Google lança TimesFM-3 para previsão zero-shot de séries temporais

O que é o TimesFM-3

O Google Research anunciou o TimesFM-3, nova geração de seu modelo de fundação para séries temporais, projetado para previsão zero-shot multivariada - ou seja, sem ajuste fino para tarefas específicas. O modelo tem 330 milhões de parâmetros e foi pré-treinado em um corpus de séries temporais reais e sintéticas com mais de 1 trilhão de pontos temporais.

A família TimesFM existe desde 2024 e é usada em domínios como varejo, finanças, observabilidade, manufatura, saúde e ciências naturais. Até o TimesFM-2.5, lançado em setembro de 2025, os modelos eram limitados à previsão univariada, usando apenas o histórico de uma única série. A maioria dos problemas reais, porém, é multivariada: várias séries e variáveis externas afetam o resultado - como prever vendas de sorvete considerando vendas de produtos relacionados, fluxo de clientes, clima, promoções e feriados.

Capacidades multivariadas

O TimesFM-3 suporta nativamente:

• Múltiplos alvos: previsão simultânea de várias séries relacionadas, com previsões pontuais e por quantis.
• Covariáveis passadas: recursos conhecidos apenas historicamente, como fluxo de pessoas anterior.
• Covariáveis passado-futuro (dinâmicas): eventos futuros conhecidos, como campanhas promocionais planejadas ou previsões do tempo.

Arquitetura e inferência

O modelo mantém a arquitetura decoder-only transformer das versões anteriores, agrupando pontos contíguos em patches de 32 passos temporais e aplicando normalização por série para lidar com escalas muito diferentes.

Na construção dos tokens, séries alvo e covariáveis passadas geram um token por patch. Para covariáveis passado-futuro, o modelo usa uma estratégia de "lookahead": cada token concatena o patch atual com patches futuros, permitindo ao modelo acessar sinais conhecidos que estão por vir.

O núcleo é uma arquitetura de atenção alternada em uma grade 2D:

• Atenção temporal causal: tokens atendem horizontalmente ao longo do tempo, de forma estritamente causal dentro da própria série, evitando vazamento de dados.
• Atenção entre variáveis (variate attention): em cada passo de tempo, um token pode acessar todas as outras séries do conjunto, capturando correlações entre séries - como o efeito de uma promoção em uma série sobre as vendas em outra.

Esses dois mecanismos de atenção alternam-se em várias camadas.

Outra novidade é a decodificação não autorregressiva via Contiguous Patch Masking: em vez de gerar a previsão um patch por vez (com latência, acúmulo de erros e custo computacional), o modelo acrescenta tokens de preenchimento mascarados para o horizonte futuro junto ao contexto observado. Alvos e covariáveis passadas ficam mascarados no horizonte, enquanto covariáveis passado-futuro permanecem visíveis. Todas as posições mascaradas são preenchidas simultaneamente em uma única passada. O modelo prevê 9 quantis (do 10º ao 90º percentil) para cada alvo em cada passo do horizonte, oferecendo uma visão probabilística da incerteza.

Exemplo ilustrativo

No caso das vendas de sorvete com promoções planejadas, um modelo univariado projeta o padrão semanal sem conhecer as promoções. Ao passar o cronograma promocional como covariável passado-futuro, o TimesFM-3 aprende a relação entre promoções e aumento de vendas no histórico e a aplica aos dias futuros com promoções, antecipando um aumento de cerca de 20% nas vendas em cada dia promocional.

Avaliação

O TimesFM-3 foi avaliado em três benchmarks públicos: Gift-Eval, FEV-Bench e Time. Em todos, foi o modelo mais bem classificado em métricas de previsão pontual e probabilística entre os modelos de fundação pré-treinados, comparado a modelos como Chronos-2, a família Toto 2.0 e o TimesFM-2.5. Mesmo no modo univariado, sem covariáveis ou informação entre séries, o modelo já iguala ou supera os concorrentes; no modo multivariado completo, alcança o melhor rank médio em ambos os tipos de métrica.

Disponibilidade

O TimesFM-3 está disponível no GitHub e no Hugging Face, com integração ao BigQuery prevista para as próximas semanas. Enquanto isso, o TimesFM-2.5 pode ser usado em tarefas univariadas via comando AI.FORECAST no BigQuery, sem necessidade de expertise em machine learning.