TimesFM
时序预测大模型，参数量达数十亿级别，对算力要求较高
Timeline (last 90 days)
谷歌TimesFM是专门做时间序列预测的基础模型，具备零样本预测能力，无需对特定业务数据专门训练
代表性的时间序列基础模型包括 Google 的 TimesFM、Amazon 的 Chronos 和 Salesforce 的 Moirai
TimesFM借鉴大语言模型的预训练+零样本推理范式，预训练后可直接对未见过的时间序列进行预测，无需针对性训练
TimesFM的patch机制将计算复杂度从O(n²)降至O(p²)，其中p为patch数量
TimesFM采用decoder-only的Transformer架构，与GPT系列模型设计理念一致
根据谷歌研究院论文，TimesFM的预训练数据规模达到约1000亿个时间点
TimesFM不仅支持点预测，还支持概率预测（输出预测分布的分位数）
TimesFM以Python实现并在GitHub上开源发布，提供源码与预训练权重
TimesFM同时提供基于JAX和PyTorch两种深度学习框架的实现
patch-based输入方式借鉴了Vision Transformer将图像切分为patch的思路
7 more timeline events
All Facts (17)
谷歌TimesFM是专门做时间序列预测的基础模型，具备零样本预测能力，无需对特定业务数据专门训练
50%Unverified代表性的时间序列基础模型包括 Google 的 TimesFM、Amazon 的 Chronos 和 Salesforce 的 Moirai
50%UnverifiedTimesFM借鉴大语言模型的预训练+零样本推理范式，预训练后可直接对未见过的时间序列进行预测，无需针对性训练
50%UnverifiedTimesFM的patch机制将计算复杂度从O(n²)降至O(p²)，其中p为patch数量
50%UnverifiedTimesFM采用decoder-only的Transformer架构，与GPT系列模型设计理念一致
50%Unverified根据谷歌研究院论文，TimesFM的预训练数据规模达到约1000亿个时间点
50%UnverifiedTimesFM不仅支持点预测，还支持概率预测（输出预测分布的分位数）
50%UnverifiedTimesFM以Python实现并在GitHub上开源发布，提供源码与预训练权重
50%UnverifiedTimesFM同时提供基于JAX和PyTorch两种深度学习框架的实现
50%Unverifiedpatch-based输入方式借鉴了Vision Transformer将图像切分为patch的思路
50%UnverifiedTimesFM在数千个不同领域、不同频率、不同模式的时间序列数据集上完成了预训练
50%UnverifiedTimesFM具备零样本预测能力,可直接对未见过的时间序列进行预测而无需微调
50%UnverifiedTimesFM完全以Python实现,并以开源方式在GitHub上发布
50%UnverifiedTimesFM在近期保持着单日超过340颗星的增长势头
50%UnverifiedTimesFM在GitHub上已累积超过30,500颗星标、近2,900次分叉
50%Unverified谷歌官方披露TimesFM在200B时间点数据上进行预训练，覆盖金融、零售、能源、医疗等多个领域
50%UnverifiedTimesFM采用patch-based tokenization，将连续若干时间步打包为一个patch作为单个token处理，类似于ViT的图像切块策略
50%