Google Research a publié TimesFM-3, un modèle de base pour séries temporelles à 330 millions de paramètres qui prévoit plusieurs séries corrélées en un seul passage avant. Contrairement aux versions univariées précédentes, il est préentraîné nativement pour la prévision multivariée sur plus d'un trillion de points temporels et accepte plusieurs cibles, covariables passées et covariables passées-futures sans ajustement fin spécifique à une tâche.

  • Il utilise une attention causale temporelle alternée et une attention complète sur les variates pour modéliser les dépendances inter-séries en zero-shot.
  • Le masquage continu par patches permet au modèle de produire l'horizon entier en un seul passage avant avec 9 quantiles par étape.
  • Il se classe n°1 parmi les modèles de base sur les classements GIFT-Eval, fev-bench et TIME pour les métriques ponctuelles et probabilistes.
  • Les poids sont sous licence avec une restriction non commerciale et non production ; TimesFM 2.5 reste l'option Apache-2.0 pour le déploiement.

Le modèle permet la prévision conjointe de plusieurs cibles et covariables sans ajustement fin, offrant une précision améliorée sur les benchmarks standards par rapport aux modèles de base antérieurs.