谷歌发布TimesFM-3 多变量预测三榜登顶

时间：2026年9月12日（The Decoder报道），Google Research 实际发布时间为2026年8月31日。 地点：美国加利福尼亚州山景城（Google Research 总部）。 人物：Google Research 团队，核心作者包括 Yichen Zhou、Petros Mol、Abhimanyu Das 与 Samet Oymak。 事件详情：Google Research 正式发布时间序列基础模型 TimesFM-3，主打多变量零样本预测能力。该模型参数规模为 3.3 亿，延续前代 decoder-only Transformer 架构，并把 32 个时间步打包为一个 patch，通过二维注意力结构在时间轴与序列关系轴上交替运算。TimesFM-3 在预训练阶段就支持三类输入：多个相关目标序列、历史协变量（如过往客流）、以及历史-未来协变量（已知的促销日程或天气）。在 Google 给出的冰淇淋销售示例中，模型学习到促销日销量约上涨 20% 的历史规律，并在未来促销日同步给出对应的销售抬升。模型在每个时间点输出 9 个分位数（10 至 90 百分位），可同时表达点预测和不确定性区间。 背景：TimesFM 系列最早于 2024 年随论文《A decoder-only foundation model for time-series forecasting》公开，2025 年 9 月推出 2.5 版本仅支持单变量预测。TimesFM-3 是首次原生支持多变量与协变量的版本。Google 表示，该家族已被部署在零售、金融、制造、医疗与科学研究场景，并已通过 BigQuery ML、Google Sheets 与 Vertex Model Garden 提供 TimesFM-2.5 服务。 影响：在 Gift-Eval、FEV-Bench 与 TIME 三项公开预测基准上，TimesFM-3 在点预测与概率预测两个指标上均居所有预训练基础模型之首，击败 Amazon Chronos-2、Datadog Toto 2.0、Salesforce Moirai 2.0 以及自家的 TimesFM-2.5。即使退化为单变量模式，TimesFM-3 仍能与同类模型持平或更优；切换到全多变量模式后差距进一步拉大。模型已在 GitHub（Apache 2.0 代码）与 Hugging Face（google/timesfm-3.0-pytorch）开源，但 3.0 预训练权重采用非商业许可证，商用部署仍需等待数周内上线的 BigQuery AI.FORECAST 集成。 总结：TimesFM-3 把"拿过来就能用"的零样本预测扩展到了多变量场景，把过去需要用户自行构造特征或外挂机器学习模型的工作直接内化进基础模型，同时通过一次前向计算生成完整预测区间以降低延迟与误差累积。对零售促销排程、能源负荷预测、金融宏观指标与可观测性流水线等需要协调多条相关序列的工作流而言，TimesFM-3 是目前最值得测试的通用时间序列基础模型之一，但 3.0 权重的非商用限制仍是企业直接上线的关键门槛。 参考来源： - https://the-decoder.com/googles-new-ai-model-predicts-the-future-from-sales-data-weather-and-discount-schedules/ - https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/ - https://github.com/google-research/timesfm - https://huggingface.co/google/timesfm-3.0-pytorch - https://genaidaily.com/google-releases-timesfm-3-330m-parameter-multivariate-forecasting-model - https://alphasignal.ai/news/google-s-timesfm-3-tops-three-forecasting-leaderboards-with-330m-parameters - https://metallab.ai/2026/9/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting - https://www.digitaltoday.co.kr/cn/view/99375/google-unveils-timesfm-3-ai-model-for-multi-variable-time-series-forecasting - https://claypier.com/zh-hant/google-timesfm-3-multivariate - https://www.aiposthub.com/timesfm-3-multivariate-time-series-forecasting