TimesFM 3.0：Googleの時系列予測モデルが大幅にアップグレード

時系列予測は、在庫計画からエネルギー負荷予測、金融リスクまで、多くの意思決定を静かに支えるタスクのひとつです。しかし、正確な予測モデルをゼロから構築することは、非常に困難なことで知られています。テキストに対してGPTを使うように、ダウンロードするだけでそのまま使える事前学習済みモデルがあったらどうでしょうか？ まさにそれがGoogle ResearchのTimesFMの背後にあるアイデアです。

TimesFMとは？

TimesFM（Time Series Foundation Model）は、時系列予測に特化して構築されたデコーダのみの基盤モデルです。ICML 2024で発表された論文A decoder-only foundation model for time-series forecastingで紹介されました。単語ではなく、過去のデータポイントのシーケンスで学習されます。事前学習が完了すれば、あらゆる種類の時系列に対して将来の値を予測できます。新しいデータセットごとにカスタムトレーニングは不要です。

TimesFM 3.0の登場

時は2026年8月（そう、このプロジェクトの進歩は速いのです）。GoogleはTimesFM 3.0をリリースしました。これまでで最大のアップデートであり、3つの主要な新機能をもたらします：

それを裏付けるベンチマーク結果

READMEには、かなり印象的なベンチマーク順位が記載されています：

3つの主要な時系列基盤モデルのベンチマークすべてでトップに立っていることは、TimesFMがこの分野で定番の汎用モデルになったことを示す強いシグナルです。

ただしライセンスに注意

TimesFM 3.0を商用製品で使いたい場合に重要となる注意点があります。ソースコードはApache-2.0ライセンスで、バージョン2.5までのモデル重みもApache-2.0です。ただし、TimesFM 3.0の事前学習済み重みは、別の非商用ライセンスのもとで配布されています。つまり、デフォルトの3.0の重みを本番環境や商用目的で使用する計画がある場合、それは許可されていません。本格的なものを構築する前に、リポジトリのライセンス更新を必ず確認してください。

TimesFM 3.0を始める

PythonとPyTorchに慣れていれば、インストールは簡単です：

または、コードを取得してローカルにインストールする場合：

単変量予測の簡単な例

READMEに記載されている最小限の例です。長さの異なるいくつかの系列を分位数とともに予測する方法を示しています：

TimesFMは、同じバッチ内で異なるコンテキスト長の2つの系列を処理できます（一方は100ステップ、もう一方は72ステップ）。そして両方に対して次の12ステップを予測します。さらに、9つの分位数（0.1〜0.9）を返すため、予測の不確実性を把握するのに便利です。

共変量を用いた多変量予測

複数の関連するシグナル（たとえば3つの異なる店舗の売上チャネル）を扱う場合、それらを同時に予測できます。以下はREADMEの例を要約したものです：

モデルは、次の24ステップにわたる3つの変数すべての結合予測に加え、各変数と各期間の分位数を出力します。このようなネイティブな多変量サポートにより、各系列を個別に扱うよりも、関連する時系列のシステム全体をはるかに簡単に予測できます。

振り返り：2.5での変更点

3.0の前の2.5リリース（2025年9月）では、すでにいくつかの注目すべき改善が行われていました。モデルを500Mパラメータから200Mパラメータに縮小し、最大コンテキスト長を2048ステップから16kステップに拡大し、最大1,000ステップまでの連続予測を可能にするオプションの分位数ヘッドを追加しました。また、頻度インジケータを削除し、入力形式を簡素化しました。2.5チェックポイントを使用していてファインチューニングしたい場合、リポジトリにはHuggingFace Transformers + PEFT（LoRA）を使用したパラメータ効率の良いファインチューニングの例に加えて、ユニットテストとエージェントスキルも含まれています。

TimesFMはどこで使えるのか？

Googleはまた、TimesFMをいくつかのファーストパーティ製品に組み込んでいます：

それ以外のユーザーは、オープンソース版をPyPIからインストールして、自分のインフラで実行できます。

まとめ

TimesFM 3.0は、オープンな時系列予測にとって、本当に大きな前進のように思えます。共変量を伴う多変量系列を扱える能力と、トップクラスのベンチマーク結果を組み合わせることで、幅広い予測問題に対して強力な基盤となります。製品で使用する予定がある場合は、非商用の重みライセンスに注意してください。

興味があれば、TimesFM GitHubリポジトリにアクセスして、実際にサンプルを試してみてください。数行のPythonコードで予測を始められます。