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

1. 对历史序列采用滑动窗口进行“回溯预测”
2. 计算实际观测值与模型预测值之间的残差
3. 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

1. 确保 CSV 包含 连续时间戳（无缺失日期）
2. 数值列应为 浮点型或整型
3. 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。