Google发布TimesFM-3：单次前向传播即可完成多步时间序列预测

Google Research 发布了 TimesFM-3，这是一款从时间序列数据（如每日销售数据）中预测未来的 AI 模型，能够利用相关数据和已知未来事件来提升预测准确性。

现实世界中的预测很少只依赖单一变量，Google 用一个零售连锁店预测冰淇淋销售的案例来说明这一点。一个好的预测应该同时考虑相关产品（如华夫饼筒或糖浆）、历史客流量、天气、促销活动以及节假日等因素。

TimesFM-3 基于 Transformer 构建，其基础架构与前代模型相同，但它将 32 个连续数据点分组为一个单一 patch，并将每个序列归一化到统一规模，从而使不同量级的测量数据能够直接进行比较。

模型在两个交替方向上处理数据。在时间轴上，它在单一序列中寻找模式，只利用历史值来避免泄露未来信息。在跨序列维度上，它比较给定时间点的所有变量并学习它们之间的关系，这使其能够捕捉到诸如某一产品的折扣如何影响另一产品销售之类的关联。

蓝色标记目标序列，紫色为仅历史可知的变量，绿色为已知未来事件，其 token 已包含即将到来的 patch。| 图片来源：Google

该模型拥有 3.3 亿个参数，根据 Google 的数据，它在真实和合成时间序列上进行了训练，数据点总计超过一万亿个。与前代模型一样，它支持零样本学习，无需针对新任务进行额外训练。

TimesFM-3 处理三种类型的补充数据。它同时预测多个相关变量（如不同的冰淇淋口味），并纳入仅历史可知的因素（如历史客流量）。它还利用已知未来事件（如计划中的折扣或天气预报）。TimesFM-3 不是输出单一预测值，而是为每个时间步输出九个值，以捕捉每个预测的范围和不确定性。

一次性预测取代了容易出错的逐步预测方法

早期版本一次预测一个数据块，Google 表示这种方法速度慢、计算量大，且每个预测都建立在前一个之上，导致误差累积。TimesFM-3 采用了不同方法，将所有未来时间步标记为空白，然后一次性完成填充。

Google 用冰淇淋案例展示了其效果。一个只了解历史销售的模型只能延续通常的每周模式，对计划的促销活动视而不见。当 TimesFM-3 获取折扣计划后，它从历史数据中学习促销活动对需求的提升程度，并预计每个促销日的销量约增加 20%。

蓝色预测已知折扣计划，预计在橙色标记的促销日销售额约高 20%，而红色预测则仅延续通常的每周模式。| 图片来源：Google

TimesFM-3 在三大基准测试中领先

根据 Google 的数据，在 Gift-Eval、FEV-Bench 和 Time 三个基准测试中，TimesFM-3 在点预测精度和不确定性校准两方面均位列所有预训练预测模型之首。竞争对手包括 Amazon 的 Chronos-2、Toto-2.0 系列以及 Google 自家的 TimesFM-2.5。即使局限于单一变量，TimesFM-3 也能匹配或超越其他模型，而添加更多数据会扩大这一优势。

左下角越低越好。TimesFM-3 在 Gift-Eval 上以较大优势领先，即使局限于单一变量。| 图片来源：Google

TimesFM-3 在 FEV-Bench 上同样位居榜首。Amazon 的 Chronos-2 接近 TimesFM-3 单一变量模式的水平，但与完整版本相比仍有较大差距。| 图片来源：Google

在 Time 基准测试中，TimesFM-3 再次领先，其次是 Toto-2.0 系列。其前身 TimesFM-2.5 则大幅落后于其他模型。| 图片来源：Google

TimesFM-3 可在 GitHub 和 Hugging Face 上获取，Google 计划在未来几周内将其添加到 BigQuery 中。TimesFM-2.5 目前通过 AI.FORECAST 命令在那里处理单变量预测任务。

Google 表示，自 2024 年该系列推出以来，已在零售、金融、制造业、医疗保健和科学领域部署。所有版本（直到 2025 年 9 月发布的 TimesFM-2.5）都只能一次处理一个数据序列，使 TimesFM-3 的多变量支持成为重大飞跃。

Google 还在开发时间序列之外的预测模型。8 月初，Google DeepMind 发布了 WeatherNext Cyclones，这是一款面向热带气旋的开源 AI 系统，能够比领先的业务模型提前约一天预测风暴路径和强度。