TimesFM 2.5版本深度解析：新增功能与性能提升全测评

核心功能升级

TimesFM 2.5作为时间序列基础模型（Time Series Foundation Model）的重大更新，在预测精度、处理能力和部署灵活性上实现显著突破。相较于1.0版本，2.5版本通过重构网络架构与优化预测逻辑，将上下文处理能力提升至16384时间步长，同时保持毫秒级推理速度。

模型架构革新

2.5版本采用模块化设计，核心架构定义于timesfm_2p5_base.py。关键改进包括：

• 输入补丁长度（input_patch_len） 固定为32，输出补丁长度（output_patch_len）提升至128，使单次预测覆盖更广时间范围
• 堆叠Transformer层数 增加至20层，模型维度（model_dims）达1280，配备16个注意力头（num_heads）
• 量化头输出维度 扩展至10240，支持9个分位数（0.1-0.9）预测，通过output_projection_quantiles实现概率分布预测

双框架支持

2.5版本首次实现Flax与PyTorch双后端支持：

• Flax实现：通过timesfm_2p5_flax.py提供JAX加速，支持自动并行与编译优化
• PyTorch实现：timesfm_2p5_torch.py采用nn.Module架构，兼容HuggingFace生态，支持动态图调试

两种实现共享统一配置系统configs.py，可通过ForecastConfig控制预测行为，如设置max_context（最大上下文长度）、force_flip_invariance（强制翻转不变性）等关键参数。

性能优化技术

推理速度提升

2.5版本引入三大优化技术，在编译逻辑中实现：

• 自回归解码缓存：通过DecodeCache存储注意力键值对，避免重复计算
• 跨设备批处理：支持per_core_batch_size配置，在多GPU环境自动分片数据
• 量化头分离：将点预测与分位数预测分离为两个投影层，减少计算耦合

在g2-standard-32实例上测试，200M参数模型处理1000序列（长度512）的96步预测仅需0.8秒，较1.0版本提速3倍。

数据预处理增强

新增线性插值与前导NaN移除工具，实现缺失值鲁棒处理。对于含噪声的工业时序数据，预处理流程可将预测误差降低15-20%。

预测能力强化

协变量融合机制

通过forecast_with_covariates方法实现多类型协变量支持：

# 动态数值协变量示例
dynamic_numerical = {"temperature": [[18.5, 19.2, ...], [20.1, 19.8, ...]]}
# 静态分类协变量示例
static_categorical = {"product_line": ["A", "B"]}

model.forecast_with_covariates(
    inputs=time_series_data,
    dynamic_numerical_covariates=dynamic_numerical,
    static_categorical_covariates=static_categorical,
    xreg_mode="timesfm + xreg"  # 先模型预测再残差校正
)

支持两种融合策略：timesfm + xreg（模型预测后校正）和xreg + timesfm（协变量先建模），适应不同业务场景需求。

长时序预测表现

在ETT数据集上的测试显示，2.5版本较1.0版本在长 horizon 预测上优势显著：

注：图中展示TimesFM 1.0与Amazon Chronos在不同预测长度（96/192/336）下的WAPE指标对比，2.5版本在此基础上进一步提升12%

部署与使用指南

快速开始

from src.timesfm.timesfm_2p5.timesfm_2p5_torch import TimesFM_2p5_200M_torch

# 加载预训练模型
model = TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")

# 编译模型（设置最大上下文与预测长度）
model.compile(forecast_config=ForecastConfig(
    max_context=16384,
    max_horizon=1024,
    per_core_batch_size=8
))

# 执行预测
point_forecast, quantile_forecast = model.forecast(
    horizon=336,
    inputs=[np.array([1.2, 1.5, ..., 2.3])]  # 输入时序数据
)

扩展基准测试

2.5版本在11个公开数据集上超越现有SOTA模型，包括ETT、Weather、Traffic等典型场景：

数据来源：extended_benchmarks/README.md，展示MASE与SMAPE指标对比

未来展望

2.5版本作为TimesFM技术路线图的重要里程碑，为后续发展奠定基础：

• 模型压缩：计划推出100M轻量版本，适配边缘设备部署
• 多模态融合：正在开发图像-时序融合接口，支持传感器数据联合预测
• 在线微调：peft/目录提供参数高效微调工具，可针对特定领域数据优化

项目完整代码与文档见GitHub仓库，建议通过requirements.txt管理依赖，使用Python 3.9+环境运行。