# Prévisions IA pour les séries chronologiques

Le modèle Time Series Foundation, développé par Google Research, offre une structure pré-entraînée pour la prévision de séries chronologiques. Le modèle est conçu pour fournir des capacités prédictives générales sur différents ensembles de données.

- ★ 27 185
- Python
- GitHub Trending · 2026-06-18

## Mise à jour
- 2 août 2026 : Star 22 167 → 27 185, dernière version v2.0.2 (2 juillet 2026).

## Ce que ça vous apporte
- Prédiction rapide avec un modèle de base pré-entraîné
- Prise en charge de la longueur du contexte 16 000
- Adaptation à différents ensembles de données avec une structure flexible

## Installation
**Installation via PyPI**

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

**installation locale**

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


## Si vous ne codez pas
Je souhaite effectuer des prévisions de séries chronologiques à l'aide de la bibliothèque TimesFM. Comment configurer la structure des paramètres 200M avec la version 2.5 de ce modèle de base développé par Google ? Comment dois-je déterminer les valeurs max_context et max_horizon, en particulier pendant la phase de compilation du modèle, et dans quel format dois-je fournir des données d'entrée à la fonction de prévision ? Pouvez-vous expliquer avec un exemple de structure de code ?

## Termes liés du glossaire

## Liens
- Dépôt GitHub →
- Lire en turc →

---
Source : TreScout Découvrir · https://trescout.com/fr/discover/timesfm/