Google Research、多変量時系列予測のゼロショット基礎モデルTimesFM-3を公開

発表の概要

Google Researchは、時系列予測のための新しい基礎モデルTimesFM-3を発表しました。TimesFMシリーズは2024年の初版以降、小売、金融、可観測性、製造、ヘルスケア、自然科学などさまざまな分野で採用されてきました。従来のTimesFM-2.5までは、単一の時系列のみを扱う一変量予測に限定されていたとのことです。

しかし、実際のビジネスでは、複数の時系列や外部要因が相互に影響しあうケースがほとんどです。例えばアイスクリームの売上を予測する場合、過去の売上だけでなく関連商品の売上や来店者数、天気、プロモーション計画などを考慮する必要があります。TimesFM-3はこうした多変量の予測タスクを、タスクごとの追加学習なしに（ゼロショットで）実行できる点が特徴です。

多変量予測を実現する技術

TimesFM-3は、従来のデコーダのみのTransformerアーキテクチャに基づいています。時系列データを32ステップごとのパッチに分割し、系列ごとに正規化を行います。複数の系列を2次元のグリッドのように扱い、時間方向のアテンションと、系列間のアテンションを交互に適用することで、時系列のパターンと系列間の相関の両方を学習します。

将来予測では、従来の自己回帰的な生成をやめ、マスクされたトークンを使って予測期間全体を1回の順伝播で同時に生成します。これにより、推論の遅延や誤差の蓄積が軽減されます。また、各時点で9つの分位点（10パーセンタイルから90パーセンタイル）を出力し、予測の不確実性も評価できます。

ベンチマークでの評価

評価では、Gift-Eval、FEV-Bench、Timeという3つの公開ベンチマークが使用されました。点予測と確率予測の両方について、事前学習済みの基礎モデルの中でTimesFM-3が平均順位で最上位になったと報告されています。比較対象には、Chronos-2やToto 2.0ファミリーなど、多変量対応のモデルも含まれています。

興味深いのは、共変量や系列間の情報を使わない「一変量モード」でも、TimesFM-3が他モデルと同等以上だったことです。さらに多変量モードに切り替えることで、より精度が向上するとしています。この結果は、モデルが時系列の基本パターンの学習と、系列間の依存関係の活用の両方をうまく両立していることを示唆しています。

利用方法と注意点

TimesFM-3はすでにGitHubとHugging Faceで公開されています。また、BigQueryでの統合も数週間後に予定されています。一方で、学習データの詳細やライセンス条件、必要となる計算資源などは、記事では明らかにされていません。実際のビジネス応用では、自社データでの検証が重要になるでしょう。