TimesFM 2.5 端到端时间序列预测教程：回测、协变量、异常检测与 Colab 部署
本文详解 Google TimesFM 2.5 的端到端预测流程，涵盖零样本预测、回测、协变量集成、异常检测及 Colab 部署，并提供完整代码示例，帮助数据科学家快速上手。
一句话看懂
Google 发布 TimesFM 2.5 端到端预测教程，覆盖回测、协变量、异常检测与 Colab 部署，零样本预测能力突出。
详细发生了什么
MarkTechPost 发布了一篇由 Sana Hassan 撰写的教程，展示了如何使用 Google 的 TimesFM 2.5 模型构建高级端到端时间序列预测工作流。教程从配置运行环境开始，安装依赖、检测硬件（CPU/GPU），并生成一个包含趋势、季节性、价格、促销、节假日、温度效应和随机变化的多门店零售数据集。
随后，教程加载并编译 TimesFM 2.5 模型（google/timesfm-2.5-200m-pytorch），演示了零样本点预测和概率预测。评估指标包括 MAE、RMSE、sMAPE、MASE、pinball loss 和预测区间覆盖率。此外，还测试了批量推理、滚动原点回测、上下文长度敏感性、通过 XReg 集成协变量、异常检测、长周期预测、吞吐量调优和输入鲁棒性。
教程提供了完整的 Python 代码，可在 Google Colab 中直接运行，并详细解释了模型输出的结构（如分位数索引含义）。通过这一系列实验，读者可以掌握如何配置、验证、基准测试和部署 TimesFM 进行实际预测任务。
中文圈视角
对于中文用户，TimesFM 2.5 的零样本预测能力值得关注。国内类似产品如阿里云的 Time-Series Foundation Model 或百度 PaddleTS 也有类似功能，但 TimesFM 在零样本场景下表现突出，且教程代码可直接在 Colab 运行，无需本地 GPU。不过，由于 Colab 需要科学上网，国内用户可考虑使用国内云平台的 Notebook 服务（如阿里云 DSW、百度 BML）或本地 GPU 环境。
在中文场景中，零售、电商、金融风控等领域的时间序列预测需求旺盛。TimesFM 的协变量集成（XReg）功能可方便地加入节假日、促销等外部因素，对国内电商大促预测（如双11）有实际参考价值。但需注意，模型训练数据可能以英文为主，对中文节假日（如春节）的识别可能不准确，建议结合本地数据微调。
此外，教程中的异常检测功能可用于监控系统指标，但国内用户更关注数据安全，使用 Google 模型时需注意数据出境合规问题。
几条值得记住的细节
- TimesFM 2.5 支持最大 context 1024，最大 horizon 256，默认使用 200M 参数模型。
- 模型输出包含 10 个分位数（q10-q90）和均值，其中索引 5 为中位数。
- 教程使用 1200 天、6 家门店的模拟零售数据，包含价格、促销、节假日等协变量。
- 评估指标包括 MAE、RMSE、sMAPE、MASE、pinball loss 和预测区间覆盖率。
- 教程代码可在 Colab 免费 GPU 上运行，安装 timesfm[torch] 约需 1-2 分钟。
一句话总结
TimesFM 2.5 教程提供了完整的预测流程参考，对中文用户而言，零样本预测和协变量集成功能值得尝试，但需注意数据合规和本地化适配。