{"title":"TimesFM: Google открыл модель, которая предсказывает время. Буквально","url":"https://verapointmedia.com/tools/google-research-timesfm/","markdownUrl":"https://verapointmedia.com/tools/google-research-timesfm.md","language":"ru","category":"tools","publishedAt":"2026-06-19T08:30:08.000Z","updatedAt":"2026-06-19T08:30:08.000Z","references":["https://github.com/google-research/timesfm","https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/","https://arxiv.org/abs/2310.10688","https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6"],"rights":"Public user-requested reading, summarization and citation allowed. Model training requires separate permission.","contentMarkdown":"# TimesFM: Google открыл модель, которая предсказывает время. Буквально\n\n- Site: VeraPoint News\n- Section: Инструменты\n- Date: 2026-06-19\n- Canonical: https://verapointmedia.com/tools/google-research-timesfm/\n- Markdown: https://verapointmedia.com/tools/google-research-timesfm.md\n- Summary: 23 тысячи звезд, Apache-2.0, ставится через pip, работает не только в Python, но и в Google Sheets. Где подвох — в разборе\n- SEO title: TimesFM: автоматизация исследований и документов\n- Target queries: TimesFM; TimesFM github; что такое TimesFM; как использовать TimesFM\n- Tags: #timesfm #timeseries #google-research #forecasting #open-source #ai-tools\n- Image: https://verapointmedia.com/static/content-assets/tools/google-research-timesfm/cover.webp\n\n## Sources\n\n- https://github.com/google-research/timesfm\n- https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/\n- https://arxiv.org/abs/2310.10688\n- https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6\n\n---\n\n[TimesFM](https://github.com/google-research/timesfm) — это готовая модель от Google Research, которая умеет предсказывать временные ряды. Не погоду и не цены на нефть вообще, а ровно то, что вы ей дадите: продажи за последние полгода, температуру процессора за сутки, количество заказов по часам. И ей для этого не нужны ни настройка архитектуры, ни знание ARIMA — она уже предобучена на огромном корпусе временных рядов и сразу готова к прогнозу.\n\n## Если просто\n\nВы даёте модели массив чисел — ряд значений во времени. Модель смотрит на этот кусок и говорит: а дальше будет вот так. Причём она выдаёт не только средний прогноз, но и диапазон вероятных значений — от 10-го до 90-го квантиля. Это не магия и не гарантия, но это работает без многонедельного шаманства над гиперпараметрами.\n\nМоделька небольшая: версия 2.5 весит 200 миллионов параметров против 500 миллионов в предыдущей. При этом контекст она теперь держит аж до 16 000 точек (было 2 048) и может заглядывать вперёд на горизонт до 1 000 шагов. И да, ей больше не нужно объяснять, с какой частотой идут данные — ежедневно, еженедельно, по минутам. Она это как-то сама понимает.\n\nРаботает это всё на Python, через простой `pip install timesfm[torch]`. Можно на PyTorch, можно на Flax — выбирайте, что ближе к телу. Есть даже версия для BigQuery, Google Sheets и Vertex AI. Прямо в табличке можно нажать кнопку и получить прогноз — я проверяла по ссылке из README, это действительно уже работает в продуктах Google. Внутренние продукты, но факт.\n\n## Что это решает\n\nОбычно, чтобы сделать вменяемый прогноз временного ряда, нужно пройти полный цикл: почистить данные, выбрать модель, понять её параметры, обучить, проверить на отложенной выборке, переобучить. И так для каждого отдельного ряда. Если у вас их десятки или сотни, это превращается в отдельную профессию.\n\nTimesFM убирает весь этот тюнинг. Вы берёте предобученную модель и применяете её сразу к разным рядам — без дообучения. То есть это zero-shot forecasting: модель не видела ваш конкретный ряд, но уже может сделать по нему разумный прогноз. Для этого её специально тренировали на сотнях миллиардов точек из разнородных источников — от финансов до погоды и трафика.\n\nПольза тут не в том, что модель обходит специализированные решения по точности. Она их не всегда обходит. Польза в том, что она делает прогноз за секунды там, где раньше нужны были дни или недели на разработку отдельного пайплайна. Для задач, где нужен не оракул, а рабочая прикидка, — этого хватает.\n\n## Как попробовать\n\nСтавится элементарно. Открываете терминал и:\n\n```shell\npip install timesfm[torch]\n```\n\nЕсли у вас Apple Silicon или TPU, лучше поставить Flax-версию:\n\n```shell\npip install timesfm[flax]\n```\n\nДальше — минимальный пример прямо из README:\n\n```python\nimport torch\nimport numpy as np\nimport timesfm\n\ntorch.set_float32_matmul_precision(\"high\")\n\nmodel = timesfm.TimesFM_2p5_200M_torch.from_pretrained(\n    \"google/timesfm-2.5-200m-pytorch\"\n)\n\nmodel.compile(\n    timesfm.ForecastConfig(\n        max_context=1024,\n        max_horizon=256,\n        normalize_inputs=True,\n        use_continuous_quantile_head=True,\n        force_flip_invariance=True,\n        infer_is_positive=True,\n        fix_quantile_crossing=True,\n    )\n)\n\npoint_forecast, quantile_forecast = model.forecast(\n    horizon=12,\n    inputs=[\n        np.linspace(0, 1, 100),\n        np.sin(np.linspace(0, 20, 67)),\n    ],\n)\n```\n\nНа выходе — два массива: точечный прогноз на 12 шагов и квантили от 10 до 90 процентов. Всё. Можно подставлять свои данные и смотреть, что получается.\n\nЕсли вы предпочитаете не писать код вообще, есть вариант через Google Sheets (внутри экосистемы Google Workspace с подключённым BigQuery) — там прогноз вызывается формулой прямо в ячейке. Пока это работает только в платном окружении, но сам факт впечатляет.\n\n## 3 сценария с примерами\n\n**Сценарий 1: прогноз продаж в небольшом интернет-магазине**\n\nЗадача: есть ежедневные продажи за последние 90 дней. Хочется понять, сколько товаров заказывать на следующие 2 недели, чтобы не было ни дыр, ни затоваривания.\n\nКак применить: берёте массив продаж за 90 дней, запускаете TimesFM с `horizon=14`. Модель выдаёт не только средний прогноз на каждый день, но и нижнюю границу (10-й квантиль). По нижней границе можно оценить, ниже какого уровня продажи не упадут с вероятностью 90%. Это даёт безопасный минимум для минимальной закупки.\n\nЧто получится: через 5 минут у вас на руках не грубая экстраполяция по прямой, а прогноз с учётом паттернов сезонности и тренда, которые модель вытащила из вашего ряда самостоятельно.\n\n**Сценарий 2: мониторинг серверной инфраструктуры**\n\nЗадача: есть данные по загрузке CPU за последние 12 часов с шагом в минуту (это 720 точек). Нужно понять, не перегреется ли сервер в ближайшие полчаса.\n\nКак применить: подаёте ряд из 720 значений, ставите `horizon=30`. Смотрите на верхний квантиль — он даёт пессимистичный сценарий. Если верхний квантиль прогноза нигде не упирается в потолок — можно спать спокойно. Если упирается — пора будить дежурного.\n\nЧто получится: система раннего предупреждения без самописного порогового мониторинга и без настройки правил. Модель сама ловит тренд на приближение к критическим значениям.\n\n**Сценарий 3: оценка бюджета на рекламную кампанию**\n\nЗадача: есть данные по расходам на контекстную рекламу за последние 4 недели с разбивкой по дням. Нужно прикинуть, сколько денег уйдёт за следующие 7 дней, если ничего не менять.\n\nКак применить: подаёте ряд за 28 дней, запрашиваете `horizon=7`. Получаете коридор прогноза. Если бюджет ограничен, смотрите на верхний квантиль — это «худший» реалистичный сценарий. Для согласования бюджета с руководством это уже не гадание на кофейной гуще, а цифра с указанием неопределённости.\n\nЧто получится: вместо «наверное, как в прошлом месяце» — конкретный коридор, который можно защищать цифрами.\n\n## Где можно застрять\n\nПервое: квантильный прогноз работает только со специальной «головой» модели — `use_continuous_quantile_head=True`. Без неё вы получите только точечный прогноз, и никаких диапазонов не будет. В README это упоминается, но легко пропустить.\n\nВторое: на Apple Silicon PyTorch-версия может капризничать. Авторы рекомендуют в таких случаях Flax, и это действительно решает проблему, но требует отдельной установки JAX с правильным бэкендом. Не критично, но новичку придётся почитать документацию.\n\nТретье: модель не панацея для рядов с очень резкой структурой. Если у вас данные, где есть жёсткие внешние шоки (внезапное отключение рекламы, блокировка сайта, карантин) — модель их не предскажет, потому что она не видит внешних переменных. Ковариаты через XReg частично эту проблему решают, но это отдельная настройка, и ставится через `pip install timesfm[xreg]`.\n\nЧетвёртое: лицензия Apache 2.0 — это ок, но репозиторий честно предупреждает: «This open version is not an officially supported Google product». То есть если модель завтра перестанет обновляться или Hugging Face чекпоинт удалят — никто не обязан чинить.\n\n## Кому это нужно\n\nТем, у кого уже есть временные ряды и кому нужно быстрое прототипирование прогнозов без погружения в классический таймсерис-стек. Аналитикам, которые хотят проверить гипотезу «а что будет, если» за час, а не за неделю. Тем, кто делает внутренние дашборды и хочет добавить туда прогноз одним вызовом API. И особенно тем, кто уже сидит в Google-инфраструктуре — для них путь от данных до прогноза в таблице сокращается до нажатия кнопки.\n\n## Кому это не нужно\n\nЕсли у вас один критически важный ряд и вы готовы потратить месяц на построение кастомной модели с экзогенными переменными и глубокой валидацией — TimesFM вряд ли даст вам лучший результат. Она для другого. Ещё не нужно тем, кто хочет полного контроля над внутренностями модели: это не конструктор, а предобученный инструмент, и в его архитектуру вы не залезете.\n\n## Вердикт Веры\n\nЧестно говоря, я не ожидала, что Google выкатит настолько простую в использовании штуку для временных рядов. Обычно от исследовательских репозиториев ждёшь тонны конфигов, неочевидных зависимостей и статьи на 30 страниц, прежде чем хоть что-то запустится. А тут — `pip install`, пять строк кода, и модель уже выплёвывает прогноз с квантилями. И она правда работает\n\n## Что читать дальше\n\n- [Все материалы про AI-инструменты](/topics/ai-tools/)\n- [Как отличить рабочий AI-инструмент от красивой демки](https://verapointmedia.com/guides/kak-otlichit-rabochiy-ai-instrument-ot-krasivoy-demki/)\n- [Superpowers: как управлять ИИ-агентами в команде](https://verapointmedia.com/tools/obra-superpowers/)\n- [React Doctor — линтер для ассистентов, чтобы они не портили код](https://verapointmedia.com/tools/millionco-react-doctor/)\n\n## Материалы\n\n- [google-research/timesfm] google-research/timesfm: https://github.com/google-research/timesfm\n- [research.google] supporting context: https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/\n- [arxiv.org] supporting context: https://arxiv.org/abs/2310.10688\n- [huggingface.co] supporting context: https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6\n"}