TimesFM-3: A zero-shot foundation model for multivariate forecasting
El 31 de agosto de 2026, Google Research presentó TimesFM-3, un modelo de última generación para la predicción de series temporales multivariables. Este modelo, desarrollado por los científicos Ayush Jain y Rajat Sen, permite realizar predicciones altamente precisas en una sola pasada, superando significativamente a otros modelos de predicción en los principales puntos de referencia.
Desde el debut de TimesFM en 2024, los modelos de series temporales se han adoptado para tareas de predicción en el mundo real en múltiples dominios, como el comercio minorista, las finanzas, la observabilidad, la manufactura, la salud 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 sola serie temporal. Sin embargo, TimesFM-3 rompe estas barreras al abordar problemas de predicción multivariable, donde múltiples series temporales y características externas auxiliares impactan conjuntamente el pronóstico futuro.
TimesFM-3 cuenta con 330 millones de parámetros y está 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 sin ajustes de sus predecesores, TimesFM-3 añade un robusto soporte para escenarios multivariables complejos de manera «zero-shot». Esto significa que puede predecir múltiples series temporales que coevolucionan, capturando dependencias que mejoran la precisión general sin necesidad de ajustes específicos para cada tarea.
El modelo soporta múltiples objetivos, incorporando tanto características conocidas históricamente como eventos futuros conocidos para guiar la predicción. Su arquitectura se basa en un transformador de sólo decodificador, procesando series temporales de manera eficiente al agrupar datos en parches de 32 pasos de tiempo. Además, utiliza una estrategia de «mirar hacia adelante» para concatenar parches actuales con futuros, permitiendo al modelo anticipar señales conocidas.
La arquitectura de atención alternante permite que los tokens atiendan horizontalmente a través del tiempo y verticalmente a través de series, aprendiendo correlaciones complejas entre series. Esto se traduce en una predicción no autoregresiva que genera todo el horizonte de predicción en una sola pasada, proporcionando una visión probabilística completa de la incertidumbre del pronóstico.
Por ejemplo, al predecir las ventas de helados, TimesFM-3 puede incorporar un calendario de promociones planificadas como covariable de pasado-futuro, aprendiendo la relación entre promociones y aumento de ventas a partir del contexto histórico, y aplicando ese conocimiento a días futuros con promociones planificadas, anticipando un aumento del 20% en ventas en cada día de promoción.
Fuente: https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/