理：无缺失值，长度不超过max_context

四项全部满足后，把你的真实数据接到 timesfm-forecasting/scripts/forecast_csv.py，跑第一次真实预测。

【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm