Google发布了时间序列预测AI模型TimesFM-3，可同时处理销售额、客流、天气等多条相关时间序列，并对未来数值进行预测。该模型主打零样本预测（Zero-Shot Prediction）和多变量建模，无需针对新任务额外训练即可直接用于新数据预测。

据日本媒体Gigazine于9月1日（当地时间）报道，TimesFM-3是Google自2024年以来持续研发的时间序列基础模型最新版本。此前的TimesFM-2.5主要面向单变量时间序列预测，而TimesFM-3进一步扩展到多个目标变量、历史辅助数据，以及未来可提前获取的日程安排、天气等外部变量。

以冰淇淋销售预测为例，模型除可输入历史销量外，还能同时纳入客流、未来天气和促销日程等信息。Google给出的示例显示，模型会学习历史促销活动与销售额之间的关系，并预计后续促销日销量将增长约20%。不过，Google也强调，该示例仅用于说明模型的工作方式，并不代表真实企业业绩。

从模型规模看，TimesFM-3约为3.3亿参数。Google表示，该模型基于真实数据与合成数据混合构建的逾1万亿个时间序列数据点完成预训练。模型无需按任务单独微调，即可分析多条序列之间的关联关系。同时，TimesFM-3采用非自回归计算方式，不再对未来区间逐步生成结果，而是通过一次前向计算直接完成整个预测区间的输出。Google称，这一设计有助于降低处理时延，并减少重复预测带来的误差累积。

在性能评估方面，Google采用了GIFT-Eval、FEV-Bench和TIME三项公开基准。Google表示，在参与对比的预训练时间序列基础模型中，TimesFM-3在三项基准上的点预测和概率预测综合排名居首；在单变量模式下，其表现与同类模型相当或更优，在多变量模式下则进一步提升。

目前，TimesFM-3已在GitHub和Hugging Face上线。其源码采用Apache License 2.0开源，但预训练模型权重使用单独的非商用许可，不能直接用于商业服务或生产环境部署。Google还计划在未来几周内将TimesFM-3集成至BigQuery。对企业用户而言，该模型有望在无需单独训练的情况下，用于预测销售、需求、库存、流量等相互关联的数据，应用前景受到关注。