【2026年】TimesFM完全解説！Googleが開発した時系列予測の基盤モデル

---

「来月の売上、予測してほしい」 「この工場の設備、いつ故障するか教えて」 「電力需要のピーク、予測できない？」

ビジネスの現場には、時系列予測が必要な場面が山ほどあります。在庫管理、需要予測、設備保全、株価分析、気象予測──。

従来、こうした予測には ARIMA や Prophet といった統計モデルか、目的別にスクラッチで作った機械学習モデルが必要でした。どちらも専門知識が必要で、現場の担当者が気軽に使えるものではありません。

TimesFM（Time Series Foundation Model） は、Google Researchが開発した時系列予測のための基盤モデルです。LLM（大規模言語モデル）のように「事前学習→ゼロショット予測」ができる時系列版の基盤モデルで、2026年6月現在、GitHubで25,800以上のスターを集めています。

この記事では、時系列予測の初心者にもわかるように、TimesFMの仕組み・使い方・活用シーンを解説します。

---

まず結論：TimesFMとは何か？

---

「時系列予測の基盤モデル」って何？

従来のアプローチ：ゼロから作る

時系列予測をしようと思ったら、従来はこんな流れが必要でした：

1. 過去のデータを収集する
2. データの性質（トレンド・季節性・周期性）を分析する
3. ARIMA / SARIMA / Prophet などのモデルを選ぶ
4. パラメータをチューニングする
5. 将来の値を予測する

問題点: 予測のたびにこの作業が必要で、専門知識がないとまともに動きません。また、データの種類が変わると同じ手順を繰り返す必要があります。

TimesFMのアプローチ：ゼロショット予測

TimesFMは、LLMと同じ「基盤モデル」の発想を時系列データに応用したものです。

• 1,000億以上の実世界タイムポイントで事前学習済み
• 株価・気温・電力消費・売上など、様々なドメインのパターンを学習
• 新しいデータを渡すだけで、すぐに予測できる（ゼロショット）
• ファインチューニングすれば、特定ドメインに特化させることも可能

例えるなら: 従来は「毎回料理をゼロから作る」のが時系列予測。TimesFMは「世界中のレシピを学んだプロの料理人」に「この材料で料理して」と頼むようなものです。

---

TimesFM 2.5の進化：より小さく、より賢く

TimesFM 2.0から2.5への進化は、まさに「小さくなって、より賢くなった」という逆転の進化です。

200Mパラメータでここまでできる

「200M（2億）パラメータ」と聞くと、最近のLLMと比べて驚くほど小さいと感じるはずです。GPT-5.4が数兆パラメータの時代に、200Mパラメータで実用的な予測ができる──。これは時系列データという構造が、テキストデータよりも本質的に規則性が高く、少ないパラメータで表現できることを示しています。

---

TimesFMでできること

1. ゼロショット予測

事前学習だけで、新しいデータに対してすぐに予測できます。ファインチューニング不要。

import numpy as np
import timesfm

# モデルをロード（Hugging Faceから自動ダウンロード）
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)

model.compile(
    timesfm.ForecastConfig(
        max_context=1024,    # 参照する過去データ数
        max_horizon=256,     # 予測する最大範囲
        normalize_inputs=True,
    )
)

# 予測実行（入力データと予測したいステップ数を指定するだけ）
point_forecast, quantile_forecast = model.forecast(
    horizon=30,  # 30ステップ先を予測
    inputs=[
        np.sin(np.linspace(0, 20, 100)),  # 時系列データを渡す
    ],
)

print(point_forecast.shape)  # (1, 30)

2. 量子化予測

単なる「平均的な値」だけでなく、「10%〜90%の確率でこの範囲に収まる」 という確率的な予測も可能です。これは在庫管理などで「最悪ケースを想定したい」場合に非常に有用です。

3. 共変量を考慮した予測（XReg）

売上予測をするとき、「その日が祝日か」「キャンペーン中か」といった外部要因（共変量）を考慮できます。TimesFM 2.5ではXRegという機能で、こうした追加情報を与えた予測が可能です。

4. ファインチューニング（LoRA）

特定のドメインに特化させたい場合は、HuggingFace Transformers + PEFT（LoRA）を使ったファインチューニングが可能です。学習済みの200Mパラメータのまま、小さなアダプター層だけを追加学習するため、低コストでドメイン適応できます。

5. AIエージェントから呼び出す

TimesFMにはAGENTS.mdとSKILL.mdが用意されており、Cursor / Claude Code / Hermes Agent などのAIコーディングエージェントから「このデータを予測して」と指示するだけで使えます。

---

業種別・具体的な活用シーン

---

BigQuery ML・Google Sheetsとの連携

TimesFMはGoogleの各種プロダクトに統合されており、コーディング不要で使える手段も用意されています。

BigQuery ML（SQLで予測）

Google BigQueryのユーザーは、SQLを書くだけでTimesFMによる予測が可能です。

SELECT
  date,
  sales,
  AI.FORECAST(sales, TIMESFM(2.5))
    OVER (ORDER BY date) AS predicted_sales
FROM
  `your_dataset.sales_data`

データベースエンジニアやアナリストでも、特別な機械学習の知識なしに高度な時系列予測ができます。

Google Sheets（スプレッドシートで予測）

2026年2月にはGoogle Sheetsとの連携も発表されました。スプレッドシート上でデータを選択し、関数を呼び出すだけで予測結果が得られます。

---

他の時系列予測手法との比較

---

注意点と課題

1. ゼロショットの限界

TimesFMはゼロショットでも高い精度を出しますが、特定のドメインに特化したデータ（例：自社の特殊なKPI）では、やはりファインチューニングや共変量の設定が必要になる場合があります。

2. 時系列の基本知識は必要

「pip install するだけ」とはいえ、時系列データの前処理（欠損値処理、外れ値除去、定常性の確認）は依然として重要です。モデルが魔法をかけてくれるわけではありません。

3. Google製品版とOSS版の差

BigQuery ML版とオープンソース版では、一部の機能（スケーラビリティ、マネージド運用）に差があります。大規模な本番運用を考える場合は、BigQuery ML版の利用も検討すべきです。

4. リソース消費

200Mパラメータと小さいとはいえ、16Kコンテキストでの推論には一定のメモリが必要です。特にFlaxバックエンドはGPU推奨です。

---

よくある質問（FAQ）

Q: TimesFMは無料ですか？

はい。オープンソース版はApache 2.0ライセンスで完全無料です。Hugging Faceからモデルをダウンロードして、自分の環境で自由に使えます。

Q: プログラミングができなくても使える？

BigQuery ML版（SQL）やGoogle Sheets版（スプレッドシートの関数）なら、プログラミング不要で使えます。Python版を使うには最低限のPython知識が必要です。

Q: ARIMAやProphetと比べてどれくらい精度がいい？

ベンチマークによって異なりますが、多くの公開データセットで従来手法を上回るか同等の精度を報告しています。特にゼロショットでの性能が最大の強みで、事前学習なしのARIMAなどと比べると圧倒的に少ないデータ量で予測を始められます。

Q: 株価予測はできますか？

できます。ただし、株価予測は「過去のパターンが将来も続く」という前提に依存するため、急激な市場変動や予期せぬイベントには対応できません。あくまで参考値として利用すべきです。

Q: どのくらいのデータが必要？

理論上は最低4つのデータポイントがあれば予測可能です（実用的には50〜100程度推奨）。従来の統計モデルが数百〜数千のデータポイントを必要としたのと比べると、格段に少ないデータでスタートできます。

Q: GPUは必須？

推論のみであれば、CPUでもある程度動作します。大量のデータや16Kコンテキストを使う場合はGPU推奨です。FlaxバックエンドはGPUで高速動作します。

Q: ファインチューニングにはどのくらいのデータが必要？

LoRAを使ったファインチューニングの場合、数百〜数千の時系列サンプルがあれば効果を実感できます。フルファインチューニングよりはるかに少ないデータで適応可能です。

---

まとめ：時系列予測の民主化

TimesFMの登場は、時系列予測の世界にとって 「iPhoneが携帯電話を変えた」 のようなインパクトがあります。

従来、時系列予測は：

• 統計の専門知識が必要
• データごとにモデルを選び、チューニングする手間
• 導入までのハードルが高い

TimesFMはこれを：

• pip install 一発で予測可能に
• ゼロショットでどんなデータでも即座に予測
• BigQuery ML / Google Sheetsで非エンジニアも使える

時系列データを扱うすべての業種で、まず試す価値のあるツールです。

GitHub: github.com/google-research/timesfm Hugging Face: huggingface.co/collections/google/timesfm-release 論文: arxiv.org/abs/2310.10688

---

• 【2026年】FreeLLM.net完全ガイド！220以上の無料LLM API
• 【2026年】Ornith-1.0完全解説！Claude Opus超えのAIコーディングモデル
• 【2026年】MinerU完全解説！PDFをMarkdownに変換する最強OSSツール

---

合わせて読みたい

• 【2026年】DS4Flash（DeepSeek V4 Flash）をローカルで動かす完全ガイド！96〜128GB VRAMを最大活用
• 【2026年】SWE-1.7完全ガイド！Devin搭載の最強AIエンジニアが1000トークン/秒でコーディング、Opus 4.8に迫る性能
• 【2026年】Agents-A1（35B MoE）とは？小さなパラメータでここまでできる驚きのエージェント特化モデルを徹底分析
• 【2026年】Qwen3.6-35B Genesis Hermes GGUF完全ガイド！検閲なし・マルチモーダルMoEをローカルPCで動かす方法
• 【2026年】AIモデルAPI料金完全比較！ChatGPT vs Claude vs Gemini vs DeepSeek vs MiMo