veilletech.frCe qui se passe
Google Research publie TimesFM-3, la génération suivante de sa famille de modèles de fondation pour séries temporelles. Le changement tient en un mot : multivarié. Jusqu'à TimesFM-2.5, sorti en septembre 2025, les modèles étaient strictement univariés — prévoir une série à partir de son seul historique.
Or les problèmes réels le sont rarement. Prévoir les ventes de glaces d'une chaîne suppose de regarder les ventes des produits liés (cornets, sirops), la fréquentation passée, et des événements futurs connus : météo, promotions, jours fériés.
Pourquoi ça compte
Le modèle fait 330 millions de paramètres, pré-entraîné sur un corpus réel et synthétique de plus de 1 000 milliards de points temporels. L'architecture reste un transformeur décodeur, avec regroupement des points contigus en patches de 32 pas de temps et une normalisation par série pour absorber les écarts d'échelle.
Trois types d'entrées sont pris nativement, en une seule passe avant :
- cibles multiples — prévoir ensemble plusieurs séries liées, avec prévisions ponctuelles et quantiles pour chacune ;
- covariables passées — des variables connues seulement dans l'historique, comme la fréquentation observée ;
- covariables passé-futur — des événements futurs connus, comme un calendrier de promotions déjà planifié.
Sur l'exemple donné par les auteurs, un modèle univarié projette la saisonnalité hebdomadaire sans rien savoir des promotions ; en passant le calendrier promotionnel en covariable, TimesFM-3 apprend la relation entre promotion et hausse de ventes dans l'historique et anticipe une hausse d'environ 20 % sur chaque jour concerné.
Ce que ça vaut, et comment le savoir
Les auteurs annoncent la première place sur trois bancs d'essai publics — Gift-Eval, FEV-Bench et Time — en prévision ponctuelle comme probabiliste, parmi les modèles de fondation pré-entraînés, y compris face à Chronos-2 et à la famille Toto 2.0. Ils précisent que même en mode univarié, TimesFM-3 égale ou dépasse ses concurrents, le mode multivarié ajoutant un gain supplémentaire.
C'est un classement publié par l'équipe qui produit le modèle : à traiter comme une revendication à reproduire, pas comme un résultat indépendant. La bonne nouvelle est que c'est possible, ce qui est le vrai critère ici.
Source : Google Research — TimesFM-3: A zero-shot foundation model for multivariate forecasting