销量、流量、能源一起算：TimesFM-3把多变量预测做成了什么样

你要预测下个月的冰淇淋销量，手里通常不只有一列销量数据：客流量、甜筒销量、促销日、天气预报、节假日都可能影响结果。

如果模型只看销量历史，它只能猜出季节性；如果把这些相关数据一起交给模型，预测就有机会接近真实业务。 TimesFM-3 解决的就是这个问题：同时处理多条时间序列，也接收未来已经知道的外部变量。

先说结论：它适合拿来做什么

TimesFM-3 是 Google Research 推出的时间序列基础模型。当前公开仓库已经提供 3.0 版本的代码和模型入口，面向的是销售、需求、流量、能源、金融、制造、医疗等带有时间变化的数据。

它可以做三类事：

这里的“零样本”不是说不需要数据。你仍然要准备格式正确的历史数据，也要决定哪些列是预测目标、哪些列是辅助变量。它省掉的是针对每个任务重新训练一套模型的步骤，不是省掉数据清洗和结果检查。

以前的 TimesFM 版本主要做单变量预测：输入一条曲线，向后推一段结果。 TimesFM-3 原生支持多变量输入，模型会同时看不同序列之间的关系。

它还换了推理方式。传统自回归模型通常一步一步生成未来值，预测越长，延迟和误差累积越明显。 TimesFM-3 把未来区间先放成待预测的位置，再一次性生成整个预测范围。对需要频繁滚动预测的场景，这会减少反复调用模型的次数。

模型会输出点预测，也会输出从第 10 百分位到第 90 百分位的 9 组分位数。简单说，你得到的不只是“下周销量大约是多少”，还可以看到预测区间有多宽。采购、排班和库存决策更关心后一个问题。

Google 给出的示例很直观：一条曲线记录历史销量，另一组数据记录未来哪些日期会做促销。

只看销量历史的模型，通常只能延续过去的周规律；加入促销排期后，模型可以从历史数据里学习“促销和销量变化之间的关系”，再把这种关系用于未来日期。示例中，促销日的预测销量出现了约 20% 的抬升。

这个数字只能当作示例中的结果，不能直接套到你的商品上。不同品类、价格、渠道和促销力度，都会改变促销带来的变化。

TimesFM-3 有 3.3 亿参数，预训练数据超过 1 万亿个时间点。官方文章称，它在 GIFT-Eval 、 FEV-Bench 和 TIME 三个公开评测中，在预训练基础模型里取得了最高平均排名，同时覆盖点预测和概率预测指标。

这说明它在公开数据集上很能打，但不等于它在你的业务数据上一定最好。评测结果受数据集、预测长度、变量选择和对比模型影响。真正上线前，至少要拿自己的历史数据做回测，并和现有方法对比：误差有没有下降，预测区间是否可信，推理成本是否能接受。

TimesFM-3在GIFT-Eval上的评测结果

TimesFM-3在FEV-Bench上的评测结果

可以把它看成一个更懂“上下文”的预测器。

只给它一列销售额，它只能从销售额本身找规律；再给它客流、库存、活动排期和天气，它才有机会把这些因素放进同一个预测里。最后的效果，取决于你提供的数据是否对齐，未来变量是否真的提前可知，以及历史里是否包含足够多的类似情况。

它不能替你解决这些问题：

预测模型只负责给出一个估计。业务人员还要决定错一次的成本是多少，以及应该按预测区间的上限还是中位数备货。

代码仓库的源代码采用 Apache-2.0 。需要特别留意的是，TimesFM-3 预训练权重单独使用 timesfm-non-commercial-license-v1.0，限制为非商业、非生产用途。也就是说，下载代码、跑通示例，不等于可以把默认权重直接接进收费产品或生产系统。

当前仓库提供 PyTorch 模型入口，模型权重放在 Hugging Face；仓库还列出了 BigQuery ML 和 Vertex AI Model Garden 等 Google 产品入口。实际使用时，要分别核对模型权重许可、云服务费用、数据传输和企业内部合规要求。

如果你手上有多条同步的时间序列，并且能拿到促销、节假日或天气这类未来信息，TimesFM-3 值得做一次离线回测。先选一个具体问题，例如“预测未来四周的门店销量”，不要一上来就把所有指标都塞进去。

如果你只有一条很短、很脏、经常改口径的数据，先整理数据和评测方法，往往比换模型更重要。 TimesFM-3 的优势在于能把多种时间信息放在一起，不在于它能替你猜中所有变化。

想试代码，可以从Google Research 的 TimesFM 仓库开始；TimesFM-3模型入口在Hugging Face。