Предиктивное планирование в цепочках поставок и финансовых операциях долгое время опиралось на изолированные модели временных рядов, не способные отразить всю сложность реального мира. Базовое прогнозирование трендов отслеживает лишь динамику одного показателя в прошлом, тогда как бизнес-решения зависят от множества взаимосвязанных факторов: ценовых сдвигов, календаря промоакций и трафика торговых точек. Исследователи Google Research Аюш Джайн и Раджат Сен представили TimesFM-3 — базовую модель на 330 млн параметров, разработанную для многомерного прогнозирования временных рядов в режиме zero-shot за один прямой проход.
Преодолевая ограничения одномерных рядов
С момента дебюта оригинальной TimesFM в 2024 году базовые модели для временных рядов уверенно внедрялись в ритейле, финансах, ИТ-мониторинге, производстве, медицине и науке. Однако ранние версии вплоть до TimesFM-2.5 (сентябрь 2025 года) были строго ограничены одномерным анализом и оценивали изолированную траекторию только одной метрики. Как отметили авторы релиза Джайн и Сен, корпоративное прогнозирование фундаментально многомерно и требует от систем одновременного учета корреляций между целевыми показателями и вспомогательными метриками.
«Данные о прошлых продажах редко раскрывают всю картину. Качественный прогноз должен учитывать продажи сопутствующих товаров (например, вафельных рожков и сиропов к мороженому), историю посещаемости и известные будущие события вроде прогнозов погоды, акций и праздников».
Чтобы устранить этот барьер, команда Google Research обучила TimesFM-3 на датасете из синтетических и реальных данных объемом свыше 1 трлн временных точек. Архитектура способна нативно принимать несколько целевых метрик, одновременно прогнозируя совместно развивающиеся ряды и формируя точечные и квантильные прогнозы. Принципиально важно, что модель разделяет входные признаки на исторические ковариаты (например, динамику трафика в прошлом) и динамические ковариаты прошлого и будущего — такие как запланированные промоакции или прогноз погоды.
Архитектура одиночного прохода и 2D-внимание
С технической точки зрения TimesFM-3 использует архитектуру декодерного трансформера. Она объединяет непрерывные точки данных в патчи по 32 временных шага и нормализует каждый ряд для сопоставления разных масштабов. Для ковариат прошлого и будущего система склеивает текущие и будущие патчи с помощью стратегии упреждающего анализа, напрямую учитывая календарные события на этапе инференса. Устраняя затраты на вычисления и технический долг, связанный с поддержкой отдельных ML-пайплайнов под каждый артикул или датчик, TimesFM-3 переводит корпоративную аналитику с кастомных решений на универсальную zero-shot инфраструктуру.