Google dévoile TimesFM-3, un modèle d'intelligence artificielle pour la prévision des séries temporelles

Google Research a présenté TimesFM-3, un modèle d'intelligence artificielle conçu pour prédire l'évolution future de séries de données telles que les ventes quotidiennes. Ce système intègre des données connexes et des événements futurs connus pour améliorer la précision de ses prévisions. Le modèle est doté de 330 millions de paramètres et a été entraîné sur plus d'un billion de points de mesure, réels et synthétiques, selon les informations fournies par l'entreprise.

L'architecture de TimesFM-3 repose sur un Transformer, la même base technique que ses prédécesseurs. Le modèle regroupe 32 mesures consécutives en un bloc unique et normalise chaque série sur une échelle uniforme, permettant ainsi de comparer des grandeurs de magnitudes différentes. Il traite les données dans deux directions alternées : le long de l'axe temporel, il identifie les motifs en n'utilisant que les valeurs passées pour éviter d'accéder illégitimement aux informations futures ; transversalement, il compare toutes les séries à un instant donné pour apprendre leurs interdépendances, comme l'impact d'une promotion sur les ventes d'un autre produit.

Le modèle gère trois types de données complémentaires. Il prédit simultanément plusieurs grandeurs connexes, par exemple différentes variétés de produits. Il inclut des facteurs historiques, tels que l'affluence passée en magasin, et exploite des événements futurs connus, comme les promotions planifiées ou les prévisions météorologiques. Au lieu de fournir une seule estimation, TimesFM-3 génère neuf valeurs par point temporel, reflétant l'incertitude de la prédiction. Contrairement aux versions antérieures qui calculaient les prévisions bloc par bloc, ce qui augmentait les erreurs et les coûts de calcul, TimesFM-3 remplit tous les points futurs en une seule passe simultanée.

Dans un exemple illustratif concernant la vente de glaces, le modèle utilise le plan de promotions pour anticiper une augmentation d'environ 20 % des ventes les jours d'action, là où un modèle limité aux données passées ne ferait que prolonger le motif hebdomadaire habituel. Sur les benchmarks Gift-Eval, FEV-Bench et Time, TimesFM-3 occupe la première place parmi les modèles de prévision pré-entraînés, surpassant des concurrents tels que Chronos-2 d'Amazon, la famille Toto-2.0 et le prédécesseur TimesFM-2.5, tant en précision qu'en estimation de l'incertitude.

Le modèle est disponible sur GitHub et Hugging Face. Il sera intégré au service de base de données BigQuery de Google dans les prochaines semaines, où la version précédente est accessible via la commande AI.FORECAST. Depuis son lancement en 2024, la famille de modèles est utilisée dans le commerce de détail, la finance, la fabrication, la santé et les sciences naturelles. Les versions antérieures, jusqu'à TimesFM-2.5 de septembre 2025, ne traitaient qu'une seule série de données à la fois. Google DeepMind a également publié en août un système d'intelligence artificielle open source pour les cyclones tropicaux, capable de prédire la trajectoire et l'intensité un jour plus loin que les modèles opérationnels actuels.