核心目标：快速上手 Google 开源时间序列大模型TimesFM 2.5 (200M)，通过官方示例验证能力，并扩展至实际业务场景。
适用对象：数据分析师、算法工程师、科研人员等希望利用 SOTA 模型进行时间序列预测的用户。
📌 核心优势速览
- 开箱即用：无需训练，直接加载预训练模型进行推理
- 概率预测：输出点估计 + 多分位数（10%~99%），支持风险评估
- 长上下文：支持最长 512 点历史输入，捕捉长期趋势
- 多场景覆盖：单变量预测、异常检测、协变量建模
- 跨平台支持：Windows / Linux / macOS 均可运行
🧪 示例 A：全球温度异常预测
预测全球气温变化趋势，展示基础预测流程。
运行命令
输入数据
- 文件：
temperature_anomaly.csv - 内容：2022–2026 年共 53 个月的全球气温异常值（相对于 1951–1980 基准）
- 特征：单变量、月度粒度、存在明显上升趋势
- NASA GISTEMP: Data.GISS: GISS Surface Temperature Analysis (GISTEMP v4)
- NOAA GlobalTemp: Climate at a Glance | National Centers for Environmental Information (NCEI)
- Berkeley Earth: http://berkeleyearth.org/data/
输出结果
| 文件 | 内容说明 |
|---|---|
output/forecast_output.csv | 未来12个月的点预测及10个分位数（q10, q20, ..., q99） |
output/forecast_output.json | 包含元信息、统计摘要、与2024年均值对比的完整报告 |
output/forecast_visualization.png | 可视化图表：历史数据 + 预测区间（80% & 90% CI） |
关键技术细节
- 使用模型：
google/timesfm-2.5-200m-pytorch - 无需指定时间频率（如
'M'），模型仅依赖数值序列 - 调用接口：
model.forecast(inputs=[series], horizon=12) - 禁止传入
freq参数，否则将报错
✅ 该示例验证了模型对气候趋势的捕捉能力，适用于任何具有长期模式的单变量序列。
🕵️ 示例 B：异常检测
基于预测残差识别历史数据中的异常点。
运行命令
cd D:\model\timesfm\timesfm-forecasting\examples\anomaly-detection python detect_anomalies.py工作原理
- 对历史序列采用滑动窗口进行“回溯预测”
- 计算实际观测值与模型预测值之间的残差
- 若残差超出设定分位数区间（如 q10–q90），则标记为异常
输出结果
| 文件 | 内容说明 |
|---|---|
output/anomaly_detection.json | 异常发生时间、残差大小、置信度评分 |
output/anomaly_detection.png | 双面板图：原始序列 + 异常点高亮标记 |
应用场景
- 工业设备传感器监控
- 金融交易欺诈检测
- 网站流量突增/突降告警
- 电力负荷异常识别
💡 无需标注数据，纯无监督方法，适合冷启动场景。
📈 示例 C：协变量预测（多变量建模）
引入外部变量提升主序列预测精度。
前置安装
pip install timesfm[xreg]运行命令
cd D:\model\timesfm\timesfm-forecasting\examples\covariates-forecasting python demo_covariates.py能力说明
- 支持两类协变量：
- 静态协变量：不随时间变化（如产品类别、地区编码）
- 动态协变量：随时间变化（如促销活动、天气温度、广告投入）
- 模型自动学习主序列与协变量间的复杂时序依赖
- 输出仍为完整的概率分布（点估计 + 分位数）
典型用例
| 行业 | 主序列 | 协变量 |
|---|---|---|
| 零售 | 日销售额 | 促销标志、节假日、竞品价格 |
| 能源 | 电力负荷 | 温度、湿度、工作日标识 |
| 交通 | 地铁客流 | 天气、大型活动、疫情等级 |
✅ 显著优于单变量模型，尤其在受外部因素强影响的场景。
📊 Step 6：用自有 CSV 数据做预测
提供通用脚本，一键预测任意格式的时间序列数据。
命令模板
cd D:\model\timesfm\timesfm-forecasting python scripts\forecast_csv.py your_data.csv \ --horizon 24 \ --date-col date \ --value-cols sales,revenue \ --output forecasts.csv参数详解
| 参数 | 说明 | 示例 |
|---|---|---|
your_data.csv | 输入文件路径 | sales_2024.csv |
--horizon N | 预测未来 N 步 | --horizon 12（预测12期） |
--date-col | 日期列名（用于排序） | --date-col order_date |
--value-cols | 待预测列（多列用逗号分隔） | --value-cols revenue,profit |
--output | 输出文件路径 | --output result.csv |
输出格式
- 每个预测列生成多个字段：
{col}_point：点预测值{col}_q10,{col}_q50,{col}_q90：关键分位数
- 日期列自动延续原始频率（如日度→日度，月度→月度）
使用建议
- 确保 CSV 包含连续时间戳（无缺失日期）
- 数值列应为浮点型或整型
- 首次运行会自动下载模型（约800MB），后续秒级加载
✅ 无需编程，适合业务人员快速验证预测效果。
🔁 国内用户特别提示
由于模型托管于 Hugging Face，国内访问需配置镜像：
# 在运行任何 Python 脚本前执行 $env:HF_ENDPOINT = "https://hf-mirror.com"⚠️ 该设置仅对当前 PowerShell 窗口有效。关闭后需重新设置。
💎 总结：TimesFM 的典型应用路径
| 阶段 | 操作 | 目标 |
|---|---|---|
| 验证 | 运行global-temperature示例 | 确认环境与模型可用性 |
| 探索 | 尝试anomaly-detection | 发现数据中的异常模式 |
| 增强 | 使用covariates-forecasting | 引入业务知识提升精度 |
| 落地 | 调用forecast_csv.py | 快速部署到实际数据 |
TimesFM 作为当前最先进的开源时间序列基础模型，无需微调即可在多领域取得优异表现。通过上述四个步骤，用户可从零开始，逐步将模型能力转化为业务价值。
📌最佳实践：先用示例数据跑通全流程，再替换为自有数据，避免初期环境问题干扰业务验证。
