Google lance TimesFM-3 pour prévoir plusieurs séries d’un coup

Google présente TimesFM-3. Le modèle de fondation pour séries temporelles est annoncé le 31 août 2026 par Ayush Jain et Rajat Sen, chercheurs chez Google Research. TimesFM-3 vise la prévision multivariée en mode zero-shot, sans ajustement spécifique à chaque tâche. Il possède 330 millions de paramètres. Son entraînement repose sur un corpus réel et synthétique dépassant un trillion de points temporels. Le modèle prédit plusieurs séries coévolutives dans un seul passage. Google indique qu’il obtient les meilleurs rangs moyens sur trois benchmarks publics. Ces évaluations couvrent les prévisions ponctuelles et probabilistes. TimesFM-3 prolonge une famille lancée en 2024 pour des usages incluant le commerce, la finance et la fabrication.

Les séries deviennent multivariées. Jusqu’à TimesFM-2.5, publié en septembre 2025, les modèles TimesFM restaient limités aux prévisions univariées. Cette approche utilise seulement l’historique d’une série. Google décrit des cas où plusieurs signaux influencent pourtant la valeur future. Pour des ventes de glaces, ces signaux peuvent inclure les produits associés, la fréquentation passée, la météo prévue, les promotions et les jours fériés. TimesFM-3 prend en charge plusieurs cibles simultanément. Il accepte aussi les covariables passées, connues uniquement dans l’historique. Les covariables dynamiques passé-futur peuvent intégrer des événements planifiés. Les sorties incluent des prévisions ponctuelles et des quantiles pour chaque cible.

TimesFM-3 combine deux attentions

Une architecture en grille. TimesFM-3 reprend l’architecture transformeur décodeur seul des versions précédentes. Il regroupe les points contigus en blocs de 32 pas temporels. Une normalisation est appliquée séparément à chaque série. Les cibles et covariables passées forment un jeton à partir d’un bloc unique. Pour les covariables passé-futur, le modèle concatène le bloc courant avec des blocs futurs connus. Cette stratégie dite lookahead expose les signaux planifiés. Les jetons traversent ensuite deux mécanismes d’attention alternés. L’attention temporelle causale regarde les pas antérieurs de la même série. L’attention entre variables examine les autres séries au même instant. Cette organisation mélange donc dépendances temporelles et relations entre séries.

Une prédiction en un passage. Les versions précédentes généraient un bloc à la fois. Google décrit pour cette méthode une latence, une accumulation d’erreurs et un coût de calcul associés aux boucles itératives. TimesFM-3 utilise le masquage de blocs contigus pour produire tout l’horizon simultanément. Le modèle ajoute des jetons masqués après le contexte observé. Les cibles et covariables passées restent masquées sur l’horizon. Les covariables passé-futur restent visibles lorsqu’elles sont connues. TimesFM-3 prédit neuf quantiles, du 10e au 90e percentile, pour chaque cible et chaque pas. Dans l’exemple des promotions, Google montre une hausse de ventes anticipée d’environ 20 % pendant chaque journée promotionnelle.

Google classe TimesFM-3 en tête

Trois benchmarks publics. Google évalue TimesFM-3 sur Gift-Eval, FEV-Bench et Time. Le modèle obtient le meilleur rang moyen parmi les modèles de fondation préentraînés pour les métriques ponctuelles et probabilistes. La comparaison inclut Chronos-2, la famille Toto 2.0 et TimesFM-2.5. Google mesure aussi un mode univarié, sans covariables ni informations entre séries. Dans ce mode, TimesFM-3 égale ou dépasse déjà les autres modèles comparés selon la publication. Le mode multivarié obtient ensuite le meilleur rang moyen sur les trois benchmarks. Ces résultats concernent les tâches évaluées et ne constituent pas une garantie pour chaque jeu de données. Les détails sont présentés dans la publication de Google Research.

Les accès arrivent immédiatement. TimesFM-3 est disponible sur GitHub et Hugging Face. Google annonce une intégration à BigQuery dans les semaines suivantes. En attendant, l’équipe recommande TimesFM-2.5 pour les tâches univariées. Cette version peut être essayée avec la commande AI.FORECAST de BigQuery. Le projet réunit Yichen Zhou, Petros Mol, Abhimanyu Das et Samet Oymak, en plus d’Ayush Jain et Rajat Sen. TimesFM-3 étend donc l’accès aux prévisions multivariées tout en conservant un fonctionnement zero-shot. Les équipes peuvent examiner le dépôt et les poids publiés avant l’arrivée de l’intégration BigQuery.