Google a publié TimesFM-3, la dernière génération de son modèle fondation pour séries temporelles et le premier de la série à prendre en charge la prévision multivariée native. Le modèle de 330 millions de paramètres est préentraîné sur un corpus de données réelles et synthétiques dépassant un trillion de points temporels.

TimesFM-3 peut prévoir simultanément plusieurs séries temporelles liées en un seul passage avant, sans réglage fin spécifique à la tâche, tout en conservant la généralisation zero-shot qui caractérisait les versions précédentes. Les modèles antérieurs de la famille, dont TimesFM-2.5, publié en septembre 2025, étaient strictement univariés et prévoyaient des séries individuelles uniquement à partir de leurs propres valeurs historiques.

Google indique que TimesFM-3 est conçu pour la manière dont se présentent la plupart des problèmes de prévision réels, où plusieurs signaux coévolutifs doivent être considérés ensemble. Le modèle prend en charge la prédiction conjointe de plusieurs variables cibles, l’utilisation de covariables observées dans l’historique, comme l’affluence passée, ainsi que des entrées dynamiques connues à l’avance, notamment les calendriers promotionnels et les prévisions météo.

En interne, TimesFM-3 repose sur une architecture transformer decoder-only et traite les données en segments contigus de 32 pas de temps, avec une normalisation par série. Son innovation principale est un mécanisme d’attention alternée opérant sur une grille de jetons bidimensionnelle. L’attention temporelle causale garantit que chaque jeton n’accède qu’aux données passées de sa propre série, afin d’éviter toute fuite d’information, tandis que l’attention multivariée complète permet d’apprendre les corrélations entre séries à chaque pas de temps.

Pour les covariables connues à l’avance, le système concatène les segments actuels et à venir en jetons de prévision. Google indique également que le passage à une inférence non auto-régressive via Contiguous Patch Masking permet de générer l’intégralité de l’horizon de prévision en une seule fois, supprimant la latence et l’accumulation d’erreurs associées à la génération segment par segment des versions précédentes.

Introducing TimesFM-3, a state-of-the-art time series foundation model that enables accurate multivariate time series forecasting in a single forward pass, significantly outperforming other forecasting models across major benchmarks. More on the blog → pic.twitter.com/NfbONpFYDz — Google Research (@GoogleResearch) August 31, 2026

Google Research a répété l’annonce dans une publication sur X, écrivant : "Introducing TimesFM-3, a state-of-the-art time series foundation model that enables accurate multivariate time series forecasting in a single forward pass, significantly outperforming other forecasting models across major benchmarks. More on the blog → pic.twitter.com/NfbONpFYDz" — Google Research (@GoogleResearch) August 31, 2026

Performance sur les benchmarks et intégration cloud

Google a évalué TimesFM-3 sur trois benchmarks publics complets — Gift-Eval, FEV-Bench et Time — où il a obtenu des résultats de pointe en matière de prévision ponctuelle et probabiliste parmi tous les modèles fondation préentraînés. Les comparaisons incluaient des concurrents capables de gérer le multivarié tels que Chronos-2 et la famille Toto 2.0, ainsi que le précédent TimesFM-2.5.

Même limité au mode univarié, sans information inter-séries ni covariables, TimesFM-3 égalait ou dépassait les modèles concurrents ; l’activation du mode multivarié complet apportait des gains supplémentaires importants en exploitant les dépendances entre séries. Le modèle produit neuf quantiles allant du 10e au 90e percentile, offrant un profil d’incertitude détaillé plutôt qu’une simple estimation ponctuelle.

Pour un déploiement en entreprise, le modèle est disponible sur GitHub et Hugging Face. Google a confirmé que l’intégration à BigQuery arrivera dans les prochaines semaines, étendant à des charges de travail multivariées la commande AI.FORECAST introduite avec TimesFM-2.5. Cela permet aux organisations des secteurs du commerce de détail, de la finance, de la fabrication et de la recherche scientifique d’intégrer directement des signaux externes — tels que des promotions planifiées — dans leurs pipelines de prévision, afin d’anticiper les fluctuations de la demande plutôt que de simplement projeter les tendances historiques.

The post Google’s New TimesFM-3 Outperforms Rivals At Complex Forecasting And Will Soon Be Available In BigQuery appeared first on Metaverse Post .