TimesFM
时序预测大模型，参数量达数十亿级别，对算力要求较高
时间轴 (近 90 天)
TimesFM 模型只能学习训练数据中出现过的协变量与目标之间的映射关系，对历史中从未变动过的变量无法推断其弹性；传统机器学习模型同样受限于此。
TimesFM 模型将历史数据切成 32 个时间步的补丁（patch），每个补丁视为一个 token，类似语言模型预测下一个词来预测下一段走势。
时间序列基础模型（TSFM）指在大规模多领域时间序列数据上预训练、可零样本或轻量微调迁移到下游预测任务的模型，代表工作包括Chronos、TimesFM、Moirai等。
时间序列基础模型的代表性工作包括 TimeGPT、Lag-Llama、TimesFM 等。
Google 的 TimesFM 采用 decoder-only 的 patch 式架构，把连续时间片段切分为 patch 后送入 Transformer，训练目标直接回归数值。
TimesFM 是一个 decoder-only transformer，输入 token 是连续 32 个数字组成的 patch，预测任务是接下来 128 个数字。
TimesFM 2.5 及之前版本的代码与权重均以 Apache-2.0 协议开源。
TimesFM 最初来自 ICML 2024 的论文《A decoder-only foundation model for time-series forecasting》。
Lumina 使用 Google 的 TimesFM 负责时间序列预测，输出5天的概率扇形图，附带80%置信区间和崩盘概率估计。
时间序列基础模型（Time-Series Foundation Models）是经过大规模多领域时间序列数据预训练、具备跨任务泛化能力的通用预测模型，代表性工作包括TimesFM、Chronos、Moirai
还有 16 条时间轴事件
全部知识事实 (20)
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
70%待验证TimesFM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
70%待验证TimesFM 模型只能学习训练数据中出现过的协变量与目标之间的映射关系，对历史中从未变动过的变量无法推断其弹性；传统机器学习模型同样受限于此。
50%待验证TimesFM 模型将历史数据切成 32 个时间步的补丁（patch），每个补丁视为一个 token，类似语言模型预测下一个词来预测下一段走势。
50%待验证时间序列基础模型（TSFM）指在大规模多领域时间序列数据上预训练、可零样本或轻量微调迁移到下游预测任务的模型，代表工作包括Chronos、TimesFM、Moirai等。
50%待验证时间序列基础模型的代表性工作包括 TimeGPT、Lag-Llama、TimesFM 等。
50%待验证Google 的 TimesFM 采用 decoder-only 的 patch 式架构，把连续时间片段切分为 patch 后送入 Transformer，训练目标直接回归数值。
50%待验证TimesFM 最初来自 ICML 2024 的论文《A decoder-only foundation model for time-series forecasting》。
50%待验证TimesFM 2.5 及之前版本的代码与权重均以 Apache-2.0 协议开源。
50%待验证TimesFM 是一个 decoder-only transformer，输入 token 是连续 32 个数字组成的 patch，预测任务是接下来 128 个数字。
50%待验证Lumina 使用 Google 的 TimesFM 负责时间序列预测，输出5天的概率扇形图，附带80%置信区间和崩盘概率估计。
50%待验证时间序列基础模型（Time-Series Foundation Models）是经过大规模多领域时间序列数据预训练、具备跨任务泛化能力的通用预测模型，代表性工作包括TimesFM、Chronos、Moirai
50%待验证谷歌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%待验证TimesFM 3.0是专门做时间序列预测的基础模型，具备零样本预测能力
50%待验证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%待验证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
50%待验证TimesFM采用decoder-only的Transformer架构，与GPT系列模型设计理念一致
50%待验证patch-based输入方式借鉴了Vision Transformer将图像切分为patch的思路
50%待验证TimesFM同时提供基于JAX和PyTorch两种深度学习框架的实现
50%待验证TimesFM以Python实现并在GitHub上开源发布，提供源码与预训练权重
50%