Tempo di lettura stimato
3 min di lettura
Difficoltà
media

Come usare TimesFM per fare previsioni sui tuoi dati

Prepara un CSV e usa un coding agent per ottenere una prima previsione con TimesFM 2.5 e leggere la fascia di incertezza.

Cosa puoi prevedere con TimesFM

TimesFM stima i valori successivi di una serie temporale, per esempio vendite giornaliere o consumi orari. Gli dai i valori storici in ordine e scegli quanti passi futuri ottenere, senza addestrare un modello da zero.

Per questo primo utilizzo scegli TimesFM 2.5, con codice e pesi Apache 2.0. Il README presenta anche TimesFM 3.0, i cui pesi scaricabili hanno una licenza diversa, limitata all'uso non commerciale e non produttivo.

Cosa ti serve

Apri una cartella con un coding agent già configurato, per esempio Claude Code. Servono Python 3.10 o successivo, una connessione per scaricare dipendenze e modello, e un CSV con colonne data e valore.

Prepara almeno 32 osservazioni in ordine cronologico, una per riga, a intervalli regolari. Se i dati sono giornalieri, 12 passi corrispondono a 12 giorni. Il download dei pesi 2.5 occupa circa 800 MB: fai controllare memoria e spazio prima di avviarlo.

Affida il primo utilizzo al coding agent

Metti il CSV nella cartella aperta dall'agente. Incolla questo messaggio nella chat sostituendo dati.csv con il nome del tuo file.

In questa cartella c'è dati.csv con colonne data e valore. Voglio prevedere i prossimi 12 passi. Se la frequenza delle date non è evidente, chiedimela.
Leggi https://github.com/google-research/timesfm e l'esempio 2.5 in https://huggingface.co/google/timesfm-2.5-200m-pytorch . Usa TimesFM 2.5, checkpoint google/timesfm-2.5-200m-pytorch, senza addestramento né servizi cloud.
Controlla Python, RAM e disco. Prepara un ambiente virtuale separato dagli altri progetti, adatto al mio sistema, con il backend PyTorch documentato. Se le risorse non bastano, fermati e spiega il requisito mancante.
Controlla date ordinate, frequenza regolare, duplicati e valori mancanti. Non riempire né eliminare dati senza chiedermelo. Converti valore in un array NumPy monodimensionale.
Carica il modello con timesfm.TimesFM_2p5_200M_torch.from_pretrained e chiama model.compile(timesfm.ForecastConfig(...)) come nell'esempio ufficiale, con questi parametri: max_context=1024, max_horizon=256, normalize_inputs=True, use_continuous_quantile_head=True, force_flip_invariance=True, fix_quantile_crossing=True. Imposta infer_is_positive=False se la serie può avere valori negativi. Se supera 1024 osservazioni, dimmi che userai le ultime 1024.
Chiama model.forecast con horizon=12 e inputs=[valori]. Salva previsione.csv con data, previsione, q10 e q90. Il primo output contiene la previsione; nel secondo l'indice 1 è q10 e l'indice 9 è q90. Controlla 12 valori finiti e q10 <= q90.
Salva previsione.png con storico, previsione e fascia q10-q90 distinguibili. Mostrami i percorsi e gli errori reali. Non inventare output se l'esecuzione non riesce.

L'extra di installazione per questo percorso è torch, indicato nel README. L'agente adatta creazione e attivazione dell'ambiente al sistema: i comandi della shell cambiano tra Mac e Windows, il prompt resta comune.

Apri e leggi la previsione

Al termine apri previsione.csv: deve contenere 12 righe future. Con dati giornalieri, la prima data è il giorno successivo all'ultima osservazione. In previsione.png individua dove finisce lo storico e inizia la stima.

L'immagine seguente proviene dall'esempio pubblicato nella repository: anomalie di temperatura mensili, non il risultato del tuo CSV. La linea blu è lo storico, quella rossa è la previsione, la linea tratteggiata verticale segna dove finiscono i dati. Le due fasce rosse sono al 60% e all'80%.

Esempio ufficiale con storico blu, previsione rossa e fasce di incertezza

La fascia q10-q90 che chiedi all'agente corrisponde alla fascia chiara all'80% dell'immagine: va dal decimo al novantesimo percentile stimato. Non indica il minimo e il massimo possibili e non garantisce che tutti i valori futuri rimangano al suo interno. Confrontala con le osservazioni che arriveranno davvero.

Apri l'esempio originale