Novedades en TimesFM 2.5

Google Research ha actualizado su TimesFM (Modelo Base de Series Temporales) a la versión 2.5. Este es un modelo base de solo decodificador diseñado específicamente para el pronóstico de series temporales, con el artículo publicado en ICML 2024.

Cambios Técnicos Clave

En comparación con TimesFM 2.0, el modelo 2.5 incluye varias actualizaciones significativas:

• Recuento de parámetros reducido de 500M a 200M
• Longitud de contexto aumentada de 2048 a 16k
• Agregado soporte para pronóstico de cuantiles continuos hasta un horizonte de 1k mediante una cabeza de cuantiles opcional de 30M
• Eliminado el indicador de frecuencia
• Agregadas nuevas banderas de pronóstico
• Reincorporado soporte de covariables mediante XReg (a partir de la actualización del 29 de octubre de 2025)

Instalación y Configuración

El repositorio se está actualizando activamente con planes para una versión Flax para inferencia más rápida, más documentación y cuadernos. La instalación actual requiere:

git clone https://github.com/google-research/timesfm.git
cd timesfm
# Crear entorno virtual con uv
uv venv
source .venv/bin/activate
# Instalar con torch
uv pip install -e .[torch]
# O con flax
uv pip install -e .[flax]
# O con soporte XReg
uv pip install -e .[xreg]

Ejemplo Básico de Uso

Aquí está el flujo de trabajo básico de pronóstico desde la fuente:

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)),
    ],  # Dos entradas ficticias
)
Formas de salida:
point_forecast.shape → (2, 12)
quantile_forecast.shape → (2, 12, 10): media, luego cuantiles del 10º al 90º.

Disponibilidad del Modelo

El modelo está disponible a través de múltiples canales:

• Repositorio de GitHub: google-research/timesfm
• Colección de Hugging Face para todos los checkpoints
• TimesFM en BigQuery como producto oficial de Google (nota: esta versión abierta no tiene soporte oficial)
• Versiones anteriores (1.0 y 2.0) archivadas en el subdirectorio v1

Para desarrolladores que trabajan con datos de series temporales, esto representa una actualización significativa en eficiencia de parámetros y manejo de contexto en comparación con versiones anteriores. La adición del pronóstico de cuantiles continuos proporciona estimaciones de incertidumbre más detalladas, lo cual es valioso para sistemas de pronóstico en producción.