Google выпустила TimesFM-3 для многомерного прогнозирования временных рядов

Google Research выпустила 330-миллионную модель TimesFM-3, которая прогнозирует несколько связанных временных рядов и учитывает дополнительные признаки — от посещаемости до будущей погоды, акций и праздников. Модель не требует дообучения под конкретную задачу и формирует весь горизонт прогноза за один проход.

Исследовательское подразделение Google представило TimesFM-3 — базовую модель для многомерного прогнозирования временных рядов. Модель содержит 330 млн параметров и предварительно обучена на реальных и синтетических данных, включающих более триллиона временных точек.

В отличие от предыдущих версий TimesFM, работавших с одним рядом, новая модель может одновременно прогнозировать несколько связанных показателей. Она также принимает дополнительные признаки: исторические данные, например посещаемость, и известные заранее события — прогноз погоды, расписание скидок или праздники. Настройка модели под каждую отдельную задачу не требуется.

TimesFM-3 разбивает данные на блоки по 32 точки и чередует внимание по временной оси с анализом связей между рядами. Будущие значения модель заполняет за один проход вместо последовательного создания блоков прогноза, что, по оценке разработчиков, сокращает задержку и препятствует накоплению ошибок. Для каждого шага она также рассчитывает девять квантилей, отражающих неопределенность результата.

По данным Google, TimesFM-3 заняла первое место среди предварительно обученных моделей по точности и качеству вероятностных прогнозов в тестах Gift-Eval, FEV-Bench и Time. Исходный код опубликован под лицензией Apache 2.0, а готовые веса пока распространяются по отдельной лицензии, запрещающей коммерческое применение и использование в производственных системах.