timesfm-forecast

# TimesFM — Time Series Foundation Model ## Resumen TimesFM (Time Series Foundation Model) de Google Research es un **modelo pre-entrenado** para forecasting de series temporales. Entrenado en **100 millones+ de timepoints** de diversas fuentes (dominios públicos). ## Características - **Foundation model:** No necesitas entrenar — zero-shot forecasting - **Multi-dominio:** Finanzas, energía, clima, IoT, tráfico, demanda - **Escala:** 100M+ timepoints → cubre casi cualquier patrón - **API simple:** `pip install timesfm` → `model.forecast()` ## Instalación ```bash pip install timesfm ``` ## Uso ```python import timesfm # Cargar modelo pre-entrenado model = timesfm.TimesFm( hparams=timesfm.TimesFmHparams( backend="gpu", num_layers=20, context_len=512, horizon_len=128, ), ) # Forecast forecast = model.forecast( inputs=timeseries_data, # shape: (batch, time, features) freq="D", # Daily ) # Con quantiles quantile_forecast = model.forecast_with_quantiles( inputs=timeseries_data, quantiles=[0.1, 0.5, 0.9], # P10, P50, P90 freq="H", # Hourly ) ``` ## Aplicaciones en Mastermind - **ESIOS:** Forecast de demanda eléctrica horaria - **Monte Carlo:** Como base de distribución temporal para simulaciones - **Dashboard:** Integrar como componente de predicción en dashboards ## Referencia - Repo: `google-research/timesfm` - Paper: "A Decoder-only Foundation Model for Time-Series Forecasting"