# TimesFM: Google открыл модель, которая предсказывает время. Буквально

- Site: VeraPoint News
- Section: Инструменты
- Date: 2026-06-19
- Canonical: https://verapointmedia.com/tools/google-research-timesfm/
- Markdown: https://verapointmedia.com/tools/google-research-timesfm.md
- Summary: 23 тысячи звезд, Apache-2.0, ставится через pip, работает не только в Python, но и в Google Sheets. Где подвох — в разборе
- SEO title: TimesFM: автоматизация исследований и документов
- Target queries: TimesFM; TimesFM github; что такое TimesFM; как использовать TimesFM
- Tags: #timesfm #timeseries #google-research #forecasting #open-source #ai-tools
- Image: https://verapointmedia.com/static/content-assets/tools/google-research-timesfm/cover.webp

## Sources

- 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

---

[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.

## Если просто

Вы 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.

Моделька 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.

Работает 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.

## Что это решает

Обычно, 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.

TimesFM 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.

Польза 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.

## Как попробовать

Ставится элементарно. Открываете терминал и:

```shell
pip install timesfm[torch]
```

Если у вас Apple Silicon или TPU, лучше поставить Flax-версию:

```shell
pip install timesfm[flax]
```

Дальше — минимальный пример прямо из README:

```python
import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)

model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        max_horizon=256,
        normalize_inputs=True,
        use_continuous_quantile_head=True,
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)

point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ],
)
```

На выходе — два массива: точечный прогноз на 12 шагов и квантили от 10 до 90 процентов. Всё. Можно подставлять свои данные и смотреть, что получается.

Если 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.

## 3 сценария с примерами

**Сценарий 1: прогноз продаж в небольшом интернет-магазине**

Задача: есть ежедневные продажи за последние 90 дней. Хочется понять, сколько товаров заказывать на следующие 2 недели, чтобы не было ни дыр, ни затоваривания.

Как 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.

Что 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.

**Сценарий 2: мониторинг серверной инфраструктуры**

Задача: 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.

Как 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.

Что получится: система раннего предупреждения без самописного порогового мониторинга и без настройки правил. Модель сама ловит тренд на приближение к критическим значениям.

**Сценарий 3: оценка бюджета на рекламную кампанию**

Задача: 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.

Как 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.

Что получится: вместо «наверное, как в прошлом месяце» — конкретный коридор, который можно защищать цифрами.

## Где можно застрять

Первое: 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.

Второе: 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.

Третье: 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]`.

Четвёртое: 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.

## Кому это нужно

Тем, 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.

## Кому это не нужно

Если 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.

## Вердикт Веры

Честно 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

## Что читать дальше

- [Все материалы про AI-инструменты](/topics/ai-tools/)
- [Как отличить рабочий AI-инструмент от красивой демки](https://verapointmedia.com/guides/kak-otlichit-rabochiy-ai-instrument-ot-krasivoy-demki/)
- [Superpowers: как управлять ИИ-агентами в команде](https://verapointmedia.com/tools/obra-superpowers/)
- [React Doctor — линтер для ассистентов, чтобы они не портили код](https://verapointmedia.com/tools/millionco-react-doctor/)

## Материалы

- [google-research/timesfm] google-research/timesfm: https://github.com/google-research/timesfm
- [research.google] supporting context: https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/
- [arxiv.org] supporting context: https://arxiv.org/abs/2310.10688
- [huggingface.co] supporting context: https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6