O que há de novo no TimesFM 2.5

O Google Research atualizou seu TimesFM (Modelo de Base para Séries Temporais) para a versão 2.5. Este é um modelo de base com apenas decodificador projetado especificamente para previsão de séries temporais, com o artigo publicado na ICML 2024.

Principais Mudanças Técnicas

Comparado ao TimesFM 2.0, o modelo 2.5 inclui várias atualizações significativas:

• Contagem de parâmetros reduzida de 500M para 200M
• Comprimento do contexto aumentado de 2048 para 16k
• Adicionado suporte para previsão de quantis contínuos até o horizonte de 1k através de um cabeçalho de quantis opcional de 30M
• Removido o indicador de frequência
• Adicionadas novas flags de previsão
• Adicionado novamente suporte a covariáveis através do XReg (a partir da atualização de 29 de outubro de 2025)

Instalação e Configuração

O repositório está sendo ativamente atualizado com planos para uma versão Flax para inferência mais rápida, mais documentação e notebooks. A instalação atual requer:

git clone https://github.com/google-research/timesfm.git
cd timesfm
# Criar ambiente virtual com uv
uv venv
source .venv/bin/activate
# Instalar com torch
uv pip install -e .[torch]
# Ou com flax
uv pip install -e .[flax]
# Ou com suporte XReg
uv pip install -e .[xreg]

Exemplo de Uso Básico

Aqui está o fluxo de trabalho básico de previsão da fonte:

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)),
    ],  # Duas entradas fictícias
)
Formatos de saída:
point_forecast.shape → (2, 12)
quantile_forecast.shape → (2, 12, 10): média, depois quantis de 10 a 90.

Disponibilidade do Modelo

O modelo está disponível através de vários canais:

• Repositório GitHub: google-research/timesfm
• Coleção Hugging Face para todos os checkpoints
• TimesFM no BigQuery como um produto oficial do Google (nota: esta versão aberta não tem suporte oficial)
• Versões anteriores (1.0 e 2.0) arquivadas no subdiretório v1

Para desenvolvedores que trabalham com dados de séries temporais, esta representa uma atualização significativa em eficiência de parâmetros e manipulação de contexto em comparação com versões anteriores. A adição da previsão de quantis contínuos fornece estimativas de incerteza mais detalhadas, o que é valioso para sistemas de previsão em produção.