📢 转载信息
原文作者：Vinod Chugani
2026年时间序列工具包：五大自主预测基础模型
图片作者
引言
大多数预测工作涉及为每个数据集构建定制模型——在这里拟合一个ARIMA模型，在那里调整一个LSTM的超参数，或者苦苦调校Prophet的超参数。基础模型颠覆了这种做法。它们在海量时间序列数据上进行了预训练，并且可以在无需额外训练的情况下预测新模式，这类似于GPT可以在它从未明确见过的议题上进行写作。
从任务特定的模型转向基础模型的编排，改变了团队处理预测问题的方式。预训练模型已经理解了通用的时间模式，因此团队不再需要花费数周时间来为每个新数据集调整参数和整理领域专业知识。团队可以实现更快的部署、跨领域的更好泛化，以及更低的计算成本，而无需大量的基础设施投入。
1. Amazon Chronos-2（生产就绪的基础模型）
对于转向基础模型预测的团队来说，Amazon Chronos-2是最成熟的选择。这类预训练的Transformer模型族基于T5架构，通过缩放和量化将时间序列值进行标记化——将预测视为一个语言建模任务。2025年10月的发布扩展了其能力，以支持单变量、多变量和协变量驱动的预测。
该模型开箱即用地提供了始终优于已调优的统计模型的零样本预测能力，在单个GPU上每秒可处理300多个预测。Chronos-2在Hugging Face上拥有数百万次下载，并与SageMaker和AutoGluon等AWS工具原生集成，是基础模型中文档和社区支持最强的模型。该架构有五种尺寸，参数量从900万到7.1亿不等，团队可以根据性能和计算限制进行平衡。请在GitHub上查看实现，在研究论文中回顾技术方法，或从Hugging Face获取预训练模型。
2. Salesforce MOIRAI-2（通用预测器）
Salesforce MOIRAI-2通过其通用预测架构解决了处理混乱的真实世界时间序列数据的实际挑战。这款仅解码器的Transformer基础模型可以在单个框架内适应任何数据频率、任意数量的变量和任何预测长度。该模型的“任意变量注意力”（Any-Variate Attention）机制可以动态调整以适应多变量时间序列，而无需固定输入维度，这使其区别于为特定数据结构设计的模型。
在不泄露数据的情况下，MOIRAI-2在GIFT-Eval排行榜上名列前茅，在分布内任务和零样本任务上均表现强劲。它在LOTSA数据集（跨九个领域的270亿个观测值）上进行训练，使其对新预测场景具有强大的泛化能力。团队受益于完全开源的开发和积极的维护，使其对涉及多个变量和不规则频率的复杂现实世界应用非常有价值。该项目的GitHub仓库包含实现细节，而技术论文和Salesforce博客文章解释了其通用预测方法。预训练模型可在Hugging Face上获取。
3. Lag-Llama（开源骨干）
Lag-Llama通过一个受Meta LLaMA架构启发的仅解码器Transformer，将概率预测能力引入基础模型。与仅产生点预测的模型不同，Lag-Llama为每个预测步骤生成带有不确定性区间的完整概率分布——这是决策过程所需的量化不确定性。该模型使用滞后特征作为协变量，并在使用小数据集进行微调时表现出强大的少样本学习能力。
其完全开源和宽松的许可使其对任何规模的团队都易于获取，而其在CPU或GPU上运行的能力则消除了基础设施障碍。主要机器学习会议的学术支持增加了其可靠性。对于那些将透明度、可重现性和概率输出置于原始性能指标之上的团队来说，Lag-Llama提供了一个可靠的基础模型骨干。其GitHub仓库包含实现代码，而研究论文详细介绍了其概率预测方法。
4. Time-LLM（LLM适配器）
Time-LLM采取了不同的方法，它在不修改原始模型权重的情况下，将现有的大型语言模型（LLM）转换为预测系统。这种重新编程框架将时间序列块转换为文本原型，使冻结的LLM（如GPT-2、LLaMA或BERT）能够理解时间模式。“前缀即提示”（Prompt-as-Prefix）技术通过自然语言注入领域知识，因此团队可以使用其现有的语言模型基础设施来执行预测任务。
这种适配器方法非常适合已经在生产环境中运行LLM的组织，因为它消除了部署和维护独立预测模型的需要。该框架支持多个骨干模型，因此可以随着新版本的发布轻松切换不同的LLM。Time-LLM代表了预测的“智能体式AI”（agentic AI）方法，其中通用语言理解能力迁移到了时间模式识别。可以通过GitHub仓库获取实现，或在研究论文中回顾其方法论。
5. Google TimesFM（大科技标准）
Google TimesFM提供了企业级的I基础模型预测能力，拥有全球最大的科技研究组织之一的背景支持。这款基于块的仅解码器模型，在来自Google内部数据集的1000亿个真实时间点上进行了预训练，在多个领域实现了强大的零样本性能，且配置极少。该模型的设计优先考虑大规模生产部署，反映了其源于Google内部预测工作负载的特性。
TimesFM已经通过Google生产环境中广泛的使用得到了实战检验，这增强了在业务场景中部署基础模型的团队的信心。该模型平衡了性能和效率，在保持竞争性准确性的同时避免了大型替代模型的计算开销。Google Research的持续支持意味着未来的开发和维护，使TimesFM成为寻求企业级基础模型能力的团队的可靠选择。可以通过GitHub仓库访问该模型，在技术论文中回顾架构，或在Google Research博客文章中阅读实现细节。
结论
基础模型将时间序列预测从一个模型训练问题转变为一个模型选择挑战。Chronos-2提供了生产成熟度，MOIRAI-2处理复杂的多变量数据，Lag-Llama提供概率输出，Time-LLM利用现有LLM基础设施，而TimesFM则提供企业级可靠性。应根据您在不确定性量化、多变量支持、基础设施限制和部署规模等方面的具体需求来评估模型。建议先在代表性数据集上进行零样本评估，以确定哪个基础模型最适合您的预测需求，然后再投入微调或定制开发。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区