时代变了，预测也用上大模型了！深度解析谷歌TimesFM2.5

谷歌这个开源项目，能预测任何行业的未来?跨境电商爆单预测、供应链库存优化、零售需求预测能源需求峰值(尤其是AI数据中心电力)、股票价格走势……..几乎所有时间序列数据，它都能预测。

就在几天前(2025-10-03)，谷歌开源了最新的时间序列预测大模型TimesFM2.5，相比于前一代输入上下文长度大幅提升，还支持了概率预测，基本把大模型时间序列预测的大部分痛点都解决了。

这让奇哥不禁感慨，时代变了，以后的开发者再也不用调参+炼丹+个性化开发了，一劳永逸，一步到位，……。等等，真有这么简单？让奇哥来带你分析分析。

TimesFM2.5的论文和github链接如下:

论文链接: https://arxiv.org/pdf/2310.10688

github链接: https://github.com/google-research/timesfm

1.什么是时间序列预测？

对于时间序列预测不太了解的小伙伴，这里有必要让大家快速入个门。就从一到简单的预测题开始吧，请听题：

小明是一个小学生，最近3次考试的数学成绩依次是70分，80分，90分。请你预测一下，他下一次数学考试的得分可能是多少？（满分100分）

为了简化问题：给大家ABCDE五个选项；当然，读者可以也给出其他答案，没有标准答案。

A: 100分（理由：有规律，每次考试多10分）

B: 95分（理由：进步趋势很明显，但是越到后面分数越难提升）

C: 90分（理由: 上次就是这个分数，进步哪有那么容易）

D. 80分 (理由：均值回归，前三次平均分是80)

E. 0分 (理由：我觉得小明下次考试会忘记写名字，或者考试题目特别难一题都不会)

下面奇哥就来分析一下，ABCDE的不同其实对应着不同的哲学和人生态度。

选A(100分)的人：恭喜你，你解锁了时间序列预测经典算法之一的线性拟合法。你会觉得：任何趋势都会按照线性的方式延续；任何事务都有规律可循；连涨3个月的股票第4个月还会涨；工资会无限的涨上去；房价也会永远涨……
选B(95分)的人：恭喜你，你解锁了时间序列预测经典算法之一的指数拟合法。在你的价值观里：任何趋势都会慢慢变缓直到平稳；任何事务的发展都有个限度；工资涨一段时间就涨不动了；程序员的编程水平在刚入职时会快速提高然后慢慢趋于稳定……

选C(90分)的人：恭喜你，你解锁了时间序列预测经典算法之一的naive算法(下一个预测的值就等于最近的一个值)，这个算法也是经典算法里面最强的算法。在你的人生哲学里：明天和今天并没有什么不同；简单就是最好的；你信奉奥卡姆剃刀准则，如无必要，勿增实体；

选D(80分)的人：恭喜你，你解锁了时间序列预测经典算法之一的均值回归算法。在你的认知里：任何疯狂终将回归平静；任何绝望总会慢慢过去；房价会回到它应有的位置，股票也会回归到它的价值所在；你是巴菲特和价值投资的坚实拥趸者；

选E(0分)的人：这我就不恭喜了，你选了一个理论上误差最大的答案。当然，这也并非不可能发生。在你的价值体系里：黑天鹅是你的信条；股灾随时可能发生；你可能会对彩票很感兴趣；你会对农场主假说深信不疑(农场里的火鸡发现了一个规律，每天12点都会有人来送食物，直到感恩节那天，没有等来食物，等来的却是屠刀)；你会怀着感恩的心过好每一天，因为你永远不知道明天和意外谁先来；

好了，看完上面那个例子，不太了解的读者应该对时间序列预测有一个大致的了解。通俗来说，就是根据历史数据点，预测未来的数据点。

2. 用TimesFM2.5来跑一下看看

首先得说明一下这个TimesFM2.5的输入输出是什么，和传统的大模型不一样，时间序列大模型的输入直接就是数组了，你并不是敲一段中文文字问大模型结果，而是直接输入数值。还是用奇哥惯用的黑箱法给大家解释一下。

如下图所示：TimesFM2.5接受两部分输入，一部分输出。输入是需要预测的时间序列数组，以及需要往后预测的长度；输出是后面预测对应长度的数组。对图中来说，（a1, a2, a3）是历史的数值点数组，length=2是需要预测的长度。最后输出（a4, a5），代表往后预测两个点。

由于TimesFM2.5开源了模型权重https://huggingface.co/google/timesfm-2.5-200m-pytorch，感兴趣的小伙伴可以去huggingface下载下来玩一玩。这里奇哥直接本地部署一波，然后把上面那个题目(70,80,90, ?)交给它跑，按照上面的黑箱，我的输入是两个部分，第一个是（70, 80, 90）代表历史的数据；然后是数字1，代表我只往后预测一个点。预测结果如下：

89.794044

有零有整的，看着就很权威。实际上这个值和naive算法(C：90分)非常接近，这个值也是奇哥预料之中。因为naive算法这么多年已经是证明是很多情况下的最优解。如果在这种条件很少且没有周期性的情况下，与naive相差太多，说明算法一定是有问题的。

2.1 概率预测：

自己试过的小伙伴可以发现，除了上面一个预测的数值外，还有一个如下的数组:

[ 86.76481, 71.93217, 78.88396, 83.19257, 86.625465, 89.794044, 93.0352, 96.472176, 101.45751, 110.42754 ]

这里一共十个数，奇哥给大家来解释一下，第一个数是后面9个数的平均数；从第2个到第10个数依次是预测的10%分位数~90%分位数。也就是说，这个预测是一个范围，刚刚那个89.79是预测结果的中位数。（这里数值超过了100，因为TimesFM2.5没有地方可以设置预测范围，这也是实际应用中的一些痛点）

我们把这个分布图画出来，可以看到，在78.88~101.46之间分布的还是很密集的。这其实就是概率预测的另一种输出形式，这个数据的上下边界如果分的越远，说明这个预测的把握度越低。分布越密集的地方，说明预测落到这里的概率越高。

2.2 TimesFM2.5的江湖地位如何：

那这个结果到底对不对呢，上述题目是一个开放性的题目，没有答案，无法判断。但是我们可以找到一些公开数据集上的结果。这里奇哥找了一个在huggingface上发布了的数据集，名叫GIFT-Eval, 该数据集有过亿的数据点以及各种领域的时间序列数据，用来给各种模型比赛，同时有严格的机制防止数据泄露。链接如下:

https://huggingface.co/spaces/Salesforce/GIFT-Eval 感兴趣的小伙伴可以点进去看看。

奇哥把这个排行榜截图放出来，可以看到TimesFM2.5排名综合榜第三。

这个表里面第三个字段很有意思哈，是否泄露了测试集：这让我想到2年前百模大战的时候，各家都说自己超过了gpt4，但真正用起来一塌糊涂。这里专门加了一个字段，就是提高这个榜单的可信度。后面4个字段就是具体的评估指标了，这4个值都是越小越好。这里奇哥着重介绍一下MASE这个指标。还记得刚刚提到的naive算法么，就是预测明天的值就等于今天的值这个算法，做预测的时候只需要把预测值等于输入的最后一个值即可；这个算法还有一个变体snaive (seasonal naive)，加一个周期性, 比如预测下周五的会花多少钱，那就直接等于上周五的开销。MASE是用你的模型的预测误差，与snaive模型的预测误差进行对比的比值。即 MASE = 你的模型的MAE / snaive模型的MAE。

MASE = 1，这个算法就等于naive或者snaive.

MASE < 1, 这个算法比naive或者snaive好.

MASE > 1, 这个算法折腾半天，浪费那么多资源和时间，最后连最简单的naive或者snaive都比不上，还玩个der.

这里TimesFM2.5的MASE是0.705, 也就是说它的预测误差是最简单的算法的70%左右。

3. TimesFM2.5模型解析

说了这么多，终于进入到这模型解析的环节，TimesFM2.5的基础架构和去年的旧版本TimesFM是一致的, 只是在一些参数和细节上做了微调。我们首先看看论文里面的架构图。没有技术背景或者不感兴趣的小伙伴可以跳过这一章。

看起来很复杂，奇哥给你详细的解释一下。

3.1首先一句话快速总结:

这个和chatgpt这种大模型的架构基本相似，最大的区别就是在输入输出的地方做文章，大模型的输入可以理解为一个个字，专业名词叫token.这里的输入就是一个长度为32由数值构成的数组, 用专业的话术叫做patch.

Chatgpt是把token变成向量，然后接一个decoder-only架构的Transformer；

这里的TimesFM就是把patch变成向量，同样是接一个decoder-only架构的Transformer；

3.2 TimesFM核心点解析:

论文原文架构这一章提到了几个核心点：

Patching：说白了就是分块，这个patching并不是TimesFM原创，实际上已经是非常流行的策略了，最早从cv那边传过来，时序这边PatchTST这篇论文给他发扬光大。本文也沿用了Patching的思路。比如一个长度是512个点的时间序列，按照32的patch长度，就会变成512 / 32 = 16个patch，这就大大减少了Transformer的计算压力。

Decoder-only-model: 这个和chatgpt之类的大模型类似，这个也不用过多赘述，decoder-only是现在的大趋势，各种场景都会渴望decoder-only，从而通过scaling law来把模型做大。

Longer output patches: 这是这篇文章比较创新的一个点，输出的patch长度比输入的长。作者是这样设置的：输入patch长度是32个时序数据点，输出patch长度是128个数据点。这和chatgpt等大模型不一样，chatgpt这种输入和输出都是一个token一个token，也就是说输入和输出长度是一样的。但是时间序列有它的特点，这里实际上是做了一个trade off: 我们想象两个极端：

极端方法1：直接预测 (Direct Prediction)

做法: 给定历史数据，一次性预测出未来所有需要的时间点。

优点: 精度高。因为它避免了“多步预测”中误差会一步步累积放大的问题。

缺点: 不灵活。你必须提前知道要预测多长（比如固定预测未来96步）。这对于“零样本预测”（即模型在不知道任务具体要求的情况下进行预测）是不可行的。

极端方法2：多步自回归 (Multi-step Auto-regression)

做法: 像LLM生成文本一样，一次只预测一小步（比如一个时间点，或者一个很短的patch），然后把这个预测结果当作新的输入，再预测下一步。

优点: 非常灵活。可以生成任意长度的预测。

缺点: 误差累积, 第一步的微小误差会被带到第二步，导致第二步的误差更大，如此恶性循环，导致长期预测结果很差。

效率低下：如果要预测512个点，就需要进行512次（或很多次）生成，计算成本很高。

作者这么设置，也是取了上述两种之间的折中，输出是输入的3倍，这样既可以加快推理速度，防止误差叠加；同时也能保持灵活性。

Patch masking: 既然你引入了长度为32的Patch，那么在训练过程中，所有的的数据都是32的整数倍，那就会出现一个问题，实际上的数据哪有那么巧，刚好是32的整数倍。所以这个时候就可以随机做一些mask操作，比如把原本的32的长度随机mask两个，变成30。这样模型就见过长度是30的数据。这也是一个小trick吧。

上述我们就介绍完了TimesFM的几个核心点，这么看其实也没有多少特别花里胡哨的架构和fancy的操作。大部分都比较朴实无华。奇哥觉得，谷歌的很多作品也都是这样，核心在于工程化的处理以及数据资产的运用。人家开源出来就是好用。不像一些硕博士论文，创新点那叫一个惊天地泣鬼神，结果也是好的飞起。最后是模型代码不敢开源，或者模型权重不敢开源、要不就是evaluate代码不敢开源。

3.3 实际案例数据流程分析:

我们用一个实际案例来看一下整个数据流程吧。

开源的推理demo代码中，有两个重要参数需要设置: max_context=1024, max_horizon=256. 什么意思呢，就是说你的最大输入时间序列长度和最大预测长度是多少。这里提前设置好了方便模型推理。我们就用这个默认的参数设置，然后假设我们需要预测的时间序列长度的800，然后需要往后预测200个点。这两个数据都在限制的范围内。

对于这个例子的数据流程图如下所示，我把解析写在右边.

3.4 TimesFM2.5的训练数据:

数据是奇哥最关心的点，我们来看看谷歌用了哪些预训练数据，我们把论文相关部分的截图放出来。

可以看到，里面有Synthetic合成数据、维基百科的时间序列数据、谷歌Trends的数据、M4比赛的数据，还有一些公开的数据集。累计有3千8百多亿个数据点的数据。其中维基百科里面的数据占到了95%以上。其他的数据都是零头。

原文中对数据有详细介绍，奇哥这里额外提两个点:

每次采样会取80%的真实数据与20%的合成数据，因此合成数据的权重会比上面那个表格的数据高很多。这里我觉得作者是为了让模型能学会周期性，合成数据的周期性是非常好的。但是维基百科里面的这些数据，绝大部分不一定会有很好的周期性。因为这个真实世界的分布是长尾的。
训练过程中，最大的长度是512，然后根据实际长度可以取256, 64等等。这就意味着，如果输入长度大于512，模型的能力可能会大打折扣。但是时间中很有可能我要预测的东西长度是大于512了，比如by天的数据，只要超过2年，那就妥妥的大于512了。

4. TimesFM2.5是否真的可以很好的应用到工业界？

奇哥当年也是做了很久的时间序列预测，尝试过很多模型。工业界有一些实际上的痛点：

可解释性：业务会问，为什么是这个预测值，大模型在这里完全没有办法。
边界问题：大部分业务数据会有上下限，比如大于0，或者小于1(比例型数据)。比如人数预测，如果下降的趋势比较明显，一些模型可能预测出来一个负数。这显然是不可接受的。
农历阴历问题：国内的周期性时间序列有一个剧痛的点，就是阴历阳历导致的春节、元宵节、端午节。每年这些节日的时间都不一样，这导致模型必须去学会阴历和阳历的计算，非常难搞。

其他小伙伴有其他痛点，也可以来评论区分享一下。

对于TimesFM2.5来说

优点：

冷启动快速跑一个结果出来：相比于自己去拟合学习一个时间序列，这个东西开箱即用，直接可以跑一个相当不错的baseline出来。
支持微调，这一点还是很重要的，如果自己有合适的时间序列数据，可以微调一波，一般还是可以有提高的。
支持区间预测: 这个实际中还是有点作用的。

缺点:

大模型的通病，可解释性。
现在只支持单变量，但是很多场景下是多变量的，比如预测某个业务线的收入，收入和日活月活数据、各种运营活动数据是强相关的。只看一根线，很难预测的好。
目前最大上下文长度只有16384，这在某些情况下还是有点少了。而且训练过程中最大输入长度512，很难保证超过这个长度的预测会有很好的效果。

奇哥总结了一下，对于一个时间序列预测的任务，可以按照下面的表格来选择工具：

场景/需求	首选工具	原因/优势
快速启动项目，需要向业务解释	Prophet	易用性无敌，可解释性强，是最好的“沟通工具”和基线。
大规模SKU预测，有丰富的价格/促销数据	LightGBM + mlforecast	性能、速度和扩展性的最佳组合，工业界最主流的方案。
需要快速、大规模地跑统计模型基线	statsforecast	速度碾压传统库，成本效益极高。
序列模式复杂，外部特征少，想尝试SOTA	neuralforecast (PatchTST, DLinear)	提供了简洁高效的深度学习模型，是探索复杂模式的首选。
希望外包整个预测流程，不想管底层细节	Amazon Forecast Databricks各种云服务的预测接口	全托管服务，省心省力，适合快速集成到现有云架构。
数据量小，或需要快速验证一个新想法	Chronos TimesFM	零样本预测能力强，无需训练，可以快速得到一个有竞争力的结果。