TimesFM
PulseAugur coverage of TimesFM — every cluster mentioning TimesFM across labs, papers, and developer communities, ranked by signal.
- 2026-08-24 product_launch Google Research released TimesFM 3.0, a new time-series foundation model. 来源
- 2026-08-11 product_launch Google has developed and released the TimesFM forecasting model. 来源
- 2025-09-23 research_milestone Google Research presented a new method for time-series foundation models to perform few-shot learning at inference time. 来源
4 天有情绪数据
-
TimesFM模型在大学建筑电力预测方面领先
一篇新发表在arXiv上的研究论文探讨了各种机器学习模型在大学建筑日前电力预测中的有效性。该研究对传统的统计方法、XGBoost、循环神经网络和预训练的TimesFM模型进行了基准测试。TimesFM 3.0，特别是当结合天气协变量时，显示出最低的总体误差，与朴素的季节性预测相比，平均绝对误差降低了约43%。虽然XGBoost保持了竞争力并提供了更快的本地拟合，但TimesFM在无需进行建筑特定训练的情况下提供了一个强大的基准。
-
arXiv发布新研究，介绍先进的时间序列预测技术 · 跟踪9个来源
arXiv上发表的多篇研究论文介绍了改进时间序列预测的新方法。SteerCast通过使用过去数据的数据库来指导预测，而无需重新训练，从而增强了仅解码器模型。MIDAPN为数值和多模态时间序列数据提供了一个统一的骨干网络，集成了图适应和时间分析。CARE是一个轻量级模块，通过学习残差校正模式并提供不确定性估计来改进确定性预测器。SACQ通过使用交叉注意力和门控校正机制来优化长期预测，其性能优于标准的读出头。RideBench推出了一个大…
-
基础模型在行人拥挤预测方面表现不一
一项新近发表在arXiv上的研究评估了时间序列基础模型（FMs）在行人拥挤计数预测方面的有效性。该研究比较了七种不同的预测方法，包括季节性朴素法（Seasonal Naive）和梯度提升树（gradient-boosted trees）等传统方法，以及深度学习模型和两种基础模型（TimesFM和Chronos-2）。研究结果表明，尽管基础模型在数据丰富、具有季节性且上下文长的环境中表现良好，但像季节性朴素法（Seasonal Naiv…
-
Tabby：开源时间序列基础模型发布
研究人员发布了Tabby，一个开源的概率性时间序列基础模型，专为长上下文设计。Tabby采用仅编码器的patch Transformer架构，并在多样化的真实世界和合成数据集语料库上进行了训练。该模型支持多种下游任务，包括预测、分类和异常检测，在多个基准测试中取得了具有竞争力的零样本性能。这一进展符合创建大型语言模型之外的基础模型的更广泛趋势，将其能力扩展到时间序列等结构化数据。
-
时间序列AI模型因预训练的熟悉度而表现出色，而非预测技能
一项新研究表明，预训练的熟悉度而非真正的预测能力，显著影响了时间序列基础模型的性能。研究人员创建了一个测试集，其中包含模型发布日期之后发布的数据，以减轻预训练语料库的污染。结果显示，预训练模型普遍优于其他模型，但在每日汇率方面，它们的优势显著减弱，与简单方法无异。该研究得出结论，基准测试需要相对于已披露语料库的领域留出，并且从业者应考虑模型是否在其特定领域进行了训练。
-
Google 的 TimesFM 在 Kimi 的 Agent Swarm 上通过电商数据进行测试
一位用户在使用 Kimi 的 Agent Swarm 平台测试 Google Research 的 TimesFM 模型时，针对合成的电商数据集进行了实验。该帖子提供了此次评估的详细信息和结果。
-
Google发布TimesFM-3用于多元时间序列预测
Google Research发布了TimesFM-3，这是一款能够进行多元预测的AI模型。该模型可以同时分析销售数据、天气模式和客流量等多个时间序列数据点，无需额外训练即可预测未来值。TimesFM-3已在超过一万亿个数据点上进行了预训练，并通过单步处理未来值来提高预测速度。
-
Google AI 发布 TimesFM-3 用于多元时间序列预测
Google AI 推出了 TimesFM-3，这是一个拥有 3.3 亿参数的基础模型，专为多元时间序列预测而设计。与仅限于单变量预测的前代模型不同，TimesFM-3 能够联合预测多个相关时间序列，并在无需任务特定微调的情况下纳入过去和未来的外部因素。该模型通过采用一种新颖的架构，结合了交替因果时间注意力和全变量注意力机制，在 GIFT-Eval 和 TIME 排行榜等多个基准测试中取得了最先进的性能。虽然代码可在 Apache-2…
-
Google Research 发布 TimesFM 3.0 用于时间序列预测
Google Research 发布了 TimesFM 3.0，这是一款基于堆叠混合 Transformer 架构的新型时间序列基础模型。该模型专为时间序列预测而设计，并采用仅解码器的方法。它已在多种数据源上进行了预训练，包括维基百科页面浏览量和 Google Trends，并具有 20 个 Transformer 层和 1280 的模型维度。
-
Google 的 TimesFM 挑战传统预测方法
Google 开发了 TimesFM，这是一种新颖的预测模型，它偏离了传统的预测工作流程。该模型的方法促使人们重新评估标准的预测方法。这个新工具为如何生成时间序列预测提供了不同的视角。
-
TS-Mob框架增强了用于人类移动预测的时间序列模型
研究人员开发了TS-Mob，一个旨在改进用于预测人类移动的时间序列基础模型的新框架。该框架整合了从人口密度和兴趣点等开放数据计算出的地理和社会信号，以及天气数据。当应用于TimesFM模型时，TS-Mob在包括Bike New York City、Taxi Beijing和西班牙的出行矩阵等基准测试中，与现有方法相比表现出显著的性能提升，显示出更低的误差率和更高的预测准确性。
-
混合人工智能方法提高了基础模型股票预测的准确性
研究人员开发了一种混合方法，以提高冻结时间序列基础模型的性能，特别是针对高频股票预测。通过将 AttnCorrect 和 GatedLinear 等神经校正架构与经典随机森林残差学习相结合，该混合方法显著优于基础 TimesFM 模型。研究发现，经典残差学习提供了最大的性能提升，而简单的神经架构在不与经典方法配对时更有效。这项研究为将基础模型应用于专业金融领域提供了实用的见解。
-
LLM作为预测规划器框架将LLM与TSFM集成以改进预测
研究人员开发了一个名为LLM作为预测规划器（LAFP）的新颖框架，该框架集成了大型语言模型（LLM）与时间序列基础模型（TSFM）以改进预测。这种无训练方法使用LLM来指导TSFM生成的轨迹的规划过程，充当策略和价值函数。在基准数据集上的实验表明，LAFP在各种TSFM和LLM组合中始终提高了预测准确性。
-
LLM作为预测规划器框架将LLM与TSFM集成以改进预测
研究人员开发了一个名为LLM作为预测规划器（rc）的新颖框架，该框架将大型语言模型（LLM）与时间序列基础模型（TSFM）集成，以改进文本条件化预测。这种无训练方法将预测视为一个规划问题，其中TSFM生成数值续写，LLM根据自然语言上下文指导这些轨迹的选择和评估。使用Chronos和TimesFM等TSFM以及各种LLM进行的实验表明，在不同的模型组合中性能持续提升。
-
时间序列基础模型在可穿戴设备 HRV 预测方面展现出潜力
一篇新的研究论文探讨了时间序列基础模型 (TSFM) 从消费级可穿戴设备预测心率变异性 (HRV) 的有效性。该研究评估了 TimesFM、Chronos 和 MOIRAI 与传统方法的对比结果，发现 TSFM 在未经微调的情况下显著优于基线方法。研究人员还引入了一种新颖的插补方法来处理碎片化的可穿戴设备数据，这有助于保留关键的生理动力学以获得更准确的预测。
-
新的ApolloPFN模型改进了带外生变量的时间序列预测
研究人员开发了ApolloPFN，这是一种新颖的时间感知先验拟合网络，旨在通过整合外生变量来改进零样本预测。与仅依赖历史时间序列数据的现有基础模型不同，ApolloPFN整合了促销、价格或温度等外部因素以提高准确性。该系统具有用于生成真实时间模式的合成数据生成框架和利用时间上下文的架构修改，在包括M5和太阳能数据集在内的基准测试中表现优于当前基线。
-
新框架将基础模型应用于干旱预测 · 跟踪 2 个来源
研究人员开发了新颖的推理时框架 RGMR 和 SMR^2/MBB，用于将预训练的基础模型改编为区域气候预测，特别是干旱预测。这些方法允许进行结构化的粗到精精炼和黑盒改编，而无需更改骨干模型的参数。当应用于南澳大利亚标准化蒸散指数（SPEI）的预测时，这些包装器已显示出均方误差（MSE）的显着降低，RGMR 的改进高达 18.9%，SMR^2/MBB 的改进高达 26%，从而使冻结的基础模型在区域气候工作流程中更加实用。
-
简单模型在时间序列预测中优于大型语言模型
一项最新分析强调了时间序列预测中的重大挑战，研究表明，在具有强烈季节性的数据集上，简单的统计模型和零样本基础模型通常优于复杂的神经网络，甚至优于像 Claude Opus 和 Haiku 这样的语言模型。该研究测试了包括 AutoARIMA、DLinear、PatchTST、Chronos 和 TimesFM 在内的各种模型，并与 m4_hourly、m4_daily 和比特币价格数据等基准进行了比较。研究结果表明，尽管复杂的模型在处…
-
LLM代理通过可审计、上下文感知的预测增强手足口病预测
一篇新研究论文介绍了一个双代理神经符号框架，旨在实现对手足口病（HFMD）更具可审计性和上下文感知的预测。该系统集成了基于LLM的事件解释器，用于处理学校日程和政府报告等各种信号，生成传播影响信号。然后，该信号被预测生成器使用，该生成器将其与历史数据相结合，以产生概率预测和简洁的理由，在准确性和可解释性方面优于传统模型和基础模型。
-
TimesFM基础模型在多元异常检测方面无效
一项最新研究探讨了将TimesFM（最初为单变量时间序列预测设计的基础模型）应用于复杂的多变量时间序列异常检测（MTSAD）任务。研究人员评估了两种方法：使用TimesFM的预测误差作为异常指标，以及使用其中间表示与标准异常值检测器结合。这两种方法都被证明对于可靠的MTSAD无效，未能达到既有基线方法的水平。