c010rNews
Software

Google lanza TimesFM 3.0, modelo multivariante sin entrenamiento para series temporales

El nuevo TimesFM 3.0 de Google Research permite pronósticos multivariantes con covariables y cuantiles de incertidumbre, todo en una sola pasada.

2 min de lecturaDev.to0 vistas

TimesFM 3.0 llega sin necesidad de entrenamiento y con soporte nativo para series multivariantes. El modelo, pre‑entrenado sobre más de un billón de puntos en retail, finanzas y tráfico web, se ejecuta con un único llamado a forecast() y devuelve tanto la media como 9 cuantiles de 10º a 90º.

Arquitectura y mejoras

El modelo sigue la familia de transformers decoder‑only, pero en lugar de tokens de texto utiliza patches de 32 pasos. Esta agrupación reduce el coste de atención y captura patrones locales (picos, ciclos semanales, tendencias). En la versión 3.0 se añadió atención vertical entre series, permitiendo que el modelo aproveche la correlación entre productos o canales.

  • Multivariantes: ahora puede pronosticar hasta tres series simultáneamente.
  • Covariables pasadas: se pueden incluir variables históricas como tráfico de foot‑traffic.
  • Covariables futuras: se admiten promociones, feriados o pronósticos meteorológicos.
  • Decodificación no autoregresiva: se rellenan todos los tokens futuros en una sola pasada, reduciendo latencia y errores acumulativos.

Uso en producción

import numpy as np
from timesfm3 import TimesFM3Evaluator, ModelConfig

config = ModelConfig(
    checkpoint_path="google/timesfm-3.0-pytorch",
    per_core_batch_size=16,
    device="cuda"
)
forecaster = TimesFM3Evaluator(config)

# Ejemplo de contexto y horizonte
context_len, horizon = 128, 24
context = np.random.randn(3, context_len).astype(np.float32)

# Covariables pasadas y futuras
past_cov = np.random.randn(1, context_len).astype(np.float32)
future_cov = np.random.randn(1, horizon).astype(np.float32)

# Pronóstico
point, quantiles = forecaster.forecast(
    context=context,
    past_covariates=past_cov,
    future_covariates=future_cov,
    horizon=horizon
)

El modelo devuelve point (shape 3×24) y quantiles (3×24×10). Los flags infer_is_positive y fix_quantile_crossing garantizan que las predicciones no sean negativas y que los cuantiles no se crucen.

Instalación y dependencias

pip install timesfm[torch]
# o desde github
git clone https://github.com/google-research/timesfm.git
cd timesfm
uv venv && source .venv/bin/activate
uv pip install -e .[torch]

La librería requiere PyTorch y numpy. La versión 3.0 no es un upgrade drop‑in; la API ha cambiado, por lo que los usuarios de 2.5 deben migrar a la nueva clase TimesFM3Evaluator.

¿Por qué importa?

Para los equipos que manejan dashboards de demanda, inventario o tráfico, la posibilidad de incorporar covariables planificadas sin reentrenar el modelo simplifica la cadena de decisión. Además, la salida de cuantiles permite generar intervalos de confianza automáticos, algo que antes requería post‑procesamiento.

El modelo sigue siendo de código abierto bajo la licencia Apache 2.0, lo que facilita su integración en pipelines de producción.

Perspectivas

Se espera que el siguiente paso sea la incorporación de datos multilingües y la optimización para dispositivos edge, pero por ahora TimesFM 3.0 ya cubre la mayoría de los casos de uso de forecasting corporativo sin la complejidad de entrenar modelos a medida.

Relacionado