TimesFM (Time Series Foundation Model) 소개

TimesFM (Time Series Foundation Model) 은 Google Research 에서 개발한 시계열 예측을 위한 사전 학습된 시간 series foundation model 입니다.

• Paper: A decoder-only foundation model for time-series forecasting, ICML 2024.
• All checkpoints: TimesFM Hugging Face Collection.
• Google Research blog.
• TimesFM in Google 1P Products:
  • BigQuery ML: Enterprise level SQL queries for scalability and reliability.
  • Google Sheets: For your daily spreadsheet.
  • Vertex Model Garden: Dockerized endpoint for agentic calling.

이 오픈 버전은 공식적으로 지원되는 Google product 가 아닙니다.

Latest Model Version: TimesFM 2.5

Archived Model Versions:

• 1.0 and 2.0: 관련 코드는 v1 서브 디렉토리에 보관되었습니다. 이 패키지의 오래된 버전을 로드하려면 pip install timesfm==1.3.0을 사용하여 설치할 수 있습니다.

Fine-tuning 예제를 추가했습니다 (HuggingFace Transformers + PEFT (LoRA) 사용) — timesfm-forecasting/examples/finetuning/를 참조하세요.

또한 단위 테스트 (tests/) 를 추가하고 몇 가지 커뮤니티 수정 사항을 통합했습니다.

@kashif 와 @darkpowerxo 에 감사드립니다.

@borealBytes 에 큰 감사의 말씀을 드립니다. AGENTS 를 지원하기 위해! TimesFM SKILL.md 가 공개되었습니다.

TimesFM 2.5 에는 XReg 를 통해 covariate 지원을 다시 추가했습니다.

TimesFM 2.5 가 출시되었습니다!

TimesFM 2.0 과 비교하여 새로운 2.5 모델은:

• uses 200M parameters, down from 500M.
• supports up to 16k context length, up from 2048.
• supports continuous quantile forecast up to 1k horizon via an optional 30M quantile head.
• frequency 인디케이터를 제거했습니다.
• 몇 가지 새로운 forecasting flags 를 추가했습니다.

Sept. 2025 출시 이후, 다음 개선 사항이 완료되었습니다:

• ✅ Flax version of the model for faster inference.
• ✅ Covariate support via XReg (see Oct. 2025 update).
• ✅ Documentation, examples, and agent skill (see timesfm-forecasting/).
• ✅ Fine-tuning example with LoRA via HuggingFace Transformers + PEFT (see timesfm-forecasting/examples/finetuning/).
• ✅ Unit tests for core layers, configs, and utilities (see tests/).

Clone the repository:

git clone https://github.com/google-research/timesfm.git cd timesfm

Create a virtual environment and install dependencies using uv:

# 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]

# Or XReg is needed
uv pip install -e .[xreg]

[Optional] Install your preferred torch/jax backend based on your OS and accelerators (CPU, GPU, TPU or Apple Silicon):

• Install PyTorch.
• Install Jax for Flax.

import torch
import numpy as np
import timesfm
...