Google fait prévoir plusieurs séries à TimesFM-3

Google présente TimesFM-3. Le modèle de fondation est conçu pour prévoir plusieurs séries temporelles simultanément, sans ajustement propre à une tâche. Google Research l’a annoncé le 31 août 2026. TimesFM-3 compte 330 millions de paramètres. Son préentraînement repose sur un corpus réel et synthétique de plus de 1 000 milliards de points temporels. Le modèle vise des prévisions multivariées en un seul passage. Il produit aussi des prévisions ponctuelles et probabilistes pour chaque série cible. Cette version étend la famille TimesFM, dont les modèles jusqu’à TimesFM-2.5 restaient limités aux prévisions univariées. Google présente cette évolution pour des usages couvrant notamment le commerce, la finance, l’industrie et la santé.

Les variables enrichissent les prévisions. TimesFM-3 peut prévoir plusieurs séries liées au même moment. Il exploite aussi des covariables passées, comme la fréquentation historique d’un magasin. Les covariables dynamiques passé-futur intègrent des informations connues à l’avance. Google cite les promotions planifiées, les prévisions météorologiques et les jours fériés. Dans l’exemple des ventes de glaces, le modèle associe les ventes de produits liés, la fréquentation et les événements futurs. Cette approche permet de représenter les relations entre séries coévolutives. Elle ne demande pas de réglage spécifique de la tâche. Les utilisateurs peuvent consulter le dépôt GitHub et le modèle sur Hugging Face.

TimesFM-3 combine deux attentions

L’architecture traite les séries conjointement. TimesFM-3 reprend une architecture de transformeur décodeur seul. Le modèle regroupe les données contiguës par blocs de 32 pas temporels. Une normalisation est appliquée séparément à chaque série. Les séries cibles et les covariables passées forment des jetons à partir d’un bloc unique. Pour les covariables passé-futur, une stratégie d’anticipation ajoute les blocs futurs connus au jeton courant. L’attention temporelle reste causale. Chaque jeton ne consulte donc que les informations passées de sa propre série. L’attention entre variables permet ensuite de consulter les autres séries au même pas temporel. Ces mécanismes alternent dans plusieurs couches du transformeur.

Une passe remplit l’horizon. Les versions précédentes de TimesFM généraient les prévisions bloc par bloc. TimesFM-3 utilise le masquage de blocs contigus pour produire tout l’horizon prévisionnel simultanément. Le modèle ajoute des jetons masqués aux données observées. Les séries cibles et covariables passées sont masquées sur l’horizon inconnu. Les covariables passé-futur restent visibles lorsqu’elles contiennent des signaux connus. Cette méthode évite une boucle itérative pendant le décodage. Google indique qu’elle réduit ainsi la latence, l’accumulation d’erreurs et le coût de calcul associés à la génération successive. TimesFM-3 prédit neuf quantiles, du 10e au 90e percentile, pour chaque série cible et chaque étape.

Google revendique trois meilleurs classements

Les tests couvrent trois références. Google a évalué TimesFM-3 sur Gift-Eval, FEV-Bench et Time. Sur ces trois bancs publics, Google classe le modèle en tête parmi les modèles de fondation préentraînés. Cette position concerne les mesures de prévision ponctuelle et probabiliste. La comparaison inclut Chronos-2, la famille Toto 2.0 et TimesFM-2.5. Google présente aussi un résultat en mode univarié. Dans ce réglage, chaque série cible est traitée séparément, sans covariable ni information entre séries. TimesFM-3 égale ou dépasse alors les autres modèles comparés selon les résultats présentés. Le mode multivarié améliore ensuite son rang moyen en exploitant les relations entre séries et les covariables disponibles.

La disponibilité commence maintenant. TimesFM-3 est proposé sur GitHub et Hugging Face. Google annonce une intégration BigQuery dans les prochaines semaines. En attendant, l’équipe recommande d’essayer TimesFM-2.5 pour les tâches univariées. Cette version peut être utilisée avec la commande AI.FORECAST de BigQuery, sans expertise en apprentissage automatique selon Google. Le projet réunit Ayush Jain, Rajat Sen, Yichen Zhou, Petros Mol, Abhimanyu Das et Samet Oymak. La publication présente donc une nouvelle option pour les équipes qui manipulent plusieurs séries liées et des événements futurs connus. Les résultats rapportés reposent sur les trois benchmarks publics cités et sur les modes d’évaluation décrits par Google Research.