# Previsión de IA para series temporales

El Time Series Foundation Model, desarrollado por Google Research, ofrece una estructura previamente entrenada para el pronóstico de series de tiempo. El modelo está diseñado para proporcionar capacidades predictivas generales en diferentes conjuntos de datos.

- ★ 31.902
- Python
- GitHub Trending · 2026-06-18

## Qué aporta
- Predicción rápida con modelo base previamente entrenado
- Soporte de longitud de contexto de 16k
- Adaptación a diferentes conjuntos de datos con estructura flexible.

## Instalación
**Instalación vía PyPI**

```
pip install timesfm[torch]
# Or with Flax
pip install timesfm[flax]
# And when XReg is needed
pip install timesfm[xreg]
```

**instalación local**

```
git clone https://github.com/google-research/timesfm.git
    cd timesfm
```


## Si no programa
Quiero hacer pronósticos de series de tiempo usando la biblioteca TimesFM. ¿Cómo puedo configurar la estructura de parámetros del 200M con la versión 2.5 de este modelo básico desarrollado por Google? ¿Cómo debo determinar los valores de max_context y max_horizon, especialmente durante la fase de compilación del modelo, y en qué formato debo proporcionar datos de entrada a la función de pronóstico? ¿Puedes explicarlo con una estructura de código de ejemplo?

## Términos relacionados del glosario

## Enlaces
- Repositorio en GitHub →
- Leer en turco →

---
Fuente: TreScout Descubrir · https://trescout.com/es/discover/timesfm/