Google Research 發布 TimesFM-3：單次預測多條時間序列並支援已知未來訊號

Google Research 發布 TimesFM-3：單次預測多條時間序列並支援已知未來訊號。發布與定位 Google Research 於 2026 年 8 月 31 日發布 TimesFM-3，官方 X 貼文則顯示於 2026 年 9 月 1 日 1:52 AM 發布。作者包括 Research Scientists Ayush Jain 與 Rajat Sen，以及 Yichen Zhou、Petros Mol、Abhimanyu Das、Samet Oymak。官方將它定位為具 state-of-the-art 表現的 multivariate time-series foundation model，主張模型能在單次 forward pass 中完成預測，並在主要 benchmark 上優於 other forecasting models。相關來源包括 Google Research blog、Google Research 官方 X 貼文 與 官方 announcement。自 TimesFM 於 2024 年推出後，系列模型已被用於 零售、金融、可觀測性、製造、醫療與自然科學。不過，直到 2025 年 9 月發布的 TimesFM-2.5，主要模型都嚴格限制為 univariate forecasting，只根據單條序列的歷史值預測未來；TimesFM-3 的核心轉變，則是同時建模多條會共同變化的序列與外部訊號。多變量輸入 TimesFM-3 不需要 task-specific fine-tuning，就能共同預測多個 target。模型原生支援：multiple targets：同步預測多條相關 time series，並為每個 target 提供 point forecast 與 quantile forecast。 past covariates：只在歷史期間已知的特徵，例如過去的 customer foot traffic。 past-future／dynamic covariates：預測期間也已知的訊號，例如已排定促銷、假日日曆或天氣預報。因此，若促銷排程已經確定，模型可以把它納入預測，而不是只從歷史銷售模式推測未來。這項 future awareness 的前提是未來訊號確實已知，不能延伸解讀成模型能取得所有未知的未來因素。架構與推理 TimesFM-3 採 decoder-only transformer，將連續資料切成每個 32 time steps 的 patches，並以 2D temporal-variate grid 組織資料。Transformer stack 交替使用兩種 attention：temporal attention 沿著同一條 time series 查看過去 token，學習季節性、趨勢與延遲結構，也避免 data leakage。 variate attention 在相同時間步比較不同序列，學習促銷對銷售、溫度對需求等跨序列關聯。TimesFM-3 透過交替時間與變數注意力機制（alternating temporal + variate attention）協同處理目標序列 T1、T2 與協變量 P1、F1，並輸出最終預測目標。模型有 330 million parameters，以超過 1 trillion time points 的 real-world 與 synthetic time-series corpus 預訓練。相較前代逐個 patch、自回歸地產生預測，TimesFM-3 使用 Contiguous Patch Masking：它把 forecast horizon 的 placeholder tokens 與 observed context 一起送入模型，再於單次 forward pass 同時填滿所有 masked patches。這不需要 iterative loop，並可避免早期預測誤差一路傳遞到後續步驟；其中 target 與 past-covariate 的未來值會被遮蔽，而已知的 past-future covariate 則維持可見。TimesFM-3 也能輸出完整的機率範圍，而不只是單一答案：提供 9 個 quantiles：第 10th、20th、30th、40th、50th、60th、70th、80th、90th percentile。 可用於觀察安全庫存、產能規劃與營運風險評估的風險範圍。 若使用者只採 univariate mode，模型不會使用 covariate 或 cross-series information，而是逐條獨立處理 targets。評測與示例 Google Research 在 Gift-Eval、FEV-Bench、Time 三個公開 benchmark 評估 TimesFM-3，並宣稱它在三者的 point 與 probabilistic forecasting metrics 中，都是 pre-trained foundation models 的 top-ranked model；比較對象包括 Chronos-2、Toto 2.0 family 與 TimesFM-2.5，且 average rank 是 lower is better。README 另宣稱模型在 fev-bench 的 100 個 diverse real-world forecasting tasks 中 overall Rank #1，並在 TIME Benchmark 的 50 個 domain datasets、98 個 evaluation tasks 中 overall Rank #1。這些排名是 Google／repository 所報告的結果，來源沒有提供 independent replication。Jash Thakkar 於 2026 年 8 月 28 日發表獨立 implementation report，以 Google Colab 和 300-day synthetic retail dataset 比較單變量（univariate）、多變量（multivariate）與未來協變量設定；他認為 TimesFM-3 相較 predecessors 表現 comparatively better，但該報告不是 standardized benchmark 的 independent replication，完整 protocol 也未在來源中建立。相關文章為 TimesFM-3 article 與 原始 X 貼文。官方冰淇淋銷售示例指出，加入 planned promotion schedule 後，模型預期每個促銷日約有 20% sales bump；這是 Google 的 illustration／報告結果，不能視為已獨立驗證，也不能推論所有促銷情境都會有相同增幅。實驗設計 Jash Thakkar 的測試建立一個由四條共同變化訊號組成的 retail environment：Sales 是 target，受 traffic、temperature、promotions 與 stochastic noise 驅動。 Customer Foot Traffic 具有 weekly cyclic seasonality，並包含 seasonal shifts。 Temperature 以 annual sinusoidal wave 表示，並為提高 variance 而以 20 放大。 Promotions 以重複的 rectangular pulses 表示已排定的 discount campaigns，因此 future covariate 在這項測試中是已知的 operational schedule，而不是隨機或未知事件。資料共有 300 天 daily observations，前 270 天（Day 1 至 Day 270）作為 context window，後 30 天（Day 271 至 Day 300）作為 withheld forecast horizon。inference 時模型拿不到最後 30 天的 sales，先產生預測，再與實際 held-out sales trajectory 比較。Experiment 1 只輸入 historical sales，以 univariate mode 運作；Experiment 2 聯合輸入 sales、traffic、temperature 與 promotion channels，以 multivariate mode 運作。Figure 2 比較兩種結果，但原始圖說在「comparing univariate and mul」處截斷。開放版本與限制 TimesFM 3.0 的 source code 與 checkpoint 已公開，repository 為 TimesF…