A Google Research közzétette a TimesFM-3 idősor-előrejelző alapmodellt. A 330 millió paraméteres Transformer-hálózat több összefüggő változót és előre rögzített jövőbeli eseményt, például időjárási adatokat vagy leárazási naptárakat von be a becslésbe, ahogy arról a Google Research hivatalos bejelentése is beszámolt.
Többváltozós összefüggések és kétdimenziós figyelem
A valós üzleti folyamatok ritkán függenek egyetlen izolált értéktől. Egy kiskereskedelmi lánc fagylalteladásainak tervezésekor a korábbi forgalom mellett a kapcsolódó termékek kereslete, a helyi időjárás-előrejelzés, az ünnepnapok és az ütemezett akciók egyaránt meghatározzák a készletszükségletet. A korábbi generációk (TimesFM 1.0–2.5) kizárólag egyetlen idősort tudtak kezelni (univariate mód). A 3.0-s kiadás ezt a korlátot bontja le a többváltozós (multivariate) architektúrával.
A modell 32 egymást követő adatpontot von össze egyetlen patch-csoportba, az eltérő nagyságrendű méréseket pedig közös skálára normalizálja. A feldolgozás két váltakozó irányban történik: az időtengely mentén csak a múltbeli értékekből építkezik a jövőbeli információk szivárgásának (data leakage) megelőzésére, míg a változók tengelyén az adott időpillanatban összefésüli a párhuzamos adatsorokat. Így a rendszer megtanulja, hogy az egyik termék akciója miként alakítja át egy másik árucikk keresletét.
Egymenetes jóslás lépésenkénti hibahalmozódás helyett
A klasszikus autoregresszív modellek blokkonként, lépésről lépésre haladva jósolják meg a jövőt. Ez a mechanizmus lassú és számításigényes, ráadásul minden újabb időszelet a korábbi predikciók hibáira épül, ami miatt a pontatlanság gyorsan felhalmozódik. A TimesFM-3 ezzel szemben üres mezőként jelöli ki a teljes előrejelzési időablakot, és egyetlen menetben tölti ki az összes jövőbeli időpontot.
A hálózat három kiegészítő adattípust kezel. Egyidejűleg becsül meg több kapcsolódó célváltozót, beépíti a csak múltbeli tényezőket (például korábbi vásárlói forgalom), valamint figyelembe veszi az előre ismert naptári paramétereket, köztük az ütemezett árengedményeket. A pontszerű becslés helyett lépésenként kilenc disztribúciós értéket határoz meg, közvetlenül számszerűsítve az előrejelzés bizonytalansági tartományát.
Benchmark eredmények és felhős integráció
A fejlesztők valós és szintetikus adatsorokon, több mint ezer milliárd adatponton tanították fel a modellt, amely előzetes finomhangolás nélkül (zero-shot módban) állítható munkába. A Gift-Eval, FEV-Bench és Time teszteken a TimesFM-3 nulla lövéses (zero-shot) módban kimagasló, versenyképes eredményeket ért el, és a legtöbb metrikában – különösen a bizonytalanság-kalibráció terén – felülmúlta az Amazon Chronos-2 modelljét, a Toto-2.0 családot és az előd TimesFM-2.5 verziót.
A nyílt súlyú (open-weights) modell a licenc korlátozásainak figyelembevételével a GitHubon és a Hugging Face-en érhető el PyTorch formátumban, a vállalati felhasználóknak pedig a BigQuery AI.FORECAST felületén válik elérhetővé az új motor a következő hetekben.
