tech

Google TimesFM-3深度解析：330M参数如何重塑多变量时间序列预测

📅 2026/9/2 👁️ 4 阅读 ✏️ 2026/9/2 更新
2026年9月1日，Google Research正式发布了TimesFM-3——第三代时间序列基础模型。与前两代产品相比，TimesFM-3带来了一个根本性的架构变化：原生支持多变量时间序列预测。这个仅有330M参数的模型，在超过1万亿时间点的真实与合成数据上预训练，在三大主流时间序列基础模型基准测试中全面领先，即将集成到BigQuery中为企业提供开箱即用的预测服务。

从单变量到多变量：预测范式的根本转变

要理解TimesFM-3的突破，首先需要明白单变量和多变量预测的本质差异。

传统的时间序列预测模型（包括TimesFM的前两代）主要处理单变量问题：给定一个变量（比如某产品的销量）的历史数据，预测其未来走势。这种方法虽然在某些场景下有效，但完全忽略了现实世界中变量之间的关联性。

现实中的预测问题几乎从来不是孤立的。一个零售商需要同时预测多个产品线的销量；一个能源公司需要同时考虑电力需求、天气条件和燃料价格；一个物流平台需要同时预测各区域的订单量和配送时间。这些变量之间存在复杂的相互依赖关系，忽略这些关系会导致预测质量大幅下降。

TimesFM-3的核心创新在于：它在架构层面原生支持多变量输入，能够在一个前向传播中同时预测多个相互关联的时间序列，同时支持过去协变量(Past Covariates)和过去-未来协变量(Past-and-Future Covariates)。

TimesFM-3架构概览










TimesFM-3 多变量预测架构


输入层

多目标序列 (Target Series)

过去协变量 (Past Covariates)

已知未来协变量




TimesFM-3 核心

Patch化编码

Transformer层

分位数输出头
330M 参数




输出层

多点预测值

9个分位数

预测区间

零样本预测能力对比

传统方法


需调参36%准确
TimesFM 2.0


单变量56%
TimesFM-3


多变量84%


核心优势：
单次前向传播输出完整预测区间 + 9个分位数，无需任务特定微调
支持多目标联合预测、过去协变量和已知未来协变量，覆盖完整预测场景

图：TimesFM-3架构与零样本预测能力对比

三大核心能力详解

1. 多目标联合预测

TimesFM-3能够在一个前向传播中同时预测多个相关的目标序列。例如，一个零售商可以同时预测不同产品线（冰淇淋、糖浆、冷饮）的销量，模型会自动捕捉这些产品之间的关联性——比如冰淇淋和冷饮在夏季的协同增长模式。

这一能力的实现依赖于模型在训练阶段对多变量数据的原生暴露。不同于一些在推理时通过拼接实现"伪多变量"的方案，TimesFM-3从架构层面就设计为接收和处理多通道输入，这保证了变量间的依赖关系能够被充分建模。

python
# 使用TimesFM-3进行多变量预测的示例代码
import timesfm

# 加载预训练模型
model = timesfm.TimesFm(
    params=timesfm.TimesFmHparams(
        core_model="gemini-1.5-flash",  # 使用Gemini作为骨干
        backend="gpu",
        per_core_batch_size=32,
        horizon_len=128,  # 预测长度
        num_layers=50,
        use_position_embedding=True,
        context_len=512,  # 上下文窗口
    ),
)

# 凙备多变量输入数据
# input_data: 多个相关时间序列的历史数据
input_data = {
    "ice_cream_sales": [120, 135, 150, 180, 220, 280, 310, 290, 240, 190, 150, 130],
    "cold_drink_sales": [200, 210, 230, 260, 300, 350, 380, 360, 310, 270, 230, 210],
    "syrup_sales": [50, 55, 60, 72, 85, 100, 110, 105, 90, 75, 62, 53],
}

# 零样本多变量预测
forecast = model.forecast(
    inputs=input_data,
    freq="M",  # 月频数据
)

# 输出包含点预测值和9个分位数
point_forecast = forecast.forecast  # 点预测
quantiles = forecast.quantiles     # 9个分位数 [0.1, 0.2, ..., 0.9]
print(f"冰淇淋下月预测: {point_forecast['ice_cream_sales'][0]}")
print(f"80%置信区间: [{quantiles['ice_cream_sales'][0][1]}, {quantiles['ice_cream_sales'][0][7]}]")

2. 灵活的协变量支持

协变量(Covariates)是TimesFM-3设计中的另一个关键创新。模型支持两类协变量：

  • 过去协变量(Past Covariates)：只有历史数据的变量，如历史天气数据、历史促销记录。模型利用这些信息增强预测的准确性。

  • 过去-未来协变量(Past-and-Future Covariates)：既有历史又有已知未来值的变量，如天气预报、计划中的促销活动、节假日日历。这些信息为模型提供了对未来的"前瞻性"洞察。

    • 这种灵活的协变量机制使得TimesFM-3能够适应几乎所有的实际预测场景。无论是零售商需要考虑已知的促销日历，还是能源公司需要利用天气预报，TimesFM-3都能在不进行任务特定微调的情况下直接利用这些信息。

    3. 分位数预测与不确定性量化

    传统的时间序列预测只输出一个点预测值（比如"下个月销量将是150"），而TimesFM-3在一次前向传播中同时输出9个分位数（0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9），为决策者提供完整的预测分布信息。

    这种分位数预测对于实际业务决策至关重要。一个库存管理者不仅需要知道"预期销量是150"，更需要知道"有90%概率不超过200，有10%概率低于100"这样的区间信息。高分位数的预测帮助准备安全库存，低分位数的预测帮助识别潜在的悲观场景。

    训练数据：1万亿时间点的规模

    TimesFM-3的零样本能力来源于其庞大的训练数据规模。Google Research在真实世界和合成时间序列数据的混合语料上预训练TimesFM-3，总数据量超过1万亿个时间点。

    这个训练数据量级意味着什么？作为对比，GPT-3的训练数据约为5000亿Token，而TimesFM-3的时间点数量是其两倍。当然，时间序列数据与文本数据的密度不同，但这个规模足以说明Google在时间序列AI领域的投入力度。

    训练数据的多样性同样关键。真实世界数据覆盖了零售、金融、能源、交通、气象等多个领域，而合成数据则填补了真实数据中稀缺的模式和边缘情况。这种混合策略确保了模型在各种应用场景下都能泛化。

    与竞争对手的对比

    TimesFM-3在三大主流时间序列基础模型基准测试中全面领先：

    | 指标 | TimesFM-3 | 前代TimesFM 2.0 | 竞品A | 竞品B |
    |------|-----------|-----------------|-------|-------|
    | 多变量支持 | 原生 | 不支持 | 通过拼接 | 不支持 |
    | 零样本MASE | 0.42 | 0.58 | 0.61 | 0.55 |
    | 分位数输出 | 9个 | 5个 | 3个 | 无 |
    | 协变量支持 | 过去+未来 | 无 | 仅过去 | 无 |
    | 参数量 | 330M | 200M | 1.1B | 500M |
    | 预测速度 | 快 | 快 | 慢 | 中等 |

    值得注意的是，TimesFM-3以330M的参数量超越了参数量更大的竞品，这证明了精心设计的架构和充足的训练数据比单纯增加参数量更重要。

    实际应用场景

    零售与电商

    一个连锁超市需要预测数万个SKU的日销量。传统方法要么为每个SKU训练单独的模型（成本极高），要么使用简单的统计方法（精度不足）。TimesFM-3的零样本多变量能力意味着：将所有相关SKU的历史销量、促销日历、天气数据一次性输入模型，即可获得所有SKU的未来预测和置信区间。

    python
    # 零售场景：多SKU联合预测
skus = {
    f"product_{i}": historical_sales[i] for i in range(10000)
}
covariates = {
    "promotions": promotion_calendar,  # 已知未来值
    "temperature": weather_forecast,    # 已知未来值
    "competitor_prices": competitor_data # 仅历史值
}

# 一次调用预测全部SKU
results = model.forecast(inputs=skus, covariates=covariates, freq="D")

# 根据高分位准备安全库存
for sku_id in skus:
    p90 = results.quantiles[sku_id][0][8]  # 90分位
    recommended_stock = int(p90 * 1.1)    # 10%缓冲
    print(f"{sku_id}: 建议库存 {recommended_stock}")

    能源预测

    电力公司需要预测区域用电量、可再生能源发电量和燃料价格。这三个变量高度相关：高温导致用电增加，同时影响太阳能发电效率，进而影响燃料需求。TimesFM-3能够在一个模型中联合预测这三个序列，捕捉它们之间的复杂依赖关系。

    供应链优化

    供应链管理中，需求预测、库存水平、运输时间和供应商交付周期之间存在多层依赖。TimesFM-3可以同时预测多个供应链指标，协变量支持则允许模型考虑已知的供应商交付计划和物流安排。

    即将集成BigQuery

    Google计划将TimesFM-3集成到BigQuery中，这意味着企业无需搭建机器学习基础设施，只需通过SQL语句就能调用时间序列基础模型的预测能力。这将极大降低AI预测技术的使用门槛。

    sql
    -- BigQuery中使用TimesFM-3的预期SQL接口
SELECT
  product_id,
  timesfm_forecast(sales_history, 30) AS forecast,
  timesfm_quantiles(sales_history, 30, 0.9) AS p90,
  timesfm_quantiles(sales_history, 30, 0.1) AS p10
FROM
  retail.sales_daily
GROUP BY
  product_id;

    这种SQL接口的设计将使数以百万计的数据分析师能够直接使用最先进的AI预测技术，而无需学习Python或搭建GPU集群。

    技术启示：小模型的逆袭

    TimesFM-3的成功证明了一个重要趋势：在特定垂直领域，精心设计的小模型可以超越通用大模型。330M参数在LLM的世界里微不足道，但在时间序列预测领域，它凭借专门的架构设计和充足的领域训练数据，实现了超越更通用模型的性能。

    这一模式可能成为AI应用落地的重要路径：不是所有问题都需要GPT-5级别的模型，很多垂直领域的问题可以通过专门设计的小型基础模型高效解决。关键在于：正确的架构、充足的领域数据和精心的训练策略。

    总结与展望

    TimesFM-3的发布标志着时间序列预测进入了一个新时代——多变量、零样本、带不确定性量化的预测不再是研究论文中的概念，而是即将通过BigQuery向数百万企业开放的即用型服务。

    对于数据科学家和工程师来说，这意味着预测模型的开发流程将从"收集数据→特征工程→训练模型→调参→部署"简化为"收集数据→调用API→获得预测"。这种简化将释放大量生产力，让从业者专注于理解业务问题而非构建模型管道。

    随着TimesFM-3在BigQuery中的集成，我们有理由期待2026年成为时间序列预测民主化的元年——当最先进的AI预测能力通过SQL就能调用时，每一个分析师都将成为预测专家。

    💬 评论区 (0)

    0/500

    暂无评论，快来抢沙发吧！