Google lance TimesFM-3 et ses prévisions multivariées

Google présente TimesFM-3 le 31 août 2026 comme la nouvelle génération de son modèle de fondation pour séries temporelles. Le modèle vise les prévisions multivariées en un seul passage, avec une généralisation sans ajustement spécifique à une tâche. TimesFM-3 contient 330 millions de paramètres. Son pré-entraînement repose sur un corpus réel et synthétique de plus de mille milliards de points temporels. Google indique également que le modèle peut prévoir simultanément plusieurs séries qui évoluent ensemble. Cette approche complète les versions précédentes, limitées aux prévisions univariées jusqu’à TimesFM-2.5, lancé en septembre 2025. TimesFM-3 prend désormais en compte les relations entre plusieurs séries et des variables externes connues.

Les covariables structurent les entrées du modèle selon trois catégories. Les cibles multiples permettent de prévoir plusieurs séries liées, comme différentes marques de glaces. Les covariables passées ajoutent des informations connues uniquement dans l’historique, comme la fréquentation d’un magasin. Les covariables dynamiques passées-futures intègrent des événements déjà connus, comme des promotions, des prévisions météorologiques ou des jours fériés. Dans l’exemple présenté par Google, le calendrier promotionnel sert à guider la prévision des ventes. TimesFM-3 anticipe alors une hausse d’environ 20 % lors de chaque journée promotionnelle. Le modèle produit des prévisions ponctuelles et quantiles pour toutes les cibles.

TimesFM-3 combine deux attentions

L’architecture utilise un transformeur décodeur uniquement, comme les versions antérieures. Les données sont regroupées en blocs contigus de 32 pas temporels. Une normalisation est appliquée séparément à chaque série afin de gérer des échelles différentes. TimesFM-3 organise ensuite les blocs dans une grille à deux dimensions. L’attention temporelle causale relie les blocs successifs d’une même série sans accéder aux informations futures. L’attention complète entre variables relie les séries au même instant. Ces deux mécanismes alternent dans plusieurs couches. Ils permettent au modèle d’associer les motifs temporels aux dépendances entre séries, notamment lorsqu’une promotion influence plusieurs indicateurs de vente.

Le décodage devient simultané grâce à la technique Contiguous Patch Masking. Les blocs correspondant à l’horizon futur sont ajoutés comme des emplacements masqués aux côtés du contexte observé. Les cibles et les covariables historiques sont masquées sur l’horizon, car leurs valeurs futures restent inconnues. Les covariables passées-futures restent visibles pour transmettre les signaux planifiés. Le modèle remplit ensuite tous les blocs futurs en un seul passage avant. Google indique que cette méthode évite une boucle itérative. TimesFM-3 prédit neuf quantiles, du 10e au 90e percentile, pour chaque série cible et chaque étape de l’horizon. Ces sorties décrivent plusieurs niveaux d’incertitude.

Google classe TimesFM-3 en tête

Trois benchmarks publics ont servi à évaluer TimesFM-3. Google cite Gift-Eval, FEV-Bench et Time. Sur ces trois évaluations, TimesFM-3 obtient le meilleur rang moyen parmi les modèles de fondation pré-entraînés, pour les métriques de prévision ponctuelle et probabiliste. La comparaison inclut notamment Chronos-2, la famille Toto 2.0 et TimesFM-2.5. Le modèle est testé en mode univarié et multivarié. En mode univarié, chaque série est traitée séparément, sans covariables ni informations croisées. Google indique que ce mode égale ou dépasse déjà plusieurs modèles concurrents. Le mode multivarié améliore ensuite le rang moyen en exploitant les séries associées et les covariables disponibles.

Le modèle est disponible sur GitHub et Hugging Face. Google annonce une intégration à BigQuery dans les semaines suivantes. En attendant, l’entreprise indique que TimesFM-2.5 peut être utilisé immédiatement pour des tâches univariées via la commande AI.FORECAST de BigQuery. TimesFM-3 appartient à la famille de modèles de fondation pour séries temporelles TimesFM, lancée en 2024. Le projet réunit notamment Ayush Jain, Rajat Sen, Yichen Zhou, Petros Mol, Abhimanyu Das et Samet Oymak. La publication présente donc un modèle multivarié accessible sans ajustement propre à chaque tâche.