# TimesFM-3 de Google prédit plusieurs séries en une passe > Google Research présente TimesFM-3, un modèle de prévision multivariée de 330 millions de paramètres, disponible sur GitHub, Hugging Face et BigQuery. Type : Actualité IA · Catégorie : Outils · Publié le 2026-10-16 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/google-devoile-timesfm-3-son-ia-de-prevision Tags : prévision, google, données, modèles, bigquery, benchmark --- ## En résumé - Google Research présente TimesFM-3, un modèle pré-entraîné sur plus de mille milliards de points temporels. - TimesFM-3 prévoit plusieurs séries et intègre des variables historiques ou connues dans le futur. - Le modèle occupe le meilleur rang moyen sur Gift-Eval, FEV-Bench et Time. **Le signal :** TimesFM-3 traite plusieurs séries temporelles et neuf quantiles en une seule passe, selon Google Research. **Google Research présente** TimesFM-3, son nouveau modèle de fondation pour la prévision de [séries temporelles](/signal-ia/actu/google-devoile-timesfm-3-le-modele-qui-prevoit-plusieurs-series) multivariées. Le modèle compte 330 millions de paramètres. Il a été pré-entraîné sur un corpus réel et synthétique comprenant plus de mille milliards de points temporels. Google Research indique qu’il peut prévoir plusieurs séries liées en une seule passe. TimesFM-3 ne nécessite pas d’ajustement spécifique à chaque tâche pour produire ces prévisions. Il fournit des prévisions ponctuelles et quantiles pour chaque série cible. Cette annonce, publiée le 31 août 2026 par Ayush Jain et Rajat Sen, étend la famille TimesFM au-delà de la prévision univariée. **Les usages évoluent** Depuis le lancement de TimesFM en 2024, [Google](/signal-ia/actu/google-devoile-timesfm-3-pour-prevoir-plusieurs-series) Research cite des usages dans la distribution, la finance, l’observabilité, l’industrie, la santé et les sciences naturelles. Jusqu’à TimesFM-2.5, publié en septembre 2025, les modèles de la famille utilisaient uniquement l’historique d’une série. TimesFM-3 accepte plusieurs séries et des variables auxiliaires. Pour illustrer cette capacité, Google prend l’exemple des ventes de glaces. Les ventes passées peuvent être combinées avec les ventes de produits associés, la fréquentation historique, la météo prévue, les promotions et les jours fériés. Le modèle peut ainsi exploiter des signaux communs entre séries. ## TimesFM-3 exploite plusieurs signaux **Trois entrées structurent** TimesFM-3 prend en charge plusieurs séries cibles, des covariables passées et des covariables dynamiques connues dans le futur. Les premières permettent de prévoir simultanément plusieurs marques liées. Les secondes ajoutent des informations disponibles uniquement dans l’historique, comme la fréquentation passée. Les troisièmes intègrent des événements planifiés, comme une campagne promotionnelle ou une [prévision](/signal-ia/actu/google-devoile-timesfm-3-lia-qui-prevoit-plusieurs-series) météorologique. Dans l’exemple des glaces, Google Research rapporte une hausse prévue d’environ 20 % les jours de promotion. Cette estimation résulte de l’utilisation du calendrier promotionnel comme covariable future. Elle illustre le fonctionnement annoncé, plutôt qu’un résultat applicable à chaque activité. **L’architecture alterne** TimesFM-3 repose sur un transformeur décodeur seul et regroupe les points contigus par blocs de 32 pas temporels. Une normalisation est appliquée à chaque série pour gérer des échelles différentes. L’attention temporelle causale autorise chaque jeton à consulter les informations passées de sa série. L’attention complète entre variables permet de consulter les autres séries au même instant. Ces deux mécanismes alternent dans plusieurs couches. Pour les covariables passées et futures, le modèle utilise une stratégie de regard anticipé. Chaque jeton associe alors le bloc courant aux blocs futurs déjà connus. ## Google publie trois accès **Une passe produit** TimesFM-3 masque les blocs correspondant à l’horizon futur, puis les reconstruit simultanément. Les valeurs futures inconnues des séries cibles et des covariables passées sont masquées. Les covariables passées et futures restent visibles sur l’horizon concerné. Google Research présente cette méthode comme une génération non autorégressive. Le modèle produit neuf quantiles, du 10e au 90e percentile, pour chaque série cible et chaque pas de l’horizon. Sur Gift-Eval, FEV-Bench et Time, TimesFM-3 obtient le meilleur rang moyen parmi les modèles de fondation pré-entraînés évalués. Le résultat concerne les métriques de prévision ponctuelle et probabiliste, en modes univarié et multivarié. **Trois canaux existent** TimesFM-3 est disponible sur [GitHub](https://github.com/google-research/timesfm) et [Hugging Face](https://huggingface.co/google/timesfm-3.0-pytorch). Google l’a également intégré directement à [BigQuery](https://docs.cloud.google.com/bigquery/docs/timesfm-model). L’entreprise indique que la commande AI.FORECAST permet de l’essayer pour des tâches univariées et multivariées, sans expertise en apprentissage automatique. Les évaluations comparent notamment TimesFM-3 à Chronos-2, à la famille Toto 2.0 et à TimesFM-2.5. En mode univarié, TimesFM-3 égale ou dépasse les autres modèles comparés selon Google Research. Le mode multivarié améliore ensuite son rang moyen en utilisant les covariables et les relations entre séries.