TimesFM
概要 Google Research が開発した時系列予測専用の基盤モデル（Time Series Foundation Model）。デコーダーのみのトランスフォーマーアーキテクチャを採用し、1000億以上の実データで学習済み。自分のデータでファインチューニングすることなく（ゼロショットで）時系列予測が可能。 GitHub: google-research/timesfm Hugging Face: google/timesfm-2.5-200m-pytorch（最新推奨） パラメータ数: 2億（200M） ライセンス: Apache 2.0 主なユースケース ユースケース 説明 売上・需要予測 小売の週次売上、在庫需要、サプライチェーン計画 市場価格予測 株式・コモディティ・仮想通貨の価格変動 電力需要予測 電力負荷、エネルギー価格、スマートグリッド最適化 トラフィック予測 Web サイトアクセス、API リクエスト量、サーバー負荷 ゼロショット予測の強み 従来の深層学習モデルはデータセットごとに個別学習が必要だったが、TimesFM はゼロショットで新しいデータセットに対して高精度な予測を実現。公式評価では多くの個別学習済み深層学習モデルを上回るパフォーマンスを示している。 使い方 1 pip install timesfm 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 import timesfm tfm = timesfm.TimesFm( hparams=timesfm.TimesFmHparams( backend="pytorch", horizon_len=128, ), checkpoint=timesfm.TimesFmCheckpoint( huggingface_repo_id="google/timesfm-2.5-200m-pytorch" ), ) # 配列から予測 forecast, _ = tfm.forecast(inputs=[context_series], freq=[0]) # DataFrame から予測 forecast_df = tfm.forecast_on_df(inputs=df, freq="D", value_name="target") freq パラメータ: 0 = 高頻度（日次以下）、1 = 週次・月次、2 = 四半期・年次 ...