TimesFM-3 指南 2026：Google 的多变量时序预测基础模型

2026 年 8 月，Google Research 发布了时序预测基础模型TimesFM-3。自 2024 年 TimesFM 问世以来，该系列已被零售、金融、可观测性、制造和医疗等多个领域采用。

先给结论：TimesFM-3 是一个 330M 参数的时序基础模型，通过单次前向传播即可实现高精度的「多变量」时序预测。它突破了单变量模型（只用单一序列历史预测）的局限，同时考虑多个时间序列和协变量（促销、节假日、事件等），从而得到更准确的预测。

「根据下个月的促销计划预测销售额」——传统模型只会从历史销售额中延伸周度模式；TimesFM-3 把促销计划作为协变量传入，返回一个纳入其效果（约 20% 销量提升）的预测。

本文介绍 TimesFM-3 是什么、架构、基准测试和使用方法。

TimesFM-3 是什么

TimesFM-3 是 Google Research 开发的时序预测基础模型，原生面向多变量预测进行预训练。

项目	内容
开发方	Google Research（Ayush Jain・Rajat Sen 等）
参数量	330M（3.3 亿）
架构	Decoder-only Transformer（32 步/patch）
特点	多变量、零样本、单次前向传播
上一代	TimesFM-2.5（2025 年 9 月・仅单变量）
基准	Gift-Eval・FEV-Bench・Time 排名第一
获取方式	GitHub・Hugging Face・BigQuery（即将）
官方页面	research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting

TimesFM 系列的进化

TimesFM（2024）：时序基础模型的先驱，被零售、金融、可观测性等领域采用
TimesFM-2.5（2025 年 9 月）：精度更高，但仅支持单变量
TimesFM-3（2026 年 8 月）：原生支持多变量，同时建模多个序列与协变量

架构三要素

TimesFM-3 在 Decoder-only Transformer 基础上做了三个关键改进，实现多变量预测。

TimesFM-3 的工作原理：令牌构建、交替注意力、非自回归解码 — 令牌构建、交替注意力、非自回归解码三要素，以及三个基准测试排名第一

① 令牌构建：前瞻策略

时序数据按每 32 个时间步 1 个 patch处理。

目标序列与过去协变量：由单个 patch 直接构建令牌
过去-未来协变量：采用「前瞻」策略——将当前 patch 与未来 patch 拼接成令牌，让模型提前看到已知的未来信号（节假日、预定事件等）

② 交替注意力：2D 网格

patch 经过输入残差块，进入以2D 网格方式运行的 Transformer 栈。

Causal temporal attention（横向・时间轴）：严格因果以防止数据泄漏——令牌只能看自己序列中的过去令牌
Full variate attention（纵向・序列间）：任意时间步都可以查看数据集中的全部序列，学习复杂的序列间相关

两种注意力交替堆叠多层，无缝融合时间模式与序列间关系。

③ 非自回归解码：一次生成整个预测区间

旧版 TimesFM 逐个 patch 顺序生成，导致延迟、误差累积和计算开销。

TimesFM-3 使用Contiguous Patch Masking，通过单次前向传播生成整个预测区间：

为未来区间追加掩码占位令牌
目标序列与过去协变量被掩码（未来值未知）
过去-未来协变量保持可见（节假日等已知信号）
交替注意力层同时填满所有掩码 patch——无需迭代循环
每个目标序列在每个时间步预测9 个分位数（10th–90th），提供完整的概率视图

示例：冰淇淋销量预测

传统单变量模型（红线）：从历史中向前投影周度模式，但不知道特定日期的促销计划
TimesFM-3 多变量模式（蓝线）：把促销计划作为过去-未来协变量传入，从历史上下文中学习「促销→销量提升」的关系，并应用到未来促销日

结果：在每个促销日预测约 20% 的销量提升。

基准测试：全部排名第一

TimesFM-3 在Gift-Eval、FEV-Bench、Time三个公开基准上评估，点预测与概率预测的平均排名均为第一。

对比对象：Chronos-2、Toto 2.0 系列、TimesFM-2.5等
即使单变量模式（无协变量、序列独立处理）也已达到或超过其他模型
切换到多变量模式后性能进一步提升

使用方法与获取

GitHub：github.com/google-research/timesfm
Hugging Face：huggingface.co/google/timesfm-3（计划中）
BigQuery：AI.FORECAST命令即将上线——无需 ML 专业知识

总结

TimesFM-3 推动时序预测从单变量走向多变量。

✅ 330M 参数、零样本、单次前向传播
✅ 原生多变量预测（序列 + 协变量）
✅ 前瞻策略利用已知未来信号
✅ 交替注意力（因果时间 + 全变量）
✅ 非自回归解码消除误差累积与延迟
✅ 9 分位数概率预测
✅ Gift-Eval・FEV-Bench・Time 排名第一
✅ BigQuery 集成，非专业人士也可用

无论是零售需求预测、库存管理、促销效果预测，还是能源需求预测，TimesFM-3 都是 2026 年的顶级选择。

链接

Google Research 博客：https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/
GitHub：https://github.com/google-research/timesfm
既有 TimesFM 指南：https://cldnavi.com/blog/timesfm-time-series-guide-2026/

【2026】TimesFM 完全解读！Google 开发的时序预测基础模型