谷歌于9月1日发布TimesFM-3模型，这是该公司时间序列基础模型系列的第三代产品。该模型拥有3.3亿个参数，在包含超1万亿个时间点的真实世界和合成时间序列语料库上完成预训练，支持零样本多变量时间序列预测。
TimesFM-3继承了前代模型的高效性和零样本泛化能力，并在此基础上增强了复杂多元场景的支持能力。该模型可联合预测多个共同演化的时间序列，捕捉其中的依赖关系，从而提升整体预测准确率，无需针对特定任务进行微调。这一特性使其在企业级预测场景中具备较高的实用价值，尤其是在需要同时处理多个关联业务指标的场景下。
在技术架构方面，TimesFM-3引入了双注意力机制和连续补丁掩码等创新设计。双注意力机制使模型能够同时处理时间维度上的序列依赖和变量维度上的相互关联，而连续补丁掩码则提升了模型对不完整时间序列数据的适应能力。这些技术改进共同支撑了模型在多变量预测任务中的表现。
从功能特性来看，TimesFM-3原生支持多目标预测，即可同时预测多个相关时间序列，例如联合预测不同品牌的冰淇淋销售数据。该模型支持所有目标的点预测和分位数预测，为决策者提供更全面的预测区间信息。此外，模型还支持过去协变量，能够纳入仅从历史角度已知的特征，如过去的人流量数据；同时支持过去-未来动态协变量，可利用已知的未来事件来指导预测，例如计划中的促销活动或天气预报数据。
时间序列预测是企业服务领域的重要技术方向，广泛应用于供应链管理、需求预测、库存优化、财务规划等业务场景。传统的时间序列预测方法通常需要针对特定数据集进行模型训练和调参，而基础模型范式通过大规模预训练和零样本迁移，有望显著降低企业应用预测技术的门槛和成本。
谷歌在时间序列基础模型领域的布局并非首次。此前发布的TimesFM系列前代模型已在多个基准测试中展示了零样本预测能力。TimesFM-3的发布进一步扩展了这一技术路线的能力边界，将预测范围从单变量扩展到多变量场景，使其更贴近企业实际业务中多指标联动的复杂需求。
从行业视角来看，时间序列基础模型正成为AI在企业服务领域落地的重要方向之一。与自然语言处理和计算机视觉领域的基础模型类似，时间序列基础模型试图通过大规模预训练学习时间数据的通用模式，再以零样本或少样本方式适配各类具体预测任务。这一范式若能持续成熟，可能对现有预测分析软件市场产生深远影响，改变企业采购和使用预测能力的方式。
值得注意的是，TimesFM-3的预训练数据规模达到1万亿个时间点，涵盖真实世界数据和合成数据。合成数据的引入有助于扩充训练样本的多样性和覆盖面，但也对数据质量和合成方法的可靠性提出了更高要求。谷歌未在发布信息中详细说明合成数据的生成方式及其在预训练数据中的占比。
TimesFM-3的发布正值企业AI应用加速渗透的时期。随着大模型技术在各垂直行业的应用不断深化，时间序列预测作为企业运营决策的核心环节，正获得越来越多的技术投入。该模型的零样本多变量预测能力，有望降低企业在供应链优化、销售预测、资源调度等场景中应用先进预测技术的门槛。未来，时间序列基础模型与具体业务场景的深度结合，将是这一技术方向持续演进的关键。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
