Google представила TimesFM-3 — модель для прогнозирования мультивариантных рядов

Компания Google официально представила TimesFM-3 — новую версию своей базовой ИИ-модели для прогнозирования временных рядов, предназначенную для расчётов с несколькими связанными показателями одновременно. Основная особенность TimesFM-3 заключается в том, что теперь она способна обрабатывать мультивариантные данные, то есть прогнозировать сразу несколько связанных между собой временных рядов в одном запуске, без необходимости подбирать её под задачу вручную или проводить дообучение под конкретный сценарий. Модель имеет масштаб 330 миллионов параметров и обучена на массивном наборе в более чем триллион точек данных, включающем как реальные, так и синтетические временные ряды.

В отличие от предыдущих версий TimesFM, которые были ограничены работой с одним рядом (например, только продажи одного продукта), новая модель принимает на вход сразу три типа данных без дополнительной настройки: множество целевых рядов, к которым хотят получить прогноз; прошлые ковариаты (авторегрессионные данные, влияющие на целевые ряды); а также переменные, которые известны как в прошлом, так и в будущем — например, заранее запланированные акции или праздничные дни, которые могут повлиять на продажи. Архитектурно модель построена на базе трансформера-декодера: временные точки агрегируются в патчи по 32 шага, нормализуются для сглаживания масштабов, и далее проходят серию попеременных слоёв внимания для одновременного заполнения всех прогнозных периодов. Модель выдаёт помимо точечного прогноза сразу девять квантилей для каждого временного шага, что позволяет более гибко учитывать неопределённость будущих показателей.

По результатам сравнительных тестов TimesFM-3 превосходит аналогичные открытые ИИ-модели, такие как Chronos-2, Toto 2.0 и прошлую версию TimesFM-2.5. На трёх независимых бенчмарках (GIFT-Eval, fev-bench и TIME) новая модель стабильно занимает первое место как по точности базового прогноза, так и по вероятностным метрикам. Например, на fev-bench она опередила конкурентов по 100 разным реальным задачам, а на TIME — по 50 отраслевым датасетам.

Выпуск сопровождается публикацией технической документации и кода на GitHub, однако есть важное ограничение: веса самой модели распространяются под некоммерческой лицензией и сейчас разрешены только для тестирования и исследований — интегрировать TimesFM-3 в реальные рабочие системы, например, как компонент коммерческого API для прогнозирования спроса, пока нельзя.

Для заведений общепита и туризма такие модели открывают стратегические возможности: прогнозы продаж и посещаемости могут стать точнее благодаря учёту сразу нескольких факторов — погоды, акций, сезонности и так далее, а не только истории по одной позиции. Это особенно критично для комплексного планирования — от заказа товаров до распределения персонала. Однако коммерческого сценария на основе TimesFM-3 ждать пока рано: лицензия не разрешает внедрять её в продакшн, а также отсутствует детальное описание стандартных ограничений, таких как требования к вычислительным ресурсам и возможности интерпретации результатов. К тому же использование открытых весов ИИ-моделей в продакшне обычно связано с вопросами безопасности и обновляемости. Поэтому сейчас новинку можно рассматривать как перспективный инструмент для R&D или пилотных проектов, но реальное внедрение в бизнес-системы потребует либо коммерческой лицензии от Google, либо появления конкурентных аналогов с открытыми правами использования.