Google Research が開発・公開した 時系列予測のための事前学習済み基盤モデル。大量の多様な時系列データで事前学習されたデコーダ型 Transformer（200M パラメータ）であり、追加の学習なし（ゼロショット） で、売上・需要・センサー・気温・エネルギーなど任意の単変量時系列を確率的に予測できる。2024 年 ICML 採択。
| 観点 | 従来手法（ARIMA / Prophet / LightGBM 等） | TimesFM |
|---|---|---|
| 準備コスト | 系列ごとにモデル選定・学習・チューニングが必要 | ゼロショット。学習不要で即予測 |
| 汎化性 | ドメインごとに再学習。新系列にはコールドスタート問題 | 多領域で事前学習済み。未知の系列にもそのまま適用可能 |
| 確率的予測 | 手法によっては点予測のみ | 9 分位点（10%〜90%）の予測区間を標準出力 |
| コンテキスト長 | 限定的（Prophet は長期可だがモデル構造固定） | 最大 16,384 ステップ の長大な過去情報を活用 |
| バッチ処理 | 系列単位の逐次処理が一般的 | 数千系列を一括推論でき、スループットが高い |
| 外部変数 | Prophet・LightGBM 等は対応 | forecast_with_covariates() で動的・静的共変量に対応（XReg） |
| 欠損値処理 | 前処理が必要 | 先頭 NaN の除去・中間 NaN の線形補間を自動実行 |
一言で言えば：「どんな時系列でも、学習なしで投げるだけでそこそこ以上の予測が返ってくる」のが最大の利点。PoC や多系列を一括処理する場面で特に威力を発揮する。
① インストール → ② モデル読み込み → ③ 設定（compile） → ④ 予測（forecast）
pip install timesfm[torch] # PyTorch バックエンド（推奨）
import timesfm
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
"google/timesfm-2.5-200m-pytorch"
)
compile）model.compile(timesfm.ForecastConfig(
max_context=1024, # 使う過去の長さ（最大 16,384）
max_horizon=256, # 予測ステップ数（最大 1,024）
normalize_inputs=True, # 入力の正規化（推奨 True）
use_continuous_quantile_head=True, # 連続分位点ヘッド
infer_is_positive=True, # 入力が正値なら出力も正にクランプ
))
import numpy as np
# 複数系列をまとめて渡せる（リストで）
inputs = [np.array([120, 135, 148, 160, ...], dtype=np.float32)]
point, quantiles = model.forecast(horizon=12, inputs=inputs)
# point.shape → (系列数, 12) … 中央値予測
# quantiles.shape → (系列数, 12, 10) … mean + 9分位点
point, quantiles = model.forecast_with_covariates(
inputs=sales_list,
dynamic_numerical_covariates={"price": price_list},
dynamic_categorical_covariates={"holiday": holiday_list},
xreg_mode="xreg + timesfm",
)
from_pretrained → compile → forecast）で完結するシンプルな API