TimesFM 3.0: el modelo de pronóstico de series temporales de Google acaba de recibir una gran actualización

El pronóstico de series temporales es una de esas tareas que impulsa silenciosamente muchas decisiones, desde la planificación de inventarios hasta la predicción de la carga energética y el riesgo financiero. Pero construir modelos de pronóstico precisos desde cero es notoriamente difícil. ¿Qué pasaría si pudieras simplemente descargar un modelo preentrenado que funcione directamente, de la misma manera que usarías GPT para texto? Esa es exactamente la idea detrás de TimesFM de Google Research.

¿Qué es TimesFM?

TimesFM (Time Series Foundation Model) es un modelo fundacional solo-decodificador creado específicamente para el pronóstico de series temporales. Se introdujo en el artículo Un modelo fundacional solo-decodificador para el pronóstico de series temporales, presentado en ICML 2024. En lugar de entrenarse con palabras, se entrena con secuencias de puntos de datos históricos. Una vez preentrenado, puede pronosticar valores futuros para todo tipo de series temporales, sin necesidad de entrenamiento personalizado para cada nuevo conjunto de datos.

Bienvenido TimesFM 3.0

Avancemos hasta agosto de 2026 (sí, el proyecto avanza rápido), y Google ha lanzado TimesFM 3.0. Esta es la actualización más grande hasta ahora y trae tres cosas importantes:

Resultados de benchmark que lo respaldan

El readme afirma tener algunas posiciones bastante impresionantes en los benchmarks:

Estar en la cima de los tres principales benchmarks de modelos fundacionales de series temporales es una señal contundente de que TimesFM se ha convertido en el modelo generalista de referencia en este espacio.

Pero cuidado con la licencia

Este es el detalle que importa si quieres usar TimesFM 3.0 en un producto comercial. El código fuente tiene licencia Apache-2.0, y los pesos del modelo hasta la versión 2.5 también son Apache-2.0. Sin embargo, los pesos preentrenados de TimesFM 3.0 se distribuyen bajo una licencia no comercial separada. Eso significa que, si planeas usar los pesos predeterminados de la 3.0 en producción o con fines comerciales, no tienes permiso para hacerlo. Asegúrate de revisar el repositorio para ver las actualizaciones de licencia antes de construir algo serio.

Primeros pasos con TimesFM 3.0

La instalación es sencilla si ya te sientes cómodo con Python y PyTorch:

O, si quieres clonar el código e instalarlo localmente:

Ejemplo simple de pronóstico univariado

Aquí tienes un ejemplo mínimo del readme que muestra cómo pronosticar un par de series de diferentes longitudes con cuantiles:

Observa que TimesFM puede tomar dos series de diferentes longitudes de contexto en el mismo lote — 100 pasos para una, 72 para la otra — y predecir los siguientes 12 pasos para ambas. Además, devuelve nueve cuantiles (del 0,1 al 0,9), lo cual es útil para comprender la incertidumbre del pronóstico.

Pronóstico multivariado con covariables

Si trabajas con múltiples señales relacionadas — por ejemplo, tres canales de ventas diferentes de una tienda — puedes pronosticarlas simultáneamente. Aquí tienes una versión condensada del ejemplo del readme:

El modelo genera un pronóstico conjunto para las tres variables durante los siguientes 24 pasos, además de cuantiles para cada variable y horizonte. Ese tipo de soporte nativo multivariado facilita mucho el pronóstico de un sistema de series temporales relacionadas, en lugar de tratar cada una de forma aislada.

Una mirada atrás: qué cambió en 2.5

Antes de la 3.0, la versión 2.5 (septiembre de 2025) ya trajo varias mejoras notables: redujo el modelo de 500M a 200M de parámetros, amplió la longitud máxima de contexto de 2048 pasos a 16k pasos, y añadió una cabeza de cuantiles opcional para pronósticos continuos de hasta 1.000 pasos. También eliminó el indicador de frecuencia, simplificando el formato de entrada. Si estás usando el checkpoint de la 2.5 y quieres ajustarlo, el repositorio ahora incluye ejemplos para ajuste fino eficiente en parámetros con HuggingFace Transformers + PEFT (LoRA), además de pruebas unitarias y una skill de agente.

¿Dónde puedes usar TimesFM?

Google también ha integrado TimesFM en algunos productos propios:

Para todos los demás, la versión de código abierto se puede instalar desde PyPI y ejecutarse con tu propia infraestructura.

Conclusiones finales

TimesFM 3.0 parece un paso realmente importante para el pronóstico de series temporales de código abierto. La capacidad de manejar series multivariadas con covariables, combinada con los mejores resultados en los benchmarks, lo convierte en una base poderosa para una amplia gama de problemas de pronóstico. Solo ten cuidado con la licencia no comercial de los pesos si planeas usarlo en un producto.

Si tienes curiosidad, visita el repositorio de GitHub de TimesFM para probar los ejemplos por ti mismo. Solo se necesitan unas pocas líneas de Python para empezar a pronosticar.