timesfm

KO | EN

gitlite — search

#python #java #python3 #arduino #golang #machine-learning #rust #html #flask #javascript #seismology #nodejs

★ 27,715 Open GitHub ↗

TimesFM (Time Series Foundation Model)은 시계열 예측을 위해 Google Research에서 개발한 사전 학습된 시계열 파운데이션 모델입니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# TimesFM

TimesFM (Time Series Foundation Model)은 시계열 예측을 위해 Google Research에서 개발한 사전 학습된 시계열 파운데이션 모델입니다.

*   논문:
    [A decoder-only foundation model for time-series forecasting](https://arxiv.org/abs/2310.10688),
    ICML 2024.
*   모든 체크포인트:
    [TimesFM Hugging Face Collection](https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6).
*   [Google Research blog](https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/).
*   Google 1P 제품 내의 TimesFM:
    *   [BigQuery ML](https://cloud.google.com/bigquery/docs/timesfm-model): 확장성과 안정성을 제공하는 엔터프라이즈 급 SQL 쿼리입니다.
    *   [Google Sheets](https://workspaceupdates.googleblog.com/2026/02/forecast-data-in-connected-sheets-BigQueryML-TimesFM.html): 일상적인 스프레드시트용 기능입니다. 
    *   [Vertex Model Garden](https://pantheon.corp.google.com/vertex-ai/publishers/google/model-garden/timesfm): 에이전트 호출을 위한 Docker화된 엔드포인트입니다.

이 오픈 소스 버전은 Google에서 공식적으로 지원하는 제품이 아닙니다.

**최신 모델 버전:** TimesFM 2.5

**아카이브된 모델 버전:**

-   1.0 및 2.0: 관련 코드가 `v1` 서브디렉토리에 아카이브되어 있습니다. 이 패키지의 구버전을 설치하여 로드하려면 `pip
    install timesfm==1.3.0`을 실행하면 됩니다.
## 업데이트 - 2026년 7월 2일

PyPI를 `timesfm=2.0.2`로 업데이트했습니다. [설치](https://github.com/google-research/timesfm#from-pypi)를 참고하세요.

## 업데이트 - 2026년 4월 9일

HuggingFace Transformers + PEFT (LoRA)를 사용한 파인튜닝 예제가 추가되었습니다 — 
[`timesfm-forecasting/examples/finetuning/`](timesfm-forecasting/examples/finetuning/)을 참고하세요.
또한 단위 테스트(`tests/`)가 추가되었으며 여러 커뮤니티 수정 사항이 반영되었습니다.

[@kashif](https://github.com/kashif)님과 [@darkpowerxo](https://github.com/darkpowerxo)님께 감사드립니다.

## 업데이트 - 2026년 3월 19일

[AGENTS](https://github.com/google-research/timesfm/blob/master/AGENTS.md) 지원을 추가해 주신 [@borealBytes](https://github.com/borealBytes)님께 깊은 감사를 드립니다! TimesFM [SKILL.md](https://github.com/google-research/timesfm/tree/master/timesfm-forecasting)가 출시되었습니다.

## 업데이트 - 2025년 10월 29일

TimesFM 2.5를 위한 XReg 기반 공변량(covariate) 지원이 다시 추가되었습니다.

## 업데이트 - 2025년 9월 15일

TimesFM 2.5가 출시되었습니다!

TimesFM 2.0과 비교하여, 새로운 2.5 모델은 다음과 같은 특징이 있습니다:

-   파라미터 수가 기존 5억 개에서 2억 개로 줄었습니다.
-   컨텍스트 길이가 기존 2048에서 최대 16k로 확장되었습니다.
-   선택 사항인 30M quantile 헤드를 통해 최대 1k 호라이즌의 연속 quantile 예측을 지원합니다.
-   `frequency` 지표가 제거되었습니다.
-   몇 가지 새로운 예측 플래그가 추가되었습니다.

2025년 9월 출시 이후, 다음과 같은 개선 사항이 완료되었습니다:

1.  ✅ 더 빠른 추론을 위한 모델의 Flax 버전.
2.  ✅ XReg를 통한 공변량 지원 (2025년 10월 업데이트 참고).
3.  ✅ 문서, 예제, 에이전트 스킬 (`timesfm-forecasting/` 참고).
4.  ✅ HuggingFace Transformers + PEFT를 통한 LoRA 파인튜닝 예제 (`timesfm-forecasting/examples/finetuning/` 참고).
5.  ✅ 코어 레이어, 설정, 유틸리티를 위한 단위 테스트 (`tests/` 참고).

### 설치

#### `PyPI`를 통한 설치

```shell
# Install the package with torch
pip install timesfm[torch]
# Or with Flax
pip install timesfm[flax]
# And when XReg is needed
pip install timesfm[xreg]
```

#### 로컬 설치

1.  저장소를 클론합니다:
    ```shell
    git clone https://github.com/google-research/timesfm.git
    cd timesfm
    ```

2.  가상 환경을 생성하고 `uv`를 사용하여 의존성을 설치합니다:
    ```shell
    # Create a virtual environment
    uv venv
    
    # Activate the environment
    source .venv/bin/activate
    
    # Install the package in editable mode with torch
    uv pip install -e .[torch]
    # Or with flax
    uv pip install -e .[flax]
    # And when XReg is needed
    uv pip install -e .[xreg]
    ```

3. [선택 사항] OS 및 가속기(CPU, GPU, TPU 또는 Apple Silicon)에 맞춰 선호하는 `torch` / `jax` 백엔드를 설치하세요.:

-   [PyTorch 설치하기](https://pytorch.org/get-started/locally/).
-   Flax를 위한
    [Jax 설치하기](https://docs.jax.dev/en/latest/installation.html#installation).

### 코드 예제

```python
import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")

model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        max_horizon=256,
        normalize_inputs=True,
        use_continuous_quantile_head=True,
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ],  # 두 개의 더미 입력
)
point_forecast.shape  # (2, 12)
quantile_forecast.shape  # (2, 12, 10): 평균, 그리고 10분위수부터 90분위수까지.
```

timesfm

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README