TimesFM 3.0: نموذج Google للتنبؤ بالسلاسل الزمنية يحصل على ترقية كبرى

يعد التنبؤ بالسلاسل الزمنية أحد تلك المهام التي تدير بهدوء الكثير من القرارات، بدءًا من تخطيط المخزون وصولًا إلى توقع أحمال الطاقة والمخاطر المالية. لكن بناء نماذج تنبؤ دقيقة من الصفر مهمة صعبة ومعروفة بذلك. ماذا لو كان بإمكانك فقط تنزيل نموذج مدرَّب مسبقًا يعمل مباشرة دون إعدادات إضافية، بنفس الطريقة التي قد تستخدم بها GPT للنصوص؟ هذه هي الفكرة بالضبط وراء نموذج TimesFM من Google Research.

ما هو TimesFM؟

TimesFM (النموذج الأساسي للسلاسل الزمنية) هو نموذج أساسي قائم على وحدة فك الترميز فقط (decoder-only)، صُمم خصيصًا للتنبؤ بالسلاسل الزمنية. وقد طُرح في ورقة بحثية بعنوان A decoder-only foundation model for time-series forecasting، وقد عُرضت في ICML 2024. وبدلًا من تدريبه على الكلمات، يُدرَّب على تسلسلات من نقاط البيانات التاريخية. وبمجرد اكتمال التدريب المسبق، يمكنه التنبؤ بقيم مستقبلية لجميع أنواع السلاسل الزمنية — دون الحاجة إلى تدريب مخصص لكل مجموعة بيانات جديدة.

مرحبًا بـ TimesFM 3.0

لنقفز الآن سريعًا إلى أغسطس 2026 (نعم، المشروع يتحرك بسرعة)، فقد أصدرت Google نموذج TimesFM 3.0. وهذه هي أكبر ترقية حتى الآن، وتقدّم ثلاثة أمور رئيسية:

نتائج المعايير المرجعية التي تدعم ذلك

يذكر ملف readme تحقيق مراكز متقدمة مثيرة للإعجاب في المعايير المرجعية:

إن تصدّر جميع المعايير المرجعية الرئيسية الثلاثة لنماذج الأساس للسلاسل الزمنية هو إشارة قوية إلى أن TimesFM أصبح النموذج العام المعتمد في هذا المجال.

لكن انتبه إلى الترخيص

إليك التحذير المهم إذا أردت استخدام TimesFM 3.0 في منتج تجاري: فالشفرة المصدرية مرخّصة بموجب Apache-2.0، وأوزان النموذج حتى الإصدار 2.5 مرخّصة أيضًا بموجب Apache-2.0. غير أن أوزان TimesFM 3.0 المدربة مسبقًا تُوزَّع بموجب ترخيص غير تجاري منفصل. وهذا يعني أنك إذا كنت تخطط لاستخدام أوزان 3.0 الافتراضية في بيئة الإنتاج أو لأغراض تجارية، فلن يُسمح لك بذلك. تأكد من مراجعة المستودع لمعرفة تحديثات الترخيص قبل بناء أي شيء جدي.

البدء مع TimesFM 3.0

عملية التثبيت سهلة ومباشرة إذا كنت معتادًا على Python وPyTorch:

أو إذا أردت سحب الكود وتثبيته محليًا:

مثال بسيط للتنبؤ أحادي المتغير

في ما يلي مثال بسيط من ملف readme يوضح كيفية التنبؤ بسلسلتين مختلفتين في الطول مع حساب الكميات (quantiles):

لاحظ أن TimesFM يمكنه استقبال سلسلتين بطولَي سياق مختلفين في الدفعة نفسها — 100 خطوة للأولى و72 للأخرى — والتنبؤ بالخطوات الـ12 التالية لكلتيهما. كما يُرجع تسعة كميات (من 0.1 إلى 0.9)، وهو أمر مفيد لفهم حالة عدم اليقين في التنبؤ.

التنبؤ متعدد المتغيرات مع المتغيرات المصاحبة

إذا كنت تعمل مع إشارات متعددة مرتبطة ببعضها — مثل ثلاث قنوات مبيعات مختلفة لمتجر — يمكنك التنبؤ بها في وقت واحد. إليك نسخة مختصرة من مثال ملف readme:

يُخرج النموذج تنبؤًا مشتركًا للمتغيرات الثلاثة جميعها على مدى الخطوات الـ24 التالية، مع كميات لكل متغير ولكل أفق زمني. وهذا النوع من الدعم المدمج للتنبؤ متعدد المتغيرات يجعل التنبؤ بمنظومة من السلاسل الزمنية المرتبطة أسهل بكثير من معالجة كل سلسلة على حدة.

نظرة إلى الوراء: ما الذي تغيّر في 2.5؟

قبل 3.0، كان إصدار 2.5 (سبتمبر 2025) قد قدّم بالفعل عدة تحسينات ملحوظة: قلّص حجم النموذج من 500 مليون إلى 200 مليون معلمة، ووسّع الحد الأقصى لطول السياق من 2048 خطوة إلى 16 ألف خطوة، وأضاف رأس كميات (quantile head) اختياريًا للتنبؤات المستمرة حتى 1000 خطوة. كما أزال مؤشر التردد، مما بسّط تنسيق الإدخال. إذا كنت تستخدم نقطة التحقق الخاصة بالإصدار 2.5 وتريد ضبطها بدقة، فإن المستودع يتضمن الآن أمثلة على الضبط الدقيق الفعّال من حيث عدد المعلمات باستخدام HuggingFace Transformers + PEFT (LoRA)، إلى جانب اختبارات الوحدة ومهارة وكيل.

أين يمكن استخدام TimesFM؟

كما أدمجت Google نموذج TimesFM في عدد من منتجاتها الخاصة:

أما بالنسبة إلى بقية المستخدمين، فيمكن تثبيت النسخة مفتوحة المصدر من PyPI وتشغيلها على البنية التحتية الخاصة بهم.

أفكار ختامية

يبدو أن TimesFM 3.0 يمثل خطوة كبيرة حقيقية إلى الأمام لمجال التنبؤ بالسلاسل الزمنية مفتوح المصدر. فالقدرة على التعامل مع السلاسل متعددة المتغيرات ومع المتغيرات المصاحبة، إلى جانب النتائج المتصدرة في المعايير المرجعية، تجعله أساسًا قويًا لمجموعة واسعة من مشاكل التنبؤ. فقط كن حذرًا مع ترخيص الأوزان غير التجاري إذا كنت تخطط لاستخدامه في منتج.

إذا كنت مهتمًا، تفضل بزيارة مستودع TimesFM على GitHub لتجربة الأمثلة بنفسك. يكفي بضعة أسطر من Python لبدء التنبؤ.