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/timesfmTimesFM 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。版本参数规模最大上下文推荐硬件适用场景2.5200M16384 点CPU 4–8 GB 内存或任意 NVIDIA GPU默认选择支持连续分位数预测2.0500M2048 点16 GB 内存或 8 GB 显存遗留检查点代码在 v1/ 子目录1.0200M512 点32 GB 内存简单任务 / 旧脚本兼容2.5 权重约 800 MBCPU 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 timesfm1.3.0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_context1024, max_horizon256, normalize_inputsTrue, use_continuous_quantile_headTrue)) point, quantile model.forecast(horizon12, 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、原因与解法症状原因解法ERROR: Could not build wheels for lingvolingvo 不支持 ARM / Apple Silicon改用 torch 后端pip install timesfm[torch]或用 Rosetta 跑 x86_64安装时报Killed (signal 9)内存不足旧版官方建议 32 GB关掉其他程序干净环境里用pip install --no-cache-dir重装HfFileNotFoundError: 404 Client Error检查点下载失败或缓存损坏检查网络huggingface-cli login确认登录清空~/.cache/huggingface/重试RuntimeError: CUDA out of memory批量或上下文超出显存per_core_batch_size降到 16/8/4上下文缩到最小需求或切 CPU 验证ModuleNotFoundError: No module named xreg_libtorch 版未带 JAX 依赖用协变量前补装pip install jax jaxlib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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
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/timesfmTimesFM 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。版本参数规模最大上下文推荐硬件适用场景2.5200M16384 点CPU 4–8 GB 内存或任意 NVIDIA GPU默认选择支持连续分位数预测2.0500M2048 点16 GB 内存或 8 GB 显存遗留检查点代码在 v1/ 子目录1.0200M512 点32 GB 内存简单任务 / 旧脚本兼容2.5 权重约 800 MBCPU 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 timesfm1.3.0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_context1024, max_horizon256, normalize_inputsTrue, use_continuous_quantile_headTrue)) point, quantile model.forecast(horizon12, 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、原因与解法症状原因解法ERROR: Could not build wheels for lingvolingvo 不支持 ARM / Apple Silicon改用 torch 后端pip install timesfm[torch]或用 Rosetta 跑 x86_64安装时报Killed (signal 9)内存不足旧版官方建议 32 GB关掉其他程序干净环境里用pip install --no-cache-dir重装HfFileNotFoundError: 404 Client Error检查点下载失败或缓存损坏检查网络huggingface-cli login确认登录清空~/.cache/huggingface/重试RuntimeError: CUDA out of memory批量或上下文超出显存per_core_batch_size降到 16/8/4上下文缩到最小需求或切 CPU 验证ModuleNotFoundError: No module named xreg_libtorch 版未带 JAX 依赖用协变量前补装pip install jax jaxlib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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
