TimesFM 3.0: il modello di previsione di serie temporali di Google ha appena ricevuto un importante aggiornamento

La previsione di serie temporali è uno di quei compiti che alimentano silenziosamente molte decisioni, dalla pianificazione dell'inventario alla previsione del carico energetico fino al rischio finanziario. Ma costruire modelli di previsione accurati da zero è notoriamente complesso. E se potessi semplicemente scaricare un modello pre-addestrato che funzioni subito, come useresti GPT per il testo? È esattamente questa l'idea alla base di TimesFM di Google Research.

Cos'è TimesFM?

TimesFM (Time Series Foundation Model) è un foundation model decoder-only costruito specificamente per la previsione di serie temporali. È stato introdotto nell'articolo A decoder-only foundation model for time-series forecasting, presentato a ICML 2024. Invece di essere addestrato su parole, viene addestrato su sequenze di dati storici. Una volta pre-addestrato, può prevedere valori futuri per tutti i tipi di serie temporali — senza richiedere addestramento personalizzato per ogni nuovo dataset.

Benvenuto TimesFM 3.0

Facciamo un salto ad agosto 2026 (sì, il progetto procede veloce) e Google ha rilasciato TimesFM 3.0. Questo è l'aggiornamento più grande finora e introduce tre novità principali:

Risultati dei benchmark che lo confermano

Il README vanta alcuni posizionamenti nei benchmark piuttosto impressionanti:

Essere in cima a tutti e tre i principali benchmark dei foundation model per serie temporali è un forte segnale che TimesFM è diventato il modello generalista di riferimento in questo ambito.

Ma attenzione alla licenza

Ecco il punto fondamentale se vuoi usare TimesFM 3.0 in un prodotto commerciale. Il codice sorgente è concesso in licenza Apache-2.0 e anche i pesi del modello fino alla versione 2.5 sono Apache-2.0. Tuttavia, i pesi pre-addestrati di TimesFM 3.0 sono distribuiti con una licenza non commerciale separata. Ciò significa che se hai intenzione di usare i pesi predefiniti 3.0 in produzione o per scopi commerciali, non ne hai il permesso. Assicurati di controllare il repository per eventuali aggiornamenti della licenza prima di creare qualcosa di serio.

Per iniziare con TimesFM 3.0

L'installazione è semplice se hai già familiarità con Python e PyTorch:

Oppure, se vuoi scaricare il codice e installarlo localmente:

Esempio semplice di previsione univariata

Ecco un esempio minimale dal README che mostra come prevedere un paio di serie di lunghezza diversa con i quantili:

Nota che TimesFM può accettare due serie con lunghezze di contesto diverse nello stesso batch — 100 passi per una, 72 per l'altra — e prevedere i successivi 12 passi per entrambe. Inoltre restituisce nove quantili (da 0.1 a 0.9), il che è utile per comprendere l'incertezza delle previsioni.

Previsione multivariata con covariate

Se lavori con più segnali correlati, ad esempio tre diversi canali di vendita di un negozio, puoi prevederli simultaneamente. Ecco una versione condensata dell'esempio del README:

Il modello produce una previsione congiunta per tutte e tre le variabili nei successivi 24 passi, oltre ai quantili per ogni variabile e orizzonte. Questo tipo di supporto multivariato nativo rende molto più facile prevedere un sistema di serie temporali correlate piuttosto che trattare ciascuna serie isolatamente.

Uno sguardo indietro: cosa è cambiato in 2.5

Prima della 3.0, la versione 2.5 (settembre 2025) aveva già introdotto diversi miglioramenti notevoli: ha ridotto il modello da 500M a 200M parametri, ampliato la lunghezza massima del contesto da 2048 a 16.000 passi e aggiunto una testa quantilica opzionale per previsioni continue fino a 1.000 passi. Ha anche rimosso l'indicatore di frequenza, semplificando il formato di input. Se stai usando il checkpoint 2.5 e desideri metterlo a punto, il repository ora include esempi di fine-tuning efficiente in termini di parametri con HuggingFace Transformers + PEFT (LoRA), oltre a test unitari e una skill per agenti.

Dove puoi usare TimesFM?

Google ha inoltre integrato TimesFM in alcuni suoi prodotti:

Per tutti gli altri, la versione open-source può essere installata da PyPI ed eseguita sulla propria infrastruttura.

Considerazioni finali

TimesFM 3.0 sembra essere un vero e proprio grande passo avanti per la previsione open-source di serie temporali. La capacità di gestire serie multivariate con covariate, combinata con i migliori risultati nei benchmark, lo rende una base potente per un'ampia gamma di problemi di previsione. Basta solo fare attenzione alla licenza non commerciale dei pesi se prevedi di usarlo in un prodotto.

Se sei curioso, vai al repository GitHub di TimesFM per provare tu stesso gli esempi. Bastano poche righe di Python per iniziare a fare previsioni.