TimesFM-3 porta le previsioni multivariate zero-shot in un solo passaggio

Risposta diretta: TimesFM-3 estende la famiglia TimesFM alle previsioni multivariate zero-shot: può prevedere più serie correlate, usare covariate storiche e segnali futuri noti e restituire previsioni puntuali e probabilistiche senza addestramento sul singolo caso.

Che cosa cambia rispetto a TimesFM-2.5

Fino a TimesFM-2.5 il modello lavorava in modo strettamente univariato. TimesFM-3 è pre-addestrato per mettere in relazione più serie target e covariate: per esempio vendite, traffico, promozioni, festività e meteo noto in anticipo.

Dimensioni e dati di addestramento

Il checkpoint pubblicato ha 330 milioni di parametri ed è stato pre-addestrato su un corpus reale e sintetico superiore a mille miliardi di punti temporali. Raggruppa i dati in patch da 32 passi e normalizza ogni serie separatamente.

Come produce l’intera previsione

L’architettura alterna attenzione causale nel tempo e attenzione completa tra le diverse variabili. Con il Contiguous Patch Masking inserisce token mascherati per l’orizzonte futuro e li completa insieme, evitando la generazione autoregressiva patch dopo patch.

Cosa può usare come contesto

Supporta più target, covariate disponibili solo nel passato e covariate dinamiche note anche nel futuro. Per queste ultime usa una strategia di lookahead, utile quando calendario, promozioni o previsioni meteo sono già disponibili.

Benchmark e incertezza

Google riporta il primo posto medio tra i foundation model pre-addestrati su GIFT-Eval, FEV-Bench e TIME, sia per accuratezza puntuale sia probabilistica. Il modello produce nove quantili dal 10° al 90°. I risultati sono però presentati dal produttore e vanno replicati sui dati reali del proprio dominio.

Disponibilità e limiti

Il codice e il checkpoint PyTorch sono disponibili su GitHub e Hugging Face; l’integrazione BigQuery è annunciata per le prossime settimane. Zero-shot non significa automaticamente migliore di un modello specializzato: distribuzione dei dati, missing value, orizzonte, covariate e costo di inferenza possono cambiare il risultato.

Checklist di prova

1. Congela un dataset con train, validation e test temporali senza leakage.
2. Confronta modalità univariata e multivariata sullo stesso orizzonte.
3. Aggiungi le covariate una alla volta per misurarne il contributo.
4. Registra errore puntuale, copertura dei quantili, latenza e memoria.
5. Confronta TimesFM-3 con un baseline semplice e con il modello oggi in produzione.
6. Verifica licenza, requisiti hardware e stabilità del checkpoint prima del deploy.

Fonti primarie