TimesFM-3: A zero-shot foundation model for multivariate forecasting
Google Research ha presentado TimesFM-3, un modelo de vanguardia para la predicción de series temporales multivariables que promete transformar la manera en que se realizan pronósticos en diversos sectores. Este modelo, que representa la tercera generación de la serie TimesFM, supera significativamente a otros modelos de predicción en los principales puntos de referencia, gracias a su capacidad para realizar predicciones precisas en un solo paso.
Desde el lanzamiento de TimesFM en 2024, los modelos de series temporales han sido adoptados para tareas de predicción en múltiples dominios, como el comercio minorista, las finanzas, la fabricación y las ciencias naturales. Hasta la versión TimesFM-2.5, lanzada en septiembre de 2025, los modelos estaban limitados a la predicción univariable, utilizando solo el historial de una única serie temporal. Sin embargo, TimesFM-3 está diseñado para abordar problemas de predicción multivariable, donde múltiples series temporales y características externas influyen conjuntamente en el pronóstico futuro.
TimesFM-3 cuenta con 330 millones de parámetros y ha sido preentrenado en un corpus de series temporales reales y sintéticas que comprende más de un billón de puntos de tiempo. Aprovechando la eficiencia y la generalización de cero disparos de sus predecesores, este modelo añade soporte robusto para escenarios multivariables complejos sin necesidad de ajuste específico de tareas. Esto permite predecir múltiples series temporales que coevolucionan, capturando dependencias que mejoran la precisión general.
El modelo soporta múltiples objetivos, permitiendo predecir simultáneamente series temporales relacionadas, e incorpora tanto covariables pasadas como dinámicas (futuras) para guiar el pronóstico. Su arquitectura, basada en transformadores, utiliza atención temporal causal y atención completa de variación para aprender correlaciones complejas entre series. Además, su decodificación no autoregresiva permite generar el horizonte de predicción completo en un solo paso, reduciendo la latencia y el costo computacional.
Un ejemplo ilustrativo es la predicción de ventas de helados en una cadena minorista, donde TimesFM-3 utiliza el calendario de promociones como covariable futura para anticipar un aumento del 20% en las ventas durante los días de promoción planificados, demostrando así su capacidad para integrar eventos futuros conocidos en el pronóstico.
Fuente: https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/