TimesFM 3.0: Google의 시계열 예측 모델, 대형 업그레이드

시계열 예측은 재고 계획부터 에너지 부하 예측, 금융 리스크에 이르기까지 많은 결정을 조용히 뒷받침하는 작업 중 하나입니다. 하지만 처음부터 정확한 예측 모델을 만드는 것은 매우 어렵기로 유명하죠. 텍스트에 GPT를 사용하는 것처럼, 설치 후 바로 사용할 수 있는 사전 학습 모델을 다운로드할 수 있다면 어떨까요? Google Research의 TimesFM이 바로 그 아이디어를 구현한 모델입니다.

TimesFM이란 무엇인가?

TimesFM(Time Series Foundation Model)은 시계열 예측을 위해 특별히 설계된 디코더 전용 파운데이션 모델입니다. 이 모델은 ICML 2024에서 발표된 논문 A decoder-only foundation model for time-series forecasting에서 처음 소개되었습니다. 단어 대신 과거 데이터 포인트의 시퀀스로 학습되며, 사전 학습을 마치면 특별한 커스텀 학습 없이도 다양한 종류의 시계열의 미래 값을 예측할 수 있습니다.

TimesFM 3.0을 소개합니다

2026년 8월로 건너뛰어 보겠습니다. (네, 프로젝트가 정말 빠르게 진행되고 있습니다.) Google은 TimesFM 3.0을 출시했습니다. 지금까지 가장 큰 업데이트이며, 세 가지 주요 개선 사항이 추가되었습니다:

이를 입증하는 벤치마크 결과

리드미에는 상당히 인상적인 벤치마크 순위가 명시되어 있습니다:

세 가지 주요 시계열 파운데이션 모델 벤치마크 모두에서 최상위를 차지한 것은 TimesFM이 이 분야에서 가장 널리 쓰이는 범용 모델이 되었음을 강력히 시사합니다.

하지만 라이선스에 주의하세요

상용 제품에서 TimesFM 3.0을 사용하려면 반드시 알아야 할 조건이 있습니다. 소스 코드는 Apache-2.0 라이선스로 제공되며, 버전 2.5까지의 모델 가중치도 Apache-2.0입니다. 그러나 TimesFM 3.0의 사전 학습 가중치는 별도의 비상업적(non-commercial) 라이선스로 배포됩니다. 즉, 프로덕션 환경이나 상업적 용도로 기본 3.0 가중치를 사용하려고 한다면 그렇게 할 수 없습니다. 무언가 본격적인 것을 만들기 전에 저장소에서 라이선스 업데이트를 꼭 확인하세요.

TimesFM 3.0 시작하기

Python과 PyTorch를 이미 잘 알고 있다면 설치는 간단합니다:

또는 코드를 내려받아 로컬에서 설치할 수도 있습니다:

단변량 예측 간단 예제

다음은 길이가 다른 두 시계열을 분위수와 함께 예측하는 방법을 보여주는 리드미의 최소 예제입니다:

TimesFM은 동일한 배치에 포함된 서로 다른 컨텍스트 길이의 시계열 두 개(하나는 100스텝, 다른 하나는 72스텝)를 입력받아 두 시계열 모두에 대해 다음 12스텝을 예측할 수 있습니다. 게다가 0.1부터 0.9까지 9개의 분위수를 반환하므로 예측 불확실성을 파악하는 데 매우 유용합니다.

공변량을 사용한 다변량 예측

여러 관련 신호를 다룬다면(예: 서로 다른 세 개의 매장 판매 채널) 이들을 동시에 예측할 수 있습니다. 다음은 리드미에 있는 예제를 간추린 버전입니다:

모델은 세 변수 모두에 대해 향후 24스텝의 공동 예측과 각 변수 및 예측 지평선에 대한 분위수를 출력합니다. 이처럼 다변량을 기본적으로 지원하면 각 시계열을 개별적으로 처리하는 대신 서로 연관된 시계열 시스템 전체를 훨씬 쉽게 예측할 수 있습니다.

돌아보기: 2.5에서 변경된 사항

3.0 이전의 2.5 릴리스(2025년 9월)는 이미 몇 가지 주목할 만한 개선을 포함하고 있었습니다. 모델 파라미터 수를 5억(500M) 개에서 2억(200M) 개로 줄였고, 최대 컨텍스트 길이를 2048스텝에서 16,000스텝으로 확장했으며, 선택적 분위수 헤드를 추가해 최대 1,000스텝까지 연속 예측할 수 있게 되었습니다. 또한 주파수 표시자를 제거해 입력 형식을 단순화했습니다. 2.5 체크포인트를 사용 중이고 이를 미세 조정하려는 경우, 저장소에는 이제 HuggingFace Transformers + PEFT(LoRA)를 이용한 파라미터 효율적 미세 조정 예제와 단위 테스트, 에이전트 스킬이 포함되어 있습니다.

TimesFM은 어디에 사용할 수 있나요?

Google은 또한 TimesFM을 몇 가지 자사 제품에 통합했습니다:

그 외의 경우, 오픈소스 버전을 PyPI에서 설치해 자체 인프라에서 실행할 수 있습니다.

마무리

TimesFM 3.0은 공개 시계열 예측 분야에서 확실히 큰 진전으로 보입니다. 공변량을 포함한 다변량 시계열을 처리하는 능력과 최상위 벤치마크 결과가 결합되어 다양한 예측 문제를 해결하는 강력한 기반을 제공합니다. 제품에 사용할 계획이라면 비상업적 가중치 라이선스에 주의하세요.

궁금하다면 TimesFM GitHub 저장소에서 직접 예제를 실행해 보세요. 몇 줄의 Python 코드만으로 예측을 시작할 수 있습니다.