TimesFM 3.0 : le modèle de prévision de séries temporelles de Google vient de recevoir une mise à niveau majeure

La prévision de séries temporelles est l'une de ces tâches qui alimentent silencieusement de nombreuses décisions, de la planification des stocks à la prédiction de la charge énergétique en passant par le risque financier. Mais construire des modèles de prévision précis à partir de zéro est notoirement difficile. Et si vous pouviez simplement télécharger un modèle pré-entraîné qui fonctionne immédiatement, de la même manière que vous pourriez utiliser GPT pour du texte ? C'est exactement l'idée derrière TimesFM de Google Research.

Qu'est-ce que TimesFM ?

TimesFM (modèle de fondation pour séries temporelles) est un modèle de fondation à décodeur seul, conçu spécifiquement pour la prévision de séries temporelles. Il a été présenté dans l'article A decoder-only foundation model for time-series forecasting, présenté à l'ICML 2024. Au lieu d'être entraîné sur des mots, il est entraîné sur des séquences de points de données historiques. Une fois pré-entraîné, il peut prévoir les valeurs futures pour toutes sortes de séries temporelles — aucun entraînement personnalisé n'est nécessaire pour chaque nouvel ensemble de données.

Bienvenue à TimesFM 3.0

Faisons un bond en avant jusqu'en août 2026 (oui, le projet avance vite) : Google a publié TimesFM 3.0. Il s'agit de la plus grande mise à jour à ce jour, et elle apporte trois éléments majeurs :

Des résultats de référence qui appuient ces affirmations

Le README revendique des classements plutôt impressionnants dans les benchmarks :

Se trouver en tête des trois principaux benchmarks de modèles de fondation pour séries temporelles est un signal fort que TimesFM est devenu le modèle généraliste de référence dans ce domaine.

Mais attention à la licence

Voici le piège qui compte si vous souhaitez utiliser TimesFM 3.0 dans un produit commercial. Le code source est sous licence Apache-2.0, et les poids du modèle jusqu'à la version 2.5 sont également sous Apache-2.0. Cependant, les poids pré-entraînés de TimesFM 3.0 sont distribués sous une licence distincte non commerciale. Cela signifie que si vous prévoyez d'utiliser les poids 3.0 par défaut en production ou à des fins commerciales, vous n'êtes pas autorisé à le faire. Assurez-vous de consulter le dépôt pour les mises à jour de licence avant de construire quoi que ce soit de sérieux.

Commencer avec TimesFM 3.0

L'installation est simple si vous êtes déjà à l'aise avec Python et PyTorch :

Ou, si vous voulez cloner le code et installer localement :

Exemple simple de prévision univariée

Voici un exemple minimal tiré du README qui montre comment prévoir deux séries de longueurs différentes avec des quantiles :

Remarquez que TimesFM peut accepter deux séries de longueurs de contexte différentes dans le même lot — 100 pas pour l'une, 72 pour l'autre — et prédire les 12 prochains pas pour les deux. Il renvoie également neuf quantiles (de 0,1 à 0,9), ce qui est pratique pour comprendre l'incertitude de la prévision.

Prévision multivariée avec covariables

Si vous travaillez avec plusieurs signaux liés — par exemple trois canaux de vente différents d'un magasin — vous pouvez les prévoir simultanément. Voici une version condensée de l'exemple du README :

Le modèle génère une prévision conjointe pour les trois variables sur les 24 pas suivants, ainsi que des quantiles pour chaque variable et horizon. Cette prise en charge multivariée native facilite grandement la prévision d'un système de séries temporelles liées, plutôt que de traiter chaque série de manière isolée.

Retour en arrière : ce qui a changé dans la version 2.5

Avant la 3.0, la version 2.5 (septembre 2025) avait déjà apporté plusieurs améliorations notables : elle a réduit le modèle de 500 millions à 200 millions de paramètres, étendu la longueur maximale de contexte de 2 048 pas à 16 000 pas, et ajouté une tête de quantiles optionnelle pour des prévisions continues jusqu'à 1 000 pas. Elle a également supprimé l'indicateur de fréquence, simplifiant le format d'entrée. Si vous utilisez le checkpoint 2.5 et souhaitez l'affiner, le dépôt inclut désormais des exemples de fine-tuning efficace en paramètres avec HuggingFace Transformers + PEFT (LoRA), ainsi que des tests unitaires et une compétence d'agent.

Où pouvez-vous utiliser TimesFM ?

Google a également intégré TimesFM dans quelques produits propriétaires :

Pour tous les autres, la version open-source peut être installée depuis PyPI et exécutée avec votre propre infrastructure.

Dernières réflexions

TimesFM 3.0 semble être une véritable avancée majeure pour la prévision open-source de séries temporelles. La capacité à traiter des séries multivariées avec covariables, combinée aux meilleurs résultats de benchmark, en fait une base puissante pour un large éventail de problèmes de prévision. Attention toutefois à la licence non commerciale des poids si vous envisagez de l'utiliser dans un produit.

Si vous êtes curieux, rendez-vous sur le dépôt GitHub TimesFM pour essayer les exemples vous-même. Il suffit de quelques lignes de Python pour commencer à faire des prévisions.