Was ist neu in TimesFM 2.5

Google Research hat sein TimesFM (Time Series Foundation Model) auf Version 2.5 aktualisiert. Dies ist ein reines Decoder-Foundation-Modell, das speziell für Zeitreihenvorhersagen entwickelt wurde, wobei das Paper auf der ICML 2024 veröffentlicht wurde.

Wichtige technische Änderungen

Im Vergleich zu TimesFM 2.0 enthält das 2.5-Modell mehrere bedeutende Aktualisierungen:

• Parameteranzahl von 500M auf 200M reduziert
• Kontextlänge von 2048 auf 16k erhöht
• Unterstützung für kontinuierliche Quantilvorhersage bis zu 1k Horizont über einen optionalen 30M-Quantil-Head hinzugefügt
• Frequenzindikator entfernt
• Neue Vorhersage-Flags hinzugefügt
• Kovariaten-Unterstützung über XReg wieder hinzugefügt (Stand Update vom 29. Okt. 2025)

Installation und Einrichtung

Das Repository wird aktiv aktualisiert mit Plänen für eine Flax-Version für schnellere Inferenz, mehr Dokumentation und Notebooks. Die aktuelle Installation erfordert:

git clone https://github.com/google-research/timesfm.git
cd timesfm
# Virtuelle Umgebung mit uv erstellen
uv venv
source .venv/bin/activate
# Mit torch installieren
uv pip install -e .[torch]
# Oder mit flax
uv pip install -e .[flax]
# Oder mit XReg-Unterstützung
uv pip install -e .[xreg]

Grundlegendes Anwendungsbeispiel

Hier ist der grundlegende Vorhersage-Workflow aus der Quelle:

import torch
import numpy as np
import 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,
    force_flip_invariance=True,
    infer_is_positive=True,
    fix_quantile_crossing=True,
))
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ],  # Zwei Dummy-Eingaben
)
Ausgabeformen:
point_forecast.shape → (2, 12)
quantile_forecast.shape → (2, 12, 10): Mittelwert, dann 10. bis 90. Quantile.

Modellverfügbarkeit

Das Modell ist über mehrere Kanäle verfügbar:

• GitHub-Repository: google-research/timesfm
• Hugging Face-Sammlung für alle Checkpoints
• TimesFM in BigQuery als offizielles Google-Produkt (Hinweis: Diese Open-Source-Version wird nicht offiziell unterstützt)
• Ältere Versionen (1.0 und 2.0) im v1-Unterverzeichnis archiviert

Für Entwickler, die mit Zeitreihendaten arbeiten, stellt dies eine bedeutende Aktualisierung in Bezug auf Parametereffizienz und Kontexthandhabung im Vergleich zu früheren Versionen dar. Die Hinzufügung der kontinuierlichen Quantilvorhersage bietet detailliertere Unsicherheitsschätzungen, was für Produktionsvorhersagesysteme wertvoll ist.