TimesFM 2.5 완전 정리: Google Research 시계열 파운데이션 모델의 구조, 특징, 설치 및 사용 방법

 

TimesFM이란 무엇인가

TimesFM(Time Series Foundation Model)은 Google Research가 개발한 사전학습 기반 시계열 예측 모델입니다. ICML 2024에 발표된 “A decoder-only foundation model for time-series forecasting” 논문을 기반으로 하며, 범용 시계열 예측을 목표로 설계된 파운데이션 모델입니다.

이 글에서는 TimesFM의 개념과 배경, 최신 버전 2.5의 핵심 변화, 기술적 특징, 설치 방법 및 사용 예제를 체계적으로 정리합니다. 특히 2.0 대비 개선된 2.5 버전의 구조적 변화와 실무 활용 관점에서의 의미를 중심으로 살펴봅니다.

반응형

---

TimesFM의 배경과 구조

디코더 전용 아키텍처 기반 모델

TimesFM은 디코더 전용(decoder-only) 구조를 사용하는 시계열 생성 모델입니다.
과거 시계열 데이터를 입력으로 받아 미래 값을 생성하는 방식입니다.

텍스트 분야에서 대규모 언어 모델이 다양한 태스크에 활용되는 것처럼, TimesFM 역시 범용 시계열 예측을 목표로 설계되었습니다. 특정 산업에 종속되지 않고, 다양한 시계열 문제에 적용할 수 있는 점이 핵심입니다.

공개 체크포인트 및 제품 연계

• Hugging Face Collection을 통해 체크포인트 제공
• BigQuery에서 공식 제품 형태로 활용 가능

단, 오픈소스 버전은 공식 Google 제품 지원 형태는 아닙니다.

---

최신 모델: TimesFM 2.5의 핵심 변화

2025년 9월 15일 공개된 TimesFM 2.5는 2.0 대비 구조적 개선이 이루어졌습니다.

1. 파라미터 수 감소 (500M → 200M)

모델 규모는 줄었지만 성능과 확장성은 유지 및 개선되었습니다.
이는 다음과 같은 실무적 장점을 제공합니다.

• 추론 비용 절감
• 메모리 사용량 감소
• 배포 환경 제약 완화

2. 컨텍스트 길이 16k 지원

기존 2,048에서 최대 16,000 스텝까지 확장되었습니다.

긴 과거 데이터를 활용해야 하는 금융, 에너지, 수요 예측 분야에서 큰 장점이 됩니다. 장기 의존성을 보다 안정적으로 학습할 수 있습니다.

3. 연속형 분위수 예측 지원

옵션으로 30M 규모 quantile head를 사용하면 최대 1,000 horizon까지 연속형 분위수 예측이 가능합니다.

단순 평균 예측이 아닌, 10%~90% 분위수 범위를 함께 제공하여 불확실성까지 모델링할 수 있습니다. 이는 리스크 관리와 의사결정 지원에 중요한 요소입니다.

4. Frequency Indicator 제거

기존 버전에서 사용되던 frequency indicator가 제거되었습니다.
구조를 단순화하면서도 예측 기능은 강화된 점이 특징입니다.

5. XReg 기반 공변량 지원 복원

2025년 10월 29일 업데이트를 통해 XReg를 통한 공변량 지원이 다시 추가되었습니다.

예를 들어, 매출 예측 시 날씨나 프로모션 정보를 함께 입력할 수 있습니다.
단일 시계열이 아닌 외생 변수까지 반영 가능한 구조입니다.

---

기본 사용 예제

모델 로드

google/timesfm-2.5-200m-pytorch 체크포인트를 불러옵니다.

모델 설정 (ForecastConfig)

주요 설정 항목은 다음과 같습니다.

• max_context: 입력 시계열 최대 길이
• max_horizon: 최대 예측 길이
• normalize_inputs: 입력 정규화 여부
• use_continuous_quantile_head: 분위수 예측 사용 여부
• force_flip_invariance: 반전 불변성 적용
• infer_is_positive: 양수 값 추론 보정
• fix_quantile_crossing: 분위수 교차 문제 보정

예측 수행

horizon=12로 설정하면 향후 12 스텝을 예측합니다.
입력은 NumPy 배열 리스트 형태로 전달합니다.

출력 형태는 다음과 같습니다.

• point_forecast.shape → (2, 12)
• quantile_forecast.shape → (2, 12, 10)

평균 예측과 함께 10%~90% 분위수까지 포함됩니다.

---

TimesFM의 기술적 강점 정리

1. 사전학습 기반 범용 시계열 모델

2. 최대 16k 컨텍스트 지원

3. 최대 1k horizon 분위수 예측 가능

4. 공변량(XReg) 지원

5. Torch 및 Flax 백엔드 지원

특정 도메인별 모델을 매번 새로 설계하지 않고, 사전학습 모델을 활용해 빠르게 적용할 수 있다는 점이 가장 큰 강점입니다.

---

728x90

TimesFM 2.5는 경량화와 확장성을 동시에 달성한 시계열 파운데이션 모델입니다.

200M 파라미터 구조로 줄이면서도 16k 컨텍스트 지원, 분위수 예측, 공변량 처리까지 제공합니다.

이는 다음과 같은 기대를 가능하게 합니다.

• 대규모 시계열 데이터에 대한 범용 예측 모델 활용
• 불확실성 기반 의사결정 지원
• 장기 패턴 학습 강화
• 다양한 환경에서 유연한 배포

시계열 예측을 통합적이고 확장 가능한 방식으로 접근하고 싶다면, TimesFM 2.5는 충분히 검토할 가치가 있습니다. 특히 장기 예측과 불확실성 추정이 중요한 환경이라면 더욱 의미 있는 선택지가 될 수 있습니다.

300x250

https://github.com/google-research/timesfm/

GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed