Google выпустила TimesFM-3, модель прогноза временных рядов с учётом сопутствующих показателей
31 августа 2026 года исследователи Google Ayush Jain и Rajat Sen представили в блоге Google Research модель TimesFM-3, новое поколение семейства TimesFM, предсказывающего временные ряды без дополнительного дообучения под конкретную задачу (в режиме zero-shot). Модель насчитывает 330 млн параметров и предобучена на выборке из более чем 1 трлн точек временных рядов, как реальных, так и синтетических.
Главное отличие от предшественников, родная поддержка многомерного прогнозирования. Первая версия TimesFM (дебютировала в 2024 году) и TimesFM-2.5 (вышла в сентябре 2025 года) умели работать только с одним рядом данных по отдельности. TimesFM-3 изначально обучена учитывать сразу несколько взаимосвязанных рядов и внешних сопутствующих показателей, авторы поясняют это на примере прогноза продаж мороженого: одной истории продаж недостаточно, нужны ещё продажи сопутствующих товаров (рожки, сиропы), поток посетителей и известные заранее события вроде акций, праздников и погоды.
Архитектурно модель остаётся decoder-only трансформером: данные группируются в патчи по 32 шага и нормализуются так же, как в TimesFM-2.5. Для целевого ряда и показателей, известных только в прошлом, токен строится из одного патча; а для показателей, известные значения которых есть и в будущем (например, календарь акций), применяется стратегия «заглядывания вперёд» (lookahead), токен объединяет текущий патч с будущими, давая модели доступ к уже известным сигналам. Внутри трансформера чередуются два механизма внимания, по времени и между рядами, так модель одновременно улавливает временные закономерности и связи между показателями.
Предыдущие версии TimesFM строили прогноз патч за патчем, что добавляло задержку и накапливало ошибку. TimesFM-3 использует технику «маскирования смежных патчей» (Contiguous Patch Masking) и выдаёт весь горизонт прогноза за один проход: будущие значения целевого ряда и рядов, известных только в прошлом, маскируются, а сопутствующие показатели, известные и в будущем, остаются видимыми. Модель заполняет все замаскированные шаги сразу, без пошагового цикла, и выдаёт 9 квантилей (от 10-го до 90-го процентиля) для каждого целевого ряда на каждом шаге горизонта, то есть полную вероятностную картину прогноза, а не одно число.
На примере с мороженым: обычная одномерная модель проецирует вперёд только недельную закономерность продаж и не знает о запланированных акциях. Многомерный режим TimesFM-3, получив на вход график будущих акций как сопутствующий показатель, учится по историческим данным, как акции влияют на продажи, и переносит эту связь на будущие дни с акциями, в примере авторов это даёт прогнозируемый всплеск продаж примерно на 20% в каждый день акции.
Модель протестировали на трёх открытых бенчмарках для прогнозирования, Gift-Eval, FEV-Bench и Time. На всех трёх TimesFM-3 заняла первое место среди всех предобученных базовых моделей и по точности точечного прогноза, и по качеству вероятностного прогноза; сравнение проводилось со свежими многомерными моделями Chronos-2 и семейством Toto 2.0, а также с предыдущей версией TimesFM-2.5. Даже в одномерном режиме, без сопутствующих показателей, TimesFM-3 уже не уступает или превосходит конкурентов, а в полном многомерном режиме её отрыв по среднему рангу становится ещё больше. Точные числовые показатели бенчмарков в самом посте не приведены, авторы показывают только графики среднего ранга, без таблиц с цифрами.
TimesFM-3 уже доступна на GitHub и Hugging Face; интеграция с BigQuery появится, по словам авторов, «в ближайшие недели», точная дата не названа. Пока желающие могут опробовать одномерные задачи на предыдущей версии, TimesFM-2.5, через команду AI.FORECAST прямо в BigQuery, без экспертизы в машинном обучении. Проект, совместная работа Ayush Jain и Rajat Sen с соавторами Yichen Zhou, Petros Mol, Abhimanyu Das и Samet Oymak.
Ключевые факты
- TimesFM-3, 330 млн параметров, предобучена на выборке более 1 трлн точек временных рядов (реальные и синтетические данные)
- Впервые в семействе TimesFM модель изначально (без дообучения) поддерживает многомерный прогноз, учитывает сразу несколько связанных рядов и внешние сопутствующие показатели, включая известные заранее будущие события
- Благодаря технике «маскирования смежных патчей» весь вероятностный прогноз на весь горизонт строится за один проход, а не патч за патчем; модель выдаёт 9 квантилей (10, 90-й процентиль) на каждый шаг
- На трёх открытых бенчмарках, Gift-Eval, FEV-Bench, Time, TimesFM-3 заняла первое место среди предобученных моделей и по точечному, и по вероятностному прогнозу, обойдя Chronos-2, семейство Toto 2.0 и предыдущую TimesFM-2.5
- Модель уже выложена на GitHub и Hugging Face; интеграция с BigQuery ожидается «в ближайшие недели», точная дата не названа
Почему это важно
Большинство реальных задач прогнозирования по сути многомерны: на результат влияет не только история самого ряда, но и связанные ряды и внешние сигналы, от продаж сопутствующих товаров до календаря акций и погоды. До сих пор модели семейства TimesFM (включая TimesFM-2.5) умели работать только с одним рядом за раз, и учёт таких связей требовал отдельной инженерии. TimesFM-3 обучена работать с несколькими рядами и сопутствующими показателями «из коробки», без дообучения под задачу, и при этом строит весь прогноз за один проход вместо пошагового цикла, это снижает задержку и не даёт ошибке накапливаться шаг за шагом. По заявлению авторов, на трёх открытых бенчмарках модель обошла как узкоспециализированные многомерные модели, так и собственную предыдущую версию.
Кому это важно
В посте перечислены отрасли, где предобученные модели временных рядов вообще применяются: ретейл, финансы, мониторинг инфраструктуры (observability), производство, здравоохранение и естественные науки, это области, где решения такого типа находят применение в целом, а не список конкретных клиентов TimesFM-3. Прямее всего модель пригодится тем, кто строит прогнозы на основе нескольких взаимосвязанных показателей и заранее известных будущих событий, вроде разработчиков систем планирования спроса, аналитиков и инженеров данных, которые сейчас вручную соединяют несколько отдельных прогнозов в один.
Как это применить
Веса и код TimesFM-3 уже опубликованы на GitHub и Hugging Face, так что модель можно взять и протестировать напрямую уже сейчас. Интеграция с BigQuery, по словам авторов, появится «в ближайшие недели», точная дата не названа. До её выхода одномерные задачи прогнозирования можно уже сейчас решать через предыдущую версию, TimesFM-2.5, вызвав команду AI.FORECAST прямо в BigQuery, авторы подчёркивают, что для этого не требуется экспертиза в машинном обучении. Сведений о цене или условиях лицензирования модели в источнике нет.
Можно ли доверять
Источник, официальный блог Google Research, авторы указаны поимённо как научные сотрудники Google (Ayush Jain, Rajat Sen), а сам проект назван совместной работой с соавторами Yichen Zhou, Petros Mol, Abhimanyu Das и Samet Oymak. Сравнение приводится с конкретными открытыми бенчмарками (Gift-Eval, FEV-Bench, Time) и конкретными конкурирующими моделями (Chronos-2, семейство Toto 2.0, TimesFM-2.5). При этом сам пост не публикует точные числовые показатели бенчмарков, только графики среднего ранга, так что проверить величину отрыва независимо по этому источнику нельзя, речь идёт о позиции в рейтинге, а не о конкретных цифрах точности.
Риски и подводные камни
Ключевые заявления об эффективности опираются на графики среднего ранга без исходных числовых метрик, насколько именно TimesFM-3 обходит Chronos-2 или Toto 2.0 в цифрах, по посту не проверить. Интеграция с BigQuery ещё не готова и обещана без точной даты. Пример с приростом продаж мороженого на ~20% в дни акций, иллюстрация работы модели на демонстрационных данных, а не результат бенчмарка. Данных о цене, лицензии и условиях коммерческого использования модели в источнике нет.