谷歌推出了最新一代时间序列基础模型 TimesFM-3，该模型专为多变量时间序列预测而生，能够在单次前向传播中高精度预测多个相互关联的时间序列，在主流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、医疗健康及自然科学等多个领域的实际预测任务中得到广泛应用。
此前版本的局限与突破
TimesFM-2.5（2025 年 9 月发布）之前，该系列模型严格限定于单变量预测，即仅根据单条时间序列自身的历史数据进行预测。然而，现实中的预测问题往往天然具有多变量特性：多条时间序列与外部辅助特征共同影响未来的预测结果。
以零售连锁店的冰淇淋销量预测为例，仅凭历史销量数据往往难以得出准确预测。理想的预测模型还应综合考量关联商品的销量（如蛋筒、糖浆）、历史客流量，以及天气预报、促销活动、节假日等已知未来事件。
TimesFM-3 的核心能力
TimesFM-3 拥有 3.3 亿参数，基于涵盖逾 1 万亿个时间点的真实与合成时间序列语料库进行预训练，在继承前代高效性与零样本泛化能力的基础上，以零样本方式为复杂多变量场景提供强力支持。模型可同时预测多条协同演化的时间序列，无需针对特定任务进行微调，即可捕捉序列间的依存关系、提升整体预测精度。其原生支持能力包括：目标序列预测、历史协变量利用，以及历史与未来协变量的联合建模。
架构设计
TimesFM-3 沿用经过验证的纯解码器 Transformer 架构。与前代版本一致，模型将时间序列数据高效打包为每段 32 个时间步的 patch，并对各序列进行归一化处理，以应对量纲差异显著的时间序列。
针对目标序列和历史协变量序列，直接由单个 patch 构建 Token。而对于历史-未来协变量，TimesFM-3 采用独特的"前瞻"策略：将当前 patch 与未来 patch 拼接为一个 Token，使模型能够感知已知的未来信号。
patch 完成 Token 化后，经过输入残差模块，进入二维网格结构的主 Transformer 层。该结构中，时间维度注意力与跨序列注意力交替运行，无缝融合时间模式与序列间关系。
单次前向传播完成全视界预测
前代 TimesFM 逐 patch 生成预测，存在延迟高、误差累积和计算成本大等问题。TimesFM-3 采用连续 Patch 掩码策略，在单次前向传播中完成整个预测视界的生成。模型在已观测上下文旁附加掩码占位 Token，目标序列和历史协变量在预测视界内被掩码，而历史-未来协变量（如节假日、已排期事件等已知未来信号）保持可见。通过交替注意力层，模型同步填充所有被掩码的视界 patch，无需迭代循环。针对每条目标序列的每个预测步长，模型输出 9 个分位数（第 10 至第 90 百分位），提供完整的概率性预测。
应用示例：促销计划下的冰淇淋销量预测
以下以冰淇淋销量预测为例说明多变量模式的优势。假设正在制定下月促销计划，并希望提前预估销量。标准单变量模型仅依据历史销量推算周期性规律，对未来特定日期的促销活动一无所知。而 TimesFM-3 的多变量模式则截然不同：将计划促销时间表作为历史-未来协变量输入后，模型从历史数据中学习促销与销量提升之间的关系，并将这一知识应用于未来有促销活动的日期，从而预测出每个促销日约 20% 的销量增幅，最终生成更贴近实际的月度预测。
基准测试表现
研究团队在三项权威公开预测基准——Gift-Eval、FEV-Bench 和 Time——上对 TimesFM-3 进行了全面评估。在所有三项基准的点预测与概率预测指标上，TimesFM-3 在所有预训练基础模型中均位列第一，超越了 Chronos-2、Toto 2.0 系列等支持多变量的近期基础模型，以及前代模型 TimesFM-2.5。
值得关注的是，即便在不使用任何协变量或跨序列信息的单变量模式下，TimesFM-3 的表现已与其他竞争模型持平或更优；切换至完整的多变量模式后，性能进一步跃升，在所有基准的点预测与概率预测平均排名中均摘得榜首。
获取方式
TimesFM-3 现已在 GitHub 和 Hugging Face 上正式发布，BigQuery 集成功能将于近期上线。在此之前，用户可立即通过 BigQuery 中的 AI.FORECAST 命令体验 TimesFM-2.5 的单变量预测能力，无需任何机器学习专业知识。
本项目由 Yichen Zhou、Petros Mol、Abhimanyu Das 和 Samet Oymak 联合完成。
Q&A
Q1：TimesFM-3 和之前的 TimesFM 版本有什么区别？
A：最核心的区别是多变量支持。TimesFM-2.5 及更早版本只能做单变量预测，即只能根据某一条时间序列自身的历史数据来预测未来。TimesFM-3 则原生支持多变量预测，可以同时处理多条相关时间序列以及已知的未来信息（如促销计划、节假日），从而捕捉序列间的关联关系，显著提升预测精度。此外，TimesFM-3 采用单次前向传播完成全视界预测，避免了逐步生成带来的误差累积问题。
Q2：TimesFM-3 的零样本预测是什么意思？
A：零样本预测是指模型在没有针对特定任务或数据集进行额外训练（微调）的情况下，直接对新的时间序列数据做出预测。TimesFM-3 基于超过 1 万亿个时间点的大规模语料库预训练，具备强大的泛化能力，用户无需为自己的业务场景专门训练模型，即可开箱即用地获得高质量预测结果。
Q3：TimesFM-3 怎么处理促销、节假日这类已知的未来事件？
A：TimesFM-3 通过"历史-未来协变量"机制来处理这类信息。用户可以将已知的未来事件（如促销日期、节假日安排）作为协变量输入模型。模型采用"前瞻"策略，在构建 Token 时将当前时间段与未来已知信号拼接在一起，使模型在预测时能够感知并利用这些未来信息，从而在对应时间点上给出更准确的预测，例如自动预测促销日的销量提升幅度。
