Что нового в TimesFM 2.5

Google Research обновила свою модель TimesFM (Time Series Foundation Model) до версии 2.5. Это декодерная базовая модель, специально разработанная для прогнозирования временных рядов, статья о которой была опубликована на ICML 2024.

Ключевые технические изменения

По сравнению с TimesFM 2.0, модель версии 2.5 включает несколько значительных обновлений:

• Количество параметров сокращено с 500 млн до 200 млн
• Длина контекста увеличена с 2048 до 16 тысяч
• Добавлена поддержка непрерывного квантильного прогнозирования до горизонта в 1 тысячу через опциональный 30-миллионный квантильный блок
• Удалён индикатор частоты
• Добавлены новые флаги прогнозирования
• Возвращена поддержка ковариат через XReg (по состоянию на обновление от 29 октября 2025 года)

Установка и настройка

Репозиторий активно обновляется с планами по созданию версии на Flax для более быстрого вывода, дополнительной документации и ноутбуков. Текущая установка требует:

git clone https://github.com/google-research/timesfm.git
cd timesfm
# Создание виртуального окружения с uv
uv venv
source .venv/bin/activate
# Установка с torch
uv pip install -e .[torch]
# Или с flax
uv pip install -e .[flax]
# Или с поддержкой XReg
uv pip install -e .[xreg]

Пример базового использования

Вот базовый рабочий процесс прогнозирования из источника:

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)),
    ],  # Два тестовых входа
)
Формы вывода:
point_forecast.shape → (2, 12)
quantile_forecast.shape → (2, 12, 10): среднее, затем квантили от 10-го до 90-го.

Доступность модели

Модель доступна через несколько каналов:

• Репозиторий GitHub: google-research/timesfm
• Коллекция Hugging Face для всех контрольных точек
• TimesFM в BigQuery как официальный продукт Google (примечание: эта открытая версия не имеет официальной поддержки)
• Старые версии (1.0 и 2.0) архивированы в подкаталоге v1

Для разработчиков, работающих с данными временных рядов, это представляет собой значительное обновление в эффективности параметров и обработке контекста по сравнению с предыдущими версиями. Добавление непрерывного квантильного прогнозирования обеспечивает более детальные оценки неопределённости, что ценно для производственных систем прогнозирования.