Google Research发布了TimesFM-3，这是一个拥有3.3亿参数、可在单次前向传播中预测多个相关序列的时间序列基础模型。与之前的单变量版本不同，它在超过1万亿个时间点上原生预训练用于多元预测，并接受多个目标、过去协变量以及过去-未来协变量，而无需进行特定任务的微调。

  • 它使用交替的因果时间注意力和完整变量注意力来对跨序列依赖关系进行零样本建模。
  • 连续补丁掩码（Contiguous Patch Masking）使模型能够在单次前向传播中生成整个预测期，每步包含9个分位数。
  • 在GIFT-Eval、fev-bench和TIME排行榜上，它在点估计和概率指标方面均位列基础模型第一名。
  • 权重采用非商业、非生产用途的限制许可；TimesFM 2.5仍是用于部署的Apache-2.0选项。

该模型无需微调即可实现多个目标和协变量的联合预测，与先前的基础模型相比，在标准基准测试中提供了更高的准确性。