TimesFM 3.0: Googles Zeitreihen-Prognosemodell hat gerade ein großes Upgrade erhalten

Zeitreihenprognose gehört zu den Aufgaben, die im Hintergrund viele Entscheidungen antreiben – von der Bestandsplanung über die Energielastprognose bis hin zu finanziellen Risiken. Aber genaue Prognosemodelle von Grund auf zu bauen, ist bekanntermaßen mühsam. Was wäre, wenn du einfach ein vortrainiertes Modell herunterladen könntest, das sofort einsatzbereit ist – so wie du GPT für Text verwenden kannst? Genau das ist die Idee hinter TimesFM von Google Research.

Was ist TimesFM?

TimesFM (Time Series Foundation Model) ist ein Decoder-only-Foundation-Modell, das speziell für Zeitreihenprognosen entwickelt wurde. Es wurde in dem Paper A decoder-only foundation model for time-series forecasting vorgestellt, das auf der ICML 2024 präsentiert wurde. Statt mit Wörtern wird es mit Sequenzen historischer Datenpunkte trainiert. Nach dem Vortraining kann es zukünftige Werte für alle Arten von Zeitreihen prognostizieren – ohne dass für jeden neuen Datensatz ein individuelles Training erforderlich ist.

Willkommen bei TimesFM 3.0

Spulen wir vor bis August 2026 (ja, das Projekt bewegt sich schnell): Google hat TimesFM 3.0 veröffentlicht. Das ist das bisher größte Update und bringt drei große Neuerungen mit sich.

Benchmark-Ergebnisse, die für sich sprechen

Das Readme enthält einige ziemlich beeindruckende Benchmark-Platzierungen:

Auf allen drei großen Benchmarks für Zeitreihen-Foundation-Modelle ganz oben zu stehen, ist ein starkes Zeichen dafür, dass TimesFM in diesem Bereich zum bevorzugten Generalisten geworden ist.

Aber Vorsicht bei der Lizenz

Hier ist der Haken, der wichtig ist, wenn du TimesFM 3.0 in einem kommerziellen Produkt verwenden möchtest. Der Quellcode ist unter Apache-2.0 lizenziert, und die Modellgewichte bis Version 2.5 ebenfalls. Die vortrainierten Gewichte von TimesFM 3.0 werden jedoch unter einer separaten, nicht-kommerziellen Lizenz vertrieben. Das bedeutet: Wenn du die Standard-Gewichte von 3.0 in der Produktion oder für kommerzielle Zwecke einsetzen möchtest, ist dir das nicht erlaubt. Sieh dir unbedingt das Repository an, um dich über Lizenzupdates zu informieren, bevor du etwas Ernsthaftes darauf aufbaust.

Erste Schritte mit TimesFM 3.0

Die Installation ist unkompliziert, wenn du mit Python und PyTorch bereits vertraut bist:

Oder, falls du den Code ziehen und lokal installieren möchtest:

Einfaches univariates Prognosebeispiel

Hier ist ein Minimalbeispiel aus dem Readme, das zeigt, wie du zwei Zeitreihen unterschiedlicher Länge mit Quantilen prognostizieren kannst:

Beachte, dass TimesFM zwei Serien mit verschiedenen Kontextlängen im selben Batch verarbeiten kann – 100 Schritte für die eine, 72 für die andere – und für beide die nächsten 12 Schritte vorhersagt. Zusätzlich werden neun Quantile (0,1 bis 0,9) zurückgegeben, was hilfreich ist, um die Prognoseunsicherheit zu verstehen.

Multivariate Prognose mit Kovariaten

Wenn du mit mehreren zusammenhängenden Signalen arbeitest – etwa drei verschiedenen Vertriebskanälen eines Geschäfts – kannst du diese gleichzeitig prognostizieren. Hier ist eine gekürzte Version des Beispiels aus dem Readme:

Das Modell erzeugt eine gemeinsame Prognose für alle drei Variablen über die nächsten 24 Schritte sowie Quantile für jede Variable und jeden Horizont. Diese native Unterstützung multivariater Daten erleichtert es erheblich, ein System zusammenhängender Zeitreihen zu prognostizieren, anstatt jede einzelne isoliert zu behandeln.

Ein Rückblick: Was hat sich in 2.5 geändert?

Vor 3.0 brachte bereits das Release 2.5 (September 2025) einige bemerkenswerte Verbesserungen: Das Modell wurde von 500 Mio. auf 200 Mio. Parameter verkleinert, die maximale Kontextlänge von 2048 Schritten auf 16.000 Schritte erweitert und ein optionaler Quantilkopf für kontinuierliche Prognosen bis zu 1.000 Schritten ergänzt. Außerdem wurde der Frequenzindikator entfernt, wodurch das Eingabeformat vereinfacht wurde. Wenn du den 2.5-Checkpoint verwendest und ihn feinabstimmen möchtest, enthält das Repository nun Beispiele für parametereffizientes Fine-Tuning mit HuggingFace Transformers + PEFT (LoRA) sowie Unit-Tests und einen Agent-Skill.

Wo kannst du TimesFM einsetzen?

Google hat TimesFM auch in einige eigene Produkte integriert:

Für alle anderen lässt sich die Open-Source-Version von PyPI installieren und mit der eigenen Infrastruktur ausführen.

Fazit

TimesFM 3.0 wirkt wie ein wirklich großer Schritt nach vorn für offene Zeitreihenprognosen. Die Fähigkeit, multivariate Serien mit Kovariaten zu verarbeiten, kombiniert mit Top-Benchmark-Ergebnissen, macht es zu einer leistungsstarken Grundlage für eine breite Palette von Prognoseproblemen. Sei nur vorsichtig mit der nicht-kommerziellen Lizenz der Gewichte, wenn du es in einem Produkt einsetzen möchtest.

Wenn du neugierig bist, schau im TimesFM-GitHub-Repository vorbei und probiere die Beispiele selbst aus. Es braucht nur ein paar Zeilen Python, um mit der Prognose zu beginnen.