Google Research hat TimesFM-3 vorgestellt, ein KI-Modell, das aus Zeitreihen wie täglichen Verkaufszahlen die Zukunft vorhersagen soll. Es wertet dabei auch verwandte Daten und bekannte Zukunftsereignisse aus.
Google veranschaulicht den Ansatz an einer Einzelhandelskette, die ihren Eiscremeverkauf vorhersagen will. Eine gute Prognose sollte verwandte Produkte wie Eiswaffeln oder Sirup einbeziehen, dazu den früheren Kundenandrang im Laden sowie Wetter, Rabattaktionen und Feiertage.
TimesFM-3 baut auf einem Transformer auf, derselben Grundarchitektur wie seine Vorgänger. Es fasst jeweils 32 aufeinanderfolgende Messwerte zu einem Block zusammen und rechnet jede Reihe auf eine einheitliche Skala um. So lassen sich Messgrößen unterschiedlicher Größenordnung vergleichen.
Das Modell verknüpft die Daten in zwei abwechselnden Richtungen. Entlang der Zeitachse sucht es Muster im Verlauf einer einzelnen Reihe und greift dabei nur auf vergangene Werte zu, um sich nicht unerlaubt aus der Zukunft zu bedienen. Quer dazu vergleicht es zu einem Zeitpunkt alle Reihen und lernt, wie sie zusammenhängen. So erkennt es etwa, wie eine Rabattaktion bei einem Produkt den Absatz eines anderen beeinflusst.
Blau markiert die Zielreihen, lila eine nur historisch bekannte Größe und grün ein bekanntes Zukunftsereignis, dessen Token bereits kommende Patches einschließt. | Bild: GoogleTimesFM-3 verfügt über 330 Millionen Parameter und wurde laut Google mit echten und künstlich erzeugten Zeitreihen aus mehr als einer Billion Messpunkten trainiert. Wie seine Vorgänger arbeitet es "zero-shot" und benötigt für eine neue Aufgabe kein zusätzliches Training.
Das Modell verarbeitet drei Arten von Zusatzdaten. Es sagt mehrere verwandte Messgrößen gleichzeitig vorher, etwa unterschiedliche Eissorten. Es bezieht Faktoren ein, die nur für die Vergangenheit vorliegen, wie den früheren Kundenandrang. Und es verwertet bekannte Zukunftsereignisse wie geplante Rabattaktionen oder Wetterprognosen. Statt eines einzelnen Schätzwerts gibt TimesFM-3 je Zeitpunkt neun Werte aus, die die Bandbreite und damit die Unsicherheit der Vorhersage abbilden.
Prognose in einem Rutsch statt Schritt für Schritt
Frühere Versionen ermittelten die Zukunft Block für Block, was laut Google Zeit und Rechenleistung kostete und Fehler anwachsen ließ, weil jede Vorhersage auf der vorherigen aufbaute. TimesFM-3 markiert alle künftigen Zeitpunkte zunächst als Leerstellen und füllt sie in einem einzigen Durchgang gleichzeitig aus.
Google zeigt den Nutzen am Eiscreme-Beispiel. Ein Modell, das nur vergangene Verkäufe kennt, setzt das übliche Wochenmuster fort und ahnt nichts von geplanten Aktionen. Bekommt TimesFM-3 den Rabattplan mit, lernt es aus der Vergangenheit, wie stark Aktionen den Absatz treiben, und rechnet an jedem Aktionstag mit rund 20 Prozent mehr Verkäufen.
Die blaue Prognose kennt den Rabattplan und rechnet an den orange markierten Aktionstagen mit rund 20 Prozent mehr Absatz, die rote setzt nur das übliche Wochenmuster fort. | Bild: GoogleSpitzenplatz in drei Vergleichstests
Auf den Benchmarks Gift-Eval, FEV-Bench und Time belegt TimesFM-3 laut Google unter allen vortrainierten Prognosemodellen den ersten Platz, bei der Treffgenauigkeit wie bei der Einschätzung der eigenen Unsicherheit. Als Konkurrenten nennt Google Chronos-2 von Amazon, die Toto-2.0-Familie und den eigenen Vorgänger TimesFM-2.5. Schon mit nur einer Messgröße erreicht oder übertrifft TimesFM-3 die Konkurrenz. Mit zusätzlichen Daten wächst der Vorsprung weiter.
Je weiter links und unten ein Modell liegt, desto besser trifft es. TimesFM-3 landet auf Gift-Eval deutlich vor der Konkurrenz, selbst wenn es nur eine einzelne Messgröße betrachtet. | Bild: Google
Auch auf dem zweiten Testsatz belegt TimesFM-3 den besten Durchschnittsrang, unten links im Diagramm. Amazons Chronos-2 kommt der eingeschränkten Variante von TimesFM-3 noch nahe, fällt gegen die volle Version aber deutlich zurück. | Bild: Google
Im dritten Testsatz liegt TimesFM-3 unten links und damit erneut vorn, gefolgt von der Toto-2.0-Familie. Der eigene Vorgänger TimesFM-2.5 landet rechts oben im hinteren Feld. | Bild: GoogleTimesFM-3 steht auf GitHub und Hugging Face bereit. In den kommenden Wochen soll das Modell in Googles Datenbankdienst BigQuery folgen, wo sich bislang die Vorgängerversion über den Befehl AI.FORECAST für einzelne Messgrößen nutzen lässt.
Seit dem Start 2024 setzt Google die Modellfamilie nach eigenen Angaben im Einzelhandel, im Finanzwesen, in der Fertigung, im Gesundheitswesen und in den Naturwissenschaften ein. Die Versionen bis TimesFM-2.5 vom September 2025 verarbeiteten jeweils nur eine Datenreihe.
Google arbeitet auch außerhalb der Zeitreihen an Prognosemodellen. Anfang August hat Google DeepMind mit WeatherNext Cyclones ein quelloffenes KI-System für tropische Wirbelstürme veröffentlicht, das Zugbahn und Intensität rund einen Tag weiter voraus vorhersagt als führende operative Modelle.
