Google Research、多変量予測モデルTimesFM-3を発表

Google Researchは2024年にTimesFMを公開して以来、小売、金融、オブザーバビリティ、製造、ヘルスケア、自然科学など、多様な領域で時系列基盤モデルが実世界の時系列予測タスクに採用されるのを確認してきた。2025年9月にリリースされたTimesFM-2.5までは、単一の時系列の履歴のみを用いて予測を行うユニバレート予測に限定されていた。

今回発表されたTimesFM-3は、これらの経験を踏まえ、ネイティブに多変量予測向けに事前学習された次世代モデルである。以前のモデルの効率性とゼロショット汎化能力を継承しつつ、複雑な多変量シナリオに対する堅牢なサポートをゼロショット方式で追加した。TimesFM-3は、タスク固有のファインチューニングを必要とせず、複数の共進化する時系列を同時に予測し、全体的な精度を向上させる依存関係を捉えることができる。

同モデルは、複数の関連時系列を同時に予測する「複数ターゲット」に対応し、すべてのターゲットに対してポイント予測と分位点予測の両方をサポートする。また、過去のフットトラフィックのように過去にのみ既知の特徴を取り込む「過去共変量」や、計画されたプロモーションキャンペーンや天気予報のように将来の既知イベントを予測に活用する「過去-未来（動的）共変量」も利用可能である。

TimesFM-3のアーキテクチャは、前身モデルのデコーダーオンリー型Transformerアーキテクチャを基盤としている。時系列データを32タイムステップのパッチにグループ化して効率的に処理し、スケールが大きく異なる時系列に対応するため、TimesFM-2.5と同様に時系列ごとの正規化を適用する。トークン構築では、ターゲットおよび過去共変量系列は単一パッチから直接構築される一方、過去-未来共変量では、各トークンが現在のパッチと将来のパッチを連結する「ルックアヘッド」戦略を採用し、モデルが今後の既知信号を先行して参照できるようにしている。

パッチがトークン化されると、入力残差ブロックを通過し、メインのTransformerスタックに入る。このスタックは2Dグリッドとして機能し、「因果的時系列注意機構」と「完全変量注意機構」が交互に適用される。因果的時系列注意機構は、データ漏洩を防ぐため、特定の時系列内で過去のトークンのみを参照する。完全変量注意機構は、任意の時間ステップでデータセット内の他のすべての時系列を参照し、複雑なクロスシリーズ相関を学習する。これらの注意機構が交互に適用されることで、時系列パターンとクロスシリーズ関係がシームレスに融合される。

予測は非自己回帰デコード方式で行われる。以前のTimesFMバージョンでは、予測をパッチごとに生成していたため、レイテンシの発生、誤差蓄積の複合化、計算コストが課題だった。TimesFM-3は、連続パッチマスキング戦略を使用し、将来の予測ホライズン全体を単一の順方向パスで生成する。観測されたコンテキストと並行して、将来のホライズンにマスクされたプレースホルダー・トークンを追加する。ターゲットと過去共変量系列はホライズン内でマスクされるが、過去-未来共変量は可視状態を維持し、休日やスケジュールされたイベントなどの既知の将来信号をモデルに提供する。モデルは、交互注意機構を介して、マスクされたホライズンパッチすべてを同時に埋め、反復ループは不要である。各ホライズンステップにおいて、各ターゲット時系列の9つの分位点（10パーセンタイルから90パーセンタイルまで）を予測し、予測の不確実性に関する完全な確率的視点を提供する。

Google Researchは、TimesFM-3をGift-Eval、FEV-Bench、Timeの3つの包括的な公開予測ベンチマークで評価した。これらすべてのベンチマークにおいて、TimesFM-3は、ポイント予測指標と確率的予測指標の両方で、事前学習済み基盤モデルの中で最高ランクのモデルとなった。ユニバレートモードで評価した場合でも、TimesFM-3は他の競合モデルを上回るか同等の性能を発揮した。フル多変量モードに切り替えると、TimesFM-3はさらに性能を向上させ、ポイント予測と確率的予測の両方で最良の平均ランクを達成した。

TimesFM-3は現在、GitHubおよびHugging Faceで利用可能であり、BigQueryとの統合も今後数週間のうちに提供される予定である。

---

参考: Google Research Blog — 2026年9月1日 02:19 (JST)