谷歌發布 TimesFM‑3：多變量時間序列預測新模型

谷歌推出 TimesFM‑3：多變量時間序列預測新模型

谷歌研究團隊近日發佈 TimesFM‑3，這是一套以 Transformer 為基礎的 AI 預測模型，專門用來從日銷售額、天氣、促銷活動等多元時間序列資料中推算未來走勢。與以往只能單變量預測的系統不同，TimesFM‑3 能同時考量相關商品、客流量、已知的未來事件（如預定折扣、天氣預報），大幅提升預測的準確度與可信度。

背景與技術亮點

• 多變量聚合：模型將連續 32 個時間點合併為一個「patch」，再將各序列正規化至相同尺度，讓量級差異巨大的指標（例如銷售金額與客流量）可以直接比較。
• 雙向處理：在時間軸上僅利用過去資料，避免資訊洩漏；在變量軸上則同步比對同一時刻的所有指標，學習如「冰淇淋折扣」對「甜筒」銷量的相互影響。
• 規模與訓練：模型擁有 3.3 億參數，以超過一兆筆真實與合成時間序列資料訓練完成，具備 零樣本（zero‑shot） 能力，無需針對新任務額外微調。
• 不確定性輸出：每個預測時間步會同時產出九個數值，描繪預測區間與不確定性，而非單一點估計。
• 一次性填補：不同於前代一次一塊預測的慢速方式，TimesFM‑3 會將所有未來步驟標記為空白，於單次前向傳播中一次性完成填補，降低錯誤累積與計算負擔。

在谷歌示範的冰淇淋銷售案例中，僅依賴過去銷量的模型只能重現週期性波動，無法捕捉即將到來的促銷效應。加入折扣排程後，TimesFM‑3 能根據歷史資料推估促銷日的需求提升約 20%，顯示其對外部事件的敏感度與應用價值。

影響與未來展望

在 Gift‑Eval、FEV‑Bench、Time 等公開基準測試上，TimesFM‑3 在點估計精度與不確定性校準兩項指標均排名第一，超越 Amazon Chronos‑2、Toto‑2.0 以及谷歌自家的 TimesFM‑2.5。即便僅使用單一變量，TimesFM‑3 仍能與其他模型持平；加入更多輔助資訊後，其表現差距更為顯著。

目前 TimesFM‑3 已於 GitHub 與 Hugging Face 開源，未來數週內將整合至 Google BigQuery，屆時使用者可透過 AI.FORECAST 指令直接在資料倉儲內部執行多變量預測。這意味著零售、製造、金融等產業將更容易在既有資料平台上部署先進的時間序列分析，縮短從資料收集到決策支援的週期。

對於關注預測精度與風險管理的企業而言，TimesFM‑3 的出現提供了一條「一次建模、全域應用」的路徑。未來若能結合即時感測資料與更細緻的因果推論，或將進一步提升對突發事件（如自然災害、政策變動）的預測韌性，為數位化決策注入更可靠的數據基礎。