TimesFM-3 научилась учитывать связи между рядами

Команда Google Research выпустила TimesFM-3 — модель для прогнозирования временных рядов без дообучения под каждую задачу. Ключевое обновление: модель одновременно видит несколько связанных рядов и дополнительные факторы.

Прогноз видит контекст

Предыдущие версии TimesFM в основном продолжали одну последовательность: например, историю продаж конкретного товара. TimesFM-3 может совместно прогнозировать несколько показателей, учитывать доступные только в прошлом данные и известные будущие события: календарь промоакций, праздники или прогноз погоды. Прогноз продаж мороженого можно строить с учётом продаж сопутствующих товаров, посещаемости магазинов и будущих промо. В иллюстративном примере Google модель реагирует на дни акций и закладывает рост примерно на 20%. Это демонстрация механики, а не обещание такого же эффекта на любых данных.

TimesFM-3 содержит 330 миллионов параметров и обучена на корпусе более чем из триллиона временных точек. Она выдаёт весь горизонт за один проход и строит девять квантилей, то есть показывает не только ожидаемое значение, но и диапазон неопределённости. Google сообщает о лучшем среднем рейтинге среди предварительно обученных фундаментальных моделей на Gift-Eval, FEV-Bench и TIME.

Сначала прототип, потом продакшен

Для бизнеса важнее ограничение, спрятанное не в архитектуре, а в лицензии. Код репозитория опубликован под Apache-2.0, однако готовые веса TimesFM-3 распространяются по отдельной некоммерческой лицензии. Их нельзя использовать в коммерческих и производственных системах.

Поэтому TimesFM-3 сегодня подходит для исследования и проверки гипотез. Возьмите один реальный ряд с полезными факторами, проведите обратное тестирование на историческом периоде и сравните результат с текущим методом прогноза. Так станет понятно, даёт ли многомерный контекст практическую пользу именно на ваших данных.

Следующий шаг

• TimesFM: Google выложил модель, которая прогнозирует временные ряды без обучения

Связанные материалы

• Статья: AI Native без шаманства: как строить ИИ-системы, которые реально работают — видео
• Блог: Данные важнее модели
• База знаний: ClickHouse — колоночная OLAP-база данных для аналитики в реальном времени

Если у вас есть продажи, нагрузка или другие показатели во времени, такой прототип поможет проверить ценность связанных данных до полноценного внедрения.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov