Google представила TimesFM-3: прогноз продаж с учётом скидок и погоды

Google Research выпустила TimesFM-3 — модель прогнозирования временных рядов, которая строит прогноз не по одной переменной, а с учётом связанных данных и известных будущих событий. В основе лежит Transformer, та же архитектура, что и у предыдущих версий, но с двумя ключевыми изменениями: 32 последовательные точки данных группируются в один патч, а каждый ряд нормализуется к общей шкале, чтобы сравнивать величины разного порядка.

Задача, которую решает модель, знакома любой розничной сети. Прогноз продаж мороженого зависит не только от прошлых продаж, но и от спроса на вафельные рожки и сироп, от трафика покупателей, погоды, скидочных кампаний и праздников. TimesFM-3 обрабатывает данные в двух чередующихся направлениях: по оси времени ищет закономерности внутри одного ряда, опираясь только на прошлые значения, чтобы не допустить утечки будущей информации, а поперёк рядов сравнивает все переменные в один момент времени и учится связывать их между собой. Это позволяет улавливать, как скидка на один товар влияет на продажи другого.

Модель содержит 330 млн параметров и обучена на реальных и синтетических временных рядах общим объёмом более триллиона точек данных. Как и предшественники, она работает zero-shot: для новой задачи дополнительное обучение не требуется. TimesFM-3 поддерживает три типа вспомогательных данных: прогнозирует несколько связанных переменных одновременно, например разные вкусы мороженого; учитывает факторы, известные только в прошлом, скажем исторический трафик; использует известные будущие события вроде запланированных скидок или прогноза погоды. Вместо одной точечной оценки модель выдаёт девять значений на каждый шаг времени, отражая диапазон и неопределённость прогноза.

Ранние версии предсказывали будущее блок за блоком. По оценке Google, это было медленно, требовало много вычислений и накапливало ошибки: каждый следующий прогноз строился на предыдущем. TimesFM-3 помечает все будущие шаги как пустые и заполняет их за один проход. На примере с мороженым это видно отчётливо: модель, знающая только прошлые продажи, просто продолжает обычный недельный паттерн и не замечает запланированных акций. Получив график скидок, TimesFM-3 оценивает по истории, насколько промо повышают спрос, и ожидает примерно на 20% больше проданных единиц в каждый день акции.

На бенчмарках Gift-Eval, FEV-Bench и Time TimesFM-3 заняла первое место среди всех предобученных моделей прогнозирования как по точечной точности, так и по калибровке неопределённости. Среди конкурентов — Chronos-2 от Amazon, семейство Toto-2.0 и предыдущая версия Google TimesFM-2.5. Даже в режиме одной переменной TimesFM-3 не уступает или превосходит соперников, а с добавлением данных разрыв растёт. На FEV-Bench Chronos-2 близка к унимодальному режиму TimesFM-3, но заметно отстаёт от полной версии.

TimesFM-3 доступна на GitHub и Hugging Face, а в ближайшие недели Google планирует добавить её в BigQuery. Сейчас там через команду ИИ.FORECAST работает TimesFM-2.5 с поддержкой только одной переменной. С момента запуска семейства в 2024 году модели применялись в рознице, финансах, промышленности, здравоохранении и науке. Все версии вплоть до TimesFM-2.5, вышедшей в сентябре 2025 года, обрабатывали лишь один ряд за раз, поэтому мультивариантная поддержка в TimesFM-3 — заметный шаг вперёд. Google также развивает прогнозные модели за пределами временных рядов: в начале августа Google DeepMind выпустила WeatherNext Cyclones — open-source систему для тропических циклонов, предсказывающую траекторию и интенсивность штормов примерно на сутки дальше, чем ведущие операционные модели.