8.0
热点
AI SCORE
开源项目2026-10-18 06:59
把 TimesFM 时序预测搬进浏览器
dev.to · AI#时序预测#浏览器推理#开源
Editor brief · 编辑速览
文章介绍 Google TimesFM 的零样本时序预测能力，并提供浏览器演示、源码及 ONNX 模型文件。开发者可输入按时间排列的数据，体验无需针对该序列训练的预测及结果区间。
这篇文章将用通俗易懂的语言介绍 Google 的 TimesFM：它是什么、采用什么架构、为什么被称为“foundation model”，以及你能用它做什么。从预测 CO₂ 浓度、油价，到估算世界大赛夺冠概率，这些都可以免费在浏览器里运行。
立即体验：webTimesFM。项目代码：GitHub 上的 vishalmysore/webTimesFM。模型文件（ONNX）：Hugging Face 上的 VishalMysore/timesfm-2.5-200m-onnx-web。
TimesFM 是 Time Series Foundation Model 的缩写，是 Google Research 推出的开放 AI 模型，用于预测随时间变化的数值。给它一组按时间顺序排列的数字，比如每日销售额、每月降雨量、每小时用电量或股票价格，它就能预测接下来的数值，并给出可能结果的范围。
它的特别之处在于，你不需要训练它。TimesFM 已经从约 1000 亿个真实世界的数据点中，学会了趋势、季节性和周期的特征。即便面对从未见过的时间序列，它也能直接预测。这叫作 zero-shot forecasting，也就是零样本预测。
Abhimanyu Das、Weihao Kong、Rajat Sen 和 Yichen Zhou 在 ICML 2024 论文《A decoder-only foundation model for time-series forecasting》中介绍了这个模型。截至 2.5 版本，代码和模型权重均以 Apache-2.0 许可开源。
一句话概括：TimesFM 就像 ChatGPT，只不过它读写的是数字，而不是文字。
Foundation model 是一种大型 AI 模型，具备以下特点：
GPT、Gemini 和 Claude 是面向文本的 foundation model。TimesFM 则是面向时间序列的 foundation model，同类模型还包括 Amazon 的 Chronos、Salesforce 的 Moirai，以及 Lag-Llama 和 Nixtla 的 TimeGPT。
TimesFM 采用 decoder-only Transformer，与 GPT、Gemini 和 Llama 属于同一类神经网络架构，源自 Google 2017 年的论文《Attention Is All You Need》。Google 做出的关键改动，是重新定义什么算一个“token”：
模型接收的是一段段数据 patch，而不是单个数值。PatchTST 也采用了类似思路，这样可以降低读取长历史序列的成本。每次一次性预测包含 128 个时间步的输出 patch，则让预测既快又稳定。
以下数值来自模型公开的配置：
Your numbers ──► split into patches of 32 ──► normalise each patch (mean and spread)
│
▼
Input block: a small residual neural network turns each patch into a 1,280-number token
│
▼
20 transformer layers × 16 attention heads
• each patch attends only to earlier patches (decoder-only, causal)
• rotary position embeddings (knows the order)
• RMS normalisation and QK-norm (stable training)
│
▼
Output block ──► next 128 steps × [mean, 10th, 20th … 90th percentile]
如果要预测的时间跨度超过 128 个时间步，模型就会把自己的预测结果重新作为输入，继续预测，就像聊天机器人一个词接一个词地生成文本。
根据原始论文，预训练数据包括：
正是这种多样性，让同一个模型能够预测二氧化碳浓度、太阳黑子、商店销售额和油价。
软件：Google 使用 JAX 训练 TimesFM，首个版本使用了 Google 的 PaxML 框架。对于 2.5 版本，Google 同时发布了 Flax（JAX）和 PyTorch 实现。
硬件：Google 的 TPU（Tensor Processing Unit），也就是 Google 自研的 AI 芯片。
权重：以 safetensors 文件的形式发布在 Hugging Face 上，2.5 版本的文件大小为 925 MB。
这个项目为什么使用 TimesFM 2.5？因为它足够小，可以下载到浏览器中；最多能读取 16k 个历史数据点；采用 Apache-2.0 许可的权重可以自由使用，包括商业用途。
webTimesFM 让 Google 的 TimesFM 2.5 完全在网页内部运行。不需要服务器，不需要 Python，也不需要注册，你的数据始终留在自己的电脑上。
Google's PyTorch weights (safetensors, 925 MB)
└─► converted to ONNX (portable model format)
└─► quantised to 8-bit (261 MB) or 4-bit (146 MB)
└─► ONNX Runtime Web (runs AI models in the browser)
└─► WebGPU (your graphics card) or WASM (your CPU)
└─► timesfm.js + index.html on GitHub Pages
速度：在笔记本电脑的 GPU 上，完成一次 128 个时间步的预测大约需要 50–300 毫秒。
两种模型大小：8-bit 版本给出的结果与 Google 原始模型几乎相同。4-bit 版本下载量更小，但在较短的时间序列上可能出现偏差。
如何证明它运行的是真正的模型：点击 Run self-test vs PyTorch 按钮，就能在你的电脑上，将浏览器的预测结果与 Google 官方 Python 代码生成的结果进行比较。
网站上的每个示例都有一个 Hold back 选项。它会隐藏最近一段数据，让模型预测这部分内容，再把预测结果与最简单的猜测——“保持不变”——进行比较并评分。
Mauna Loa 的 CO₂ 浓度：持续上升的趋势，叠加每年重复的周期。TimesFM 对未来五年的预测几乎完全准确，比“保持不变”好 95%。
太阳黑子：大约 11 年一个太阳活动周期。读取 85 年的历史数据后，TimesFM 提前十年预测出了下一轮周期的上升和峰值。
全球极端贫困：TimesFM 看到了截至 2018 年持续下降的趋势，并预期这一趋势会继续。它无法预知 COVID-19 会在 2020 年让进展停滞。
可以记住这样一条经验：TimesFM 非常擅长识别模式，包括趋势、季节性和周期；但疫情、战争、政策变化等事件，只有反映到数字里之后，它才能看到。对于价格，“保持不变”是一个很难击败的基准；不确定性区间才是最有用的输出。
Current affairs 标签页把 TimesFM 用到了本周新闻涉及的数据上，数据由 GitHub Action 每天自动刷新。
世界大赛夺冠概率的计算分为三步：
2026 年 10 月 17 日，Brewers 横扫 Dodgers 后，模型给出的 Milwaukee 世界大赛夺冠概率约为 71%。TimesFM 的预测区间只会让这个概率略有变化。真正起主要作用的是系列赛比分和整个赛季的比赛结果，页面也明确说明了这一点。
对于石油和 Bitcoin，页面会给出未来 30 天的预测及不确定性区间，并解释为什么价格如此难以预测。
TimesFM 只读取数字，因此我们用了另一个小得多的模型来阅读新闻标题。每天，每个主题，包括石油、Bitcoin 和每支季后赛球队，最多会收集 100 条 Google News 标题，再用轻量级情绪模型 VADER 评分。最后取平均值，得到 −10 到 +10 之间的每日新闻情绪分数。
情绪不等于价格方向。“战争升级”听起来很负面，却会推高油价。因此，新闻不会改变预测结果，而是充当预警灯：
在不使用事后信息、回放 2026 年 8 月至 10 月的数据时，五次石油新闻警报中，有三次出现在 Brent 原油大幅波动之前，随后涨幅分别为 +7%、+10% 和 +18%；另有一次大涨未被捕捉到。即便是新闻风暴区间，也不足以覆盖战争引发的价格飙升。新闻可以告诉你什么时候该提高警惕，却不一定能告诉你波动会有多大。
把 timesfm.js 复制到网页所在目录，然后加入以下代码：
<script type="module">
import * as ort from "https://cdn.jsdelivr.net/npm/onnxruntime-web@1.29.0/dist/ort.webgpu.min.mjs";
import { TimesFM } from "./timesfm.js";
ort.env.wasm.wasmPaths = "https://cdn.jsdelivr.net/npm/onnxruntime-web@1.29.0/dist/";
const model = await TimesFM.load(ort,
"https://huggingface.co/VishalMysore/timesfm-2.5-200m-onnx-web/resolve/main/timesfm25_q8.onnx",
navigator.gpu ? "webgpu" : "wasm");
const history = [/* your numbers, oldest first */];
const { point, quantiles } = await model.forecast(history, 128);
// point: median forecast; quantiles[t] = [mean, q10, q20, ..., q90]
</script>
不写代码也能用。打开网站的 Tutorial 标签页，里面会演示如何粘贴 Excel 或 Google Sheets 中的一列数据、上传 CSV、选择上下文长度和预测跨度，以及用 Hold back 检查准确性。
如果使用 Python，可以查看 Google 官方 timesfm 仓库中的软件包和示例。
打开 webTimesFM 网站，点击 Load model，完成一次性的 261 MB 下载，再选择一个示例，点击 Forecast。所有计算都在你自己的电脑上完成。
在使用本网站或本文中的预测结果之前，请先阅读以下说明。
TimesFM 由 Google Research 创建，相关成果包括论文、代码和 TimesFM 2.5 权重。“Google”和“TimesFM”是 Google LLC 的名称及商标。
webTimesFM 是独立、非官方的社区项目。它并非由 Google 制作、赞助、审核或认可，这里的任何内容都不代表 Google 的立场。
这里运行的模型由 Google 的 TimesFM 2.5 权重转换为 ONNX，并压缩为 8-bit 和 4-bit。权重数值完全来自 Google 发布的版本，没有重新训练或微调。
由于经过压缩，并且在浏览器中重新实现了预处理和后处理，预测结果可能与 Google 官方代码略有不同。4-bit 模型的差异更大，尤其是在较短的时间序列上。可以点击 Run self-test vs PyTorch 按钮，在自己的电脑上检查。
TimesFM 2.5 的代码和权重采用 Apache-2.0 许可，按“原样”提供，不附带任何形式的担保或条件。本次转换所做的修改列在模型卡中。TimesFM 3.0 采用单独的非商业许可，本项目未使用或包含该版本。
石油、Bitcoin 及其他价格预测仅用于教学演示，不是在建议你买入、卖出或持有任何资产。价格的表现很像随机游走，在我们自己的测试中，模型与简单的“保持不变”猜测大致打平。
世界大赛夺冠概率只是对一种预测方法的演示，不是投注建议。它没有考虑先发投手、伤病，以及许多其他重要因素。
预测可能出错，而且经常出错。过去的准确性不保证未来的表现。不要根据本网站做出金融、博彩、商业、医疗或政策决策，应咨询具备相应资质的专业人士。
数据来自第三方公开来源：MLB Stats API、FRED（圣路易斯联邦储备银行）、IMF、World Bank、美国劳工统计局、NOAA、SILSO / 比利时皇家天文台、Johns Hopkins CSSE 和 Google News。各来源都有自己的使用条款，这里仅用于非商业的教育用途。
数据可能存在延迟、修订或缺失。例如，官方油价数据比市场大约滞后一周。数据每天自动刷新一次，没有人工核查，也不保证准确。
新闻标题归各自的发布者所有，页面提供链接，不会完整复制新闻内容。新闻情绪由简单的情绪模型 VADER 自动评分。它可能误读讽刺、上下文或包含复杂信息的报道，评分也不代表对任何球队、公司或事件的编辑判断。
球队和联盟名称是各自所有者的商标。本项目与 Major League Baseball 或任何球队均无关联，也未获得其认可。
预测完全在你的浏览器中运行。你粘贴或上传的数字不会被本网站发送到任何服务器。
浏览器确实会从第三方下载文件：模型来自 Hugging Face，ONNX Runtime 来自 jsDelivr CDN。这些服务可能像其他网站一样记录请求。
这是一个用于学习和研究的免费开源演示项目，按原样提供，不附带任何形式的担保。作者不对使用本项目造成的任何损失或损害负责。对于重要数字，请始终向原始来源核实。
如果还想采取进一步措施，可以考虑屏蔽此人和／或举报滥用行为。