Nouveautés de TimesFM 2.5

Google Research a mis à jour son TimesFM (Time Series Foundation Model) vers la version 2.5. Il s'agit d'un modèle de base à décodeur uniquement spécialement conçu pour la prévision de séries temporelles, dont l'article a été publié à l'ICML 2024.

Principales modifications techniques

Par rapport à TimesFM 2.0, le modèle 2.5 inclut plusieurs mises à jour significatives :

• Nombre de paramètres réduit de 500M à 200M
• Longueur de contexte augmentée de 2048 à 16k
• Ajout de la prise en charge de la prévision continue par quantile jusqu'à un horizon de 1k via une tête de quantile optionnelle de 30M
• Suppression de l'indicateur de fréquence
• Ajout de nouveaux indicateurs de prévision
• Réintégration de la prise en charge des covariables via XReg (à partir de la mise à jour du 29 octobre 2025)

Installation et configuration

Le dépôt est activement mis à jour avec des plans pour une version Flax pour une inférence plus rapide, plus de documentation et des notebooks. L'installation actuelle nécessite :

git clone https://github.com/google-research/timesfm.git
cd timesfm
# Créer un environnement virtuel avec uv
uv venv
source .venv/bin/activate
# Installer avec torch
uv pip install -e .[torch]
# Ou avec flax
uv pip install -e .[flax]
# Ou avec prise en charge de XReg
uv pip install -e .[xreg]

Exemple d'utilisation de base

Voici le flux de travail de prévision de base de la source :

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)),
    ],  # Deux entrées fictives
)
Formes de sortie :
point_forecast.shape → (2, 12)
quantile_forecast.shape → (2, 12, 10) : moyenne, puis quantiles du 10e au 90e.

Disponibilité du modèle

Le modèle est disponible via plusieurs canaux :

• Dépôt GitHub : google-research/timesfm
• Collection Hugging Face pour tous les points de contrôle
• TimesFM dans BigQuery en tant que produit officiel Google (note : cette version ouverte n'est pas officiellement prise en charge)
• Versions antérieures (1.0 et 2.0) archivées dans le sous-répertoire v1

Pour les développeurs travaillant avec des données de séries temporelles, cela représente une mise à jour significative en termes d'efficacité des paramètres et de gestion du contexte par rapport aux versions précédentes. L'ajout de la prévision continue par quantile fournit des estimations d'incertitude plus détaillées, ce qui est précieux pour les systèmes de prévision en production.