谷歌发布TimesFM-3，一款3.3亿参数的时间序列预测模型，支持多序列并行预测和零样本泛化，性能超越Chronos-2等竞品。模型采用双注意力机制，解码效率提升，但权重仅限非商业使用，商业用途需通过谷歌平台，反映行业商业化趋势。

Google开源的TimesFM是一款零样本学习的时间序列预测模型，用户只需一行命令即可使用。它能够快速预测未来数据，并提供不确定性区间，适用于加密货币等领域。该模型支持外部变量微调，完全开源，用户可在本地运行，确保数据安全。

本文探讨了大型语言模型（LLM）嵌入对时间序列预测的影响。通过比较基线模型与包含LLM嵌入的模型，结果显示两者的准确率相近，LLM嵌入的效果并不显著。在高频复杂数据环境中，传统方法仍然更为有效。

基础模型改变了时间序列预测方式，提供预训练解决方案，减少模型调整时间。五个关键模型包括：Amazon Chronos-2（成熟选项）、Salesforce MOIRAI-2（通用预测器）、Lag-Llama（开源基础）、Time-LLM（LLM适配器）和Google TimesFM（企业级标准），各具特色，提升预测效率与准确性。

时间序列预测是分析的重要环节，通过历史数据预测未来值。Python生态系统提供了多种强大的库，如Statsmodels、Sktime、Darts、PyTorch Forecasting和GluonTS，适用于不同的数据特征和需求。选择合适的工具时需考虑可解释性、训练速度和数据规模。

本文探讨了使用LSTM和Transformer模型进行单变量时间序列预测。通过分析芝加哥公共交通数据，展示了数据预处理、模型训练和评估的过程。结果表明，两种模型的预测性能相似，Transformer略优。建议尝试不同数据集以观察模型表现的差异。

本文介绍了如何利用基于决策树的模型进行时间序列预测。通过提取滞后特征和滚动统计量，将原始时间序列转化为监督学习数据集。以航空公司每月乘客数据集为例，训练决策树回归器并评估预测误差（MAE）。决策树结合其他特征进行预测，能提高预测准确性。

谷歌研究院发布了TimesFM-2.5模型，拥有2亿参数，支持16K上下文长度和概率预测。该模型在GIFT-Eval测试中表现优异，准确率领先。与2.0版本相比，TimesFM-2.5参数减少一半，但准确性提高，适合实际应用。

时间序列预测在商业中至关重要，传统方法复杂且耗时。利用Python库和AutoML工具，如Prophet和Auto ARIMA，可以快速获得合理的预测。文章强调在关键场景下仍需谨慎验证预测结果。

时间序列预测是一种通过历史数据预测未来的技术。本文介绍如何利用InfluxDB和Prophet构建伦敦天气预测系统，首先收集六个月的天气数据并存储在InfluxDB中，然后使用Prophet进行未来一个月的温度预测。时间序列预测在各行业广泛应用，工具的可用性使复杂预测变得简单。

本文提出了一种新方法FreDF，通过频域标签训练解决时间序列预测中的标签自相关性问题，显著提升预测精度，适用于多种主流模型。实验结果表明，FreDF在多个数据集上表现优异，验证了其有效性和通用性。