Google ha rilasciato TimesFM-3, l’ultima generazione del suo modello foundation per serie temporali e il primo della serie a supportare il forecasting multivariato nativo. Il modello da 330 milioni di parametri è preaddestrato su un corpus di dati reali e sintetici che supera un trilione di punti temporali.

TimesFM-3 può prevedere simultaneamente più serie temporali intercorrelate in un singolo forward pass, senza fine-tuning specifico per il task, mantenendo la generalizzazione zero-shot che caratterizzava le versioni precedenti. I modelli precedenti della famiglia, incluso TimesFM-2.5, rilasciato a settembre 2025, erano rigorosamente univariati e prevedevano singole serie usando solo i propri valori storici.

Google ha affermato che TimesFM-3 è stato progettato per il modo in cui funzionano la maggior parte dei problemi di forecasting nel mondo reale, dove più segnali coevolutivi devono essere considerati insieme. Il modello supporta la previsione congiunta di diverse variabili target, l’uso di covariate osservate storicamente come il traffico pedonale passato e input dinamici noti in anticipo, inclusi calendari promozionali e previsioni meteo.

Dal punto di vista architetturale, TimesFM-3 utilizza un backbone transformer decoder-only e processa i dati in patch contigue di 32 timestep con normalizzazione per serie. La sua innovazione principale è un meccanismo di attention alternata che opera su una griglia di token bidimensionale. L’attention temporale causale garantisce che ogni token possa accedere solo ai dati passati della propria serie, aiutando a prevenire la leakage di informazioni, mentre la full variate attention consente al modello di apprendere correlazioni tra serie a ogni timestep.

Per le covariate note in anticipo, il sistema concatena le patch correnti e quelle successive in token di lookahead. Google ha inoltre affermato che il passaggio all’inferenza non autoregressiva tramite Contiguous Patch Masking consente al modello di generare l’intero orizzonte di previsione in un solo passaggio, eliminando la latenza e l’accumulo di errori associati alla generazione patch-by-patch nelle versioni precedenti.

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 ha ribadito l’annuncio in un post su X, scrivendo: "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

Prestazioni sui benchmark e integrazione cloud

Google ha valutato TimesFM-3 su tre benchmark pubblici completi: Gift-Eval, FEV-Bench e Time. L’azienda ha affermato che il modello ha ottenuto risultati allo stato dell’arte sia nelle metriche di previsione puntuale sia in quelle probabilistiche tra i modelli foundation preaddestrati. I confronti includevano modelli capaci di operare in multivariato come Chronos-2 e la famiglia Toto 2.0, oltre al precedente TimesFM-2.5.

Google ha affermato che, anche quando TimesFM-3 è stato limitato alla modalità univariata senza informazioni cross-series o covariate, ha eguagliato o superato i modelli concorrenti. Quando è stata attivata la piena operatività multivariata, il modello ha ottenuto ulteriori miglioramenti sfruttando le dipendenze tra serie.

Il modello restituisce nove quantili dal 10° al 90° percentile, offrendo un profilo dettagliato dell’incertezza invece di un singolo valore di previsione.

Per l’uso enterprise, TimesFM-3 è disponibile su GitHub e Hugging Face. Google ha dichiarato che l’integrazione con BigQuery arriverà nelle prossime settimane, estendendo il comando AI.FORECAST introdotto con TimesFM-2.5 ai carichi di lavoro multivariati. Questo consentirà alle organizzazioni nei settori retail, finanza, manifattura e ricerca scientifica di incorporare segnali esterni, come promozioni pianificate, direttamente nelle pipeline di previsione, così da tenere conto delle fluttuazioni della domanda anziché limitarsi a proiettare i pattern storici.

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