谷歌发布 TimesFM-3 时序预测模型：单次前向生成所有未来时间点

谷歌研究团队开源时序预测基础模型 TimesFM-3，其关注价值在于实现了多元时序与已知未来事件的联合建模，并将预测机制由自回归逐步生成重构为单次前向填充。

• 模型参数量为 3.3 亿，在包含真实与合成数据的超 1 万亿个数据点上完成训练，支持零样本直接推理。
• 摒弃了前代逐块生成的自回归方案，改用单次前向传递填充未来所有时间步，降低了计算开销并减少累积误差。
• 支持整合已知未来事件（如促销计划、天气预报）与历史协同变量，每步输出 9 个分位数值以评估预测结果的不确定性区间。
• 官方测试显示其在 Gift-Eval、FEV-Bench 和 Time 三项时序基准上均取得领先，代码与权重已在 GitHub 开源。
• 影响/看点：TimesFM-3 意味着预训练时序模型在零售与工业多变量预测场景中的实用性得到提升，但实际业务收益仍取决于企业对多源协同数据的治理质量与特征对齐度。
• 资料依据：
• The Decoder（2026-09-12）：https://the-decoder.com/googles-new-ai-model-predicts-the-future-from-sales-data-weather-and-discount-schedules/
• GitHub：Google Research（2026-09-12）：https://github.com/google-research/timesfm

本内容由 AI 生成，仅供参考，请注意甄别