Google heeft TimesFM-3 uitgebracht, de nieuwste generatie van zijn time-series foundation model en de eerste in de serie met native multivariate forecasting. Het model met 330 miljoen parameters is voorgetraind op een corpus van real-world en synthetic data met meer dan één biljoen time points.

TimesFM-3 kan meerdere onderling samenhangende time series gelijktijdig voorspellen in één forward pass, zonder taskspecifieke fine-tuning, terwijl de zero-shot generalization behouden blijft die eerdere versies kenmerkte. Eerdere modellen in de reeks, waaronder TimesFM-2.5, dat in September 2025 werd uitgebracht, waren strikt univariate en voorspelden individuele reeksen uitsluitend op basis van hun eigen historische waarden.

Google zei dat TimesFM-3 is ontworpen voor de manier waarop de meeste forecastingproblemen in de praktijk werken, waarbij meerdere coevolving signals samen moeten worden meegenomen. Het model ondersteunt gezamenlijke voorspellingen van meerdere target variables, het gebruik van historically observed covariates zoals eerdere foot traffic, en future-known dynamic inputs, waaronder promotional schedules en weather forecasts.

Onder de motorkap gebruikt TimesFM-3 een decoder-only transformer backbone en verwerkt het data in contiguous patches van 32 timesteps met per-series normalization. De belangrijkste innovatie is een alternating attention mechanism dat opereert over een two-dimensional token grid. Causal temporal attention zorgt ervoor dat elk token alleen toegang heeft tot historische data binnen de eigen reeks, wat information leakage helpt voorkomen, terwijl full variate attention het model in staat stelt om op elk tijdstip correlaties tussen reeksen te leren.

Voor future-known covariates voegt het systeem huidige en aankomende patches samen tot lookahead tokens. Google zei ook dat de overstap naar non-autoregressive inference via Contiguous Patch Masking het mogelijk maakt om de volledige forecast horizon in één keer te genereren, waardoor de latency en error accumulation wegvallen die bij patch-by-patch generation in eerdere versies voorkwamen.

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 herhaalde de aankondiging in een post op X, met de tekst: "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

Benchmarkprestaties en cloudintegratie

Google evalueerde TimesFM-3 op drie openbare benchmarks: Gift-Eval, FEV-Bench en Time. Het bedrijf zei dat het model state-of-the-art resultaten behaalde in zowel point- als probabilistic forecasting metrics onder pretrained foundation models. De vergelijkingen omvatten multivariate-capable modellen zoals Chronos-2 en de Toto 2.0-familie, evenals de eerdere TimesFM-2.5.

Google zei dat TimesFM-3, zelfs wanneer het was beperkt tot univariate mode zonder cross-series- of covariate-informatie, rivaliserende modellen evenaarde of overtrof. Wanneer volledige multivariate werking werd ingeschakeld, leverde het model extra winst op door inter-series dependencies te benutten.

Het model geeft negen quantiles uit, van het 10th tot en met het 90th percentile, wat een gedetailleerd onzekerheidsprofiel oplevert in plaats van één enkel voorspellingscijfer.

Voor zakelijk gebruik is TimesFM-3 beschikbaar op GitHub en Hugging Face. Google zei dat BigQuery-integratie in de komende weken beschikbaar komt en dat daarmee de AI.FORECAST-opdracht, geïntroduceerd met TimesFM-2.5, wordt uitgebreid naar multivariate workloads. Dat is relevant voor teams die operationele data al in BigQuery bewaren, omdat het wijst op forecasting binnen bestaande analytics workflows in plaats van in een apart hulpmiddel. Google zei dat organisaties in retail, finance, manufacturing en scientific research hiermee externe signalen zoals geplande promoties rechtstreeks in forecasting pipelines kunnen opnemen, zodat zij rekening kunnen houden met vraagfluctuaties in plaats van alleen historische patronen door te trekken.