返回资讯中心
外部精选
软件工程
#开发者实时流

Google Research发布TimesFM-3,单次前向即可完成多变量时间序列预测

来源标题:TimesFM-3: A zero-shot foundation model for multivariate forecasting

Google Research推出TimesFM-3时间序列基础模型,仅需一次前向计算即可完成高精度多变量预测,在主要基准上显著优于其他预测模型。此前从2024年首版到2025年9月的TimesFM-2.5均只支持单变量预测,而现实预测问题通常是多变量的,例如零售冰淇淋销量还受外部特征影响。

Hacker News 最新gmays2026/11/17 · 昨天18 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

首页 博客 TimesFM-3:面向多变量预测的零样本基础模型 2026年8月31日 Google Research 研究科学家 Ayush Jain 与 Rajat Sen 我们推出 TimesFM-3,这是一款最先进的时间序列基础模型,能够在单次前向传播中实现高精度的多变量时间序列预测,在各大基准测试中显著优于其他预测模型。 自 2024 年 TimesFM 首次亮相以来,时间序列基础模型已在零售、金融、可观测性、制造业、医疗健康和自然科学等多个领域的真实时间序列预测任务中得到采用。 在 TimesFM-2.5(2025 年 9 月发布)之前,我们的模型一直严格局限于单变量预测:即仅利用单条时间序列的历史进行预测。然而,大多数真实世界的预测问题本质上是多变量的:多条时间序列和辅助外部特征共同影响某条时间序列的未来走势。以预测某零售连锁店的冰淇淋销量为例。仅凭过去的销量很少能说明全部情况。一个好的预测还应参考相关产品(如冰淇淋蛋筒、糖浆)的销量、历史客流量,以及已知的未来事件,如天气预报、促销活动和节假日。 今天我们推出 TimesFM-3,这是我们新一代的时间序列基础模型,原生面向多变量预测进行预训练。TimesFM-3 拥有 3.3 亿参数,在包含超过 1 万亿个时间点的真实与合成时间序列语料库上完成预训练。秉承前代模型的高效性与零样本泛化能力,TimesFM-3 以零样本方式增强了对复杂多变量场景的稳健支持。它能够联合预测多条协同演化的时间序列,捕捉其中的依赖关系从而提升整体准确率,且无需针对特定任务进行微调。该模型原生支持: TimesFM-3 沿用前代模型久经验证的仅解码器 transformer 架构。与以往版本一样,我们通过将连续数据点分组为 32 个时间步的 patch 来高效处理时间序列。随后,我们对每条时间序列分别进行归一化,方式与 TimesFM-2.5 类似,以应对尺度差异巨大的时间序列。 对于目标序列和过去协变量序列,每个 token 直接由单个 patch 构建。然而,对于过去-未来协变量,TimesFM-3 采用了一种巧妙的“前瞻”策略:每个 token 将当前 patch 与未来 patch 拼接,使模型能够提前看到已知的即将到来的信号。 patch 完成 token 化后,会经过一个输入残差块,进入主 transformer 堆栈,该堆栈以二维网格的形式运作: 这两种注意力机制在多个层中交替进行,将时间模式与跨序列关系无缝融合。 此前版本的 TimesFM 一次生成一个 patch 的预测,这会带来延迟、误差累积叠加以及计算开销。TimesFM-3 采用连续 Patch 掩码策略,在单次前向传播中生成整个预测区间。模型在观测到的上下文之外,为未来区间附加被掩码的占位 token。目标序列和过去协变量序列在预测区间内被掩码(因为其未来值未知),而过去-未来协变量保持可见,从而为模型提供节假日或预定事件等已知的未来信号。通过交替注意力层,模型同时填充所有被掩码的区间 patch,无需迭代循环。模型在每个预测步上为每条目标时间序列预测 9 个分位数(从第 10 百分位到第 90 百分位),提供预测不确定性的完整概率视图。 让我们回到冰淇淋销量的例子。假设你正在制定下个月的促销计划,希望预测销量以便提前准备。标准的单变量模型(下图中的红线)会查看历史销量并将每周模式向前推演——但它对特定日期的计划促销一无所知。TimesFM-3 的多变量模式(下图中的蓝线)采取不同的方法:通过将计划促销安排作为过去-未来协变量传入,模型从历史上下文中学习促销与销量提升之间的关系,然后将这一知识应用于未来有促销计划的日期。结果是,预测能够预见到每个促销日约 20% 的销量增长。在下图中,促销协变量中的琥珀色块标示出哪些日期有促销——蓝色预测线对每一次促销都有明显响应,而红色预测线则没有。在整个月内,这累积起来便能为预计收入提供更准确的预测。 规划促销:TimesFM-3 的多变量预测利用促销协变量来预见未来计划促销日的销量提升。 我们在三个全面的公开预测基准上评估了 TimesFM-3:Gift-Eval、FEV-Bench 和 Time。在这三个基准上,TimesFM-3 在所有预训练基础模型中,无论点预测指标还是概率预测指标均排名第一。下图展示了三个基准上各任务在点预测准确率和概率预测质量方面的平均排名(越低越好)。我们与近期的基础模型进行了比较,包括具备多变量能力的模型,如 Chronos-2 和 Toto 2.0 系列,以及我们此前的模型 TimesFM-2.5。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →