Google 發布時間序列基礎模型 TimesFM-3：具備 3.3 億參數，支援零樣本多變量預測

Google Research 發布新一代時間序列基礎模型 TimesFM-3，參數規模達 3.3 億，基於包含超過 1 兆個時間點的真實與合成語料庫進行預訓練。 不同於僅限單變量預測的 TimesFM-2.5，TimesFM-3 原生支援零樣本（zero-shot）多變量預測，可同時預測多個相關目標，並整合歷史協變量（如過去客流量）與動態協變量（如已知的未來天氣或促銷活動）。 架構上延續 decoder-only Transformer 設計，將連續資料點分組為 32 個時間步的區塊（patches）。模型採用 2D 網格注意力機制交替運作：包含防止資料外洩的因果時間注意力（水平跨時間），以及允許學習跨序列相關性的全變量注意力（垂直跨序列）。 為解決過往逐區塊生成導致的延遲與誤差累積，TimesFM-3 導入連續區塊遮罩（Contiguous Patch Masking）策略，透過單次前向傳遞（single forward pass）即可生成整個預測範圍，無需迭代迴圈。模型在每個預測步均提供從第 10 到第 90 百分位數的 9 個分位數預測。 在 Gift-Eval、FEV-Bench 與 Time 三大公開基準測試中，TimesFM-3 在點預測與機率預測指標上均位居預訓練基礎模型榜首。