TimesFM 2.5: полный разбор forecasting-пайплайна от бэктестов до аномалий

Google опубликовала подробный гайд по TimesFM 2.5 — модели для прогнозирования временных рядов. В материале разбирается сквозной пайплайн: от генерации синтетических данных о продажах в нескольких магазинах до оценки качества прогнозов и развертывания в Colab.

Авторы показывают, как использовать модель для точечного и вероятностного прогнозирования, подключать внешние факторы (цены, промо, праздники, температуру), проводить бэктесты с скользящим окном и находить аномалии. Отдельно рассмотрены вопросы производительности: батч-инференс, настройка длины контекста и пропускной способности.

Практическая ценность — в готовом рецепте: как быстро проверить TimesFM на своих данных, какие метрики смотреть (MAE, RMSE, sMAPE, MASE, pinball loss) и как адаптировать модель под длинные горизонты. Материал будет полезен дата-сайентистам, которые хотят внедрить forecasting без глубокого погружения в детали.