Google Research는 2026년 8월 31일, 매출이나 방문자 수, 날씨, 판촉 일정 등 시간의 흐름에 따라 변화하는 여러 데이터를 조합해 미래를 예측할 수 있는 시계열 기반 모델 'TimesFM-3'를 공개했다. 기존 모델이 주로 단일 시계열을 다루었던 것과 달리, TimesFM-3는 여러 시계열이나 날씨 예보, 판촉 일정 등을 동시에 다루는 '다변량 시계열 예측'을 네이티브로 지원한다.
모델은 3억 3000만 개의 파라미터를 보유하고 있으며, 실세계 및 합성 데이터로 구성된 1조 개 이상의 타임포인트로 사전 학습했다. 개별 예측 타스크를 위한 추가 학습(파인 튜닝)을 거치지 않고도 예측할 수 있는 '제로샷'을 지원한다.
## 여러 시계열 및 외부 요인을 동시에 활용
TimesFM은 Google Research가 2024년에 발표한 시계열 기반 모델이다. TimesFM-2.5까지의 모델 본체는 1개의 시계열을 개별적으로 예측하는 '단변량 예측'을 전제로 하고 있었다.
**■ 판촉 일정을 공변량으로 활용한 TimesFM-3의 예측 예시. 파란색 선이 다변량 예측, 빨간색 선이 단변량 예측이며, 하단의 주황색 띠는 판촉일을 나타낸다**
한편, 실제 수요 예측 등에서는 1가지 종류의 데이터만으로 미래가 결정된다고 볼 수 없다. Google Research는 예시로 아이스크림 판매량을 예측하는 경우를 들었다. 과거의 판매량 외에도 관련 상품의 판매 현황, 과거의 방문객 수, 미래의 날씨 예보, 판촉 캠페인, 공휴일 등도 판매량에 영향을 미칠 가능성이 있다.
구체적으로는 관련된 여러 시계열을 동시에 예측하는 'Multiple targets', 과거의 방문객 수처럼 과거에 대해서만 알고 있는 'Past covariates', 날씨 예보나 예정된 판촉 캠페인처럼 미래의 값도 알고 있는 'Past-future(dynamic) covariates'를 지원한다.
Google Research가 제시한 예시에서는 미래의 판촉 일정을 TimesFM-3에 입력함으로써, 판촉일에 약 20%의 매출 증가가 발생한다는 예측을 생성했다.
## 미래의 예측 범위를 1회의 처리로 생성
TimesFM-3는 기존 TimesFM과 마찬가지로 디코더로만 구성된 Transformer 아키텍처를 기반으로 한다. 시계열 데이터를 32 타임스텝씩의 '패치', 즉 일정 구간 단위의 묶음으로 나누어 처리한다.
새로이 시간 방향의 관계를 포착하는 'Causal temporal attention'과 서로 다른 시계열 간의 관계를 포착하는 'Full variate attention'을 교대로 적용하는 방식을 채택했다. 이를 통해 시간을 따른 패턴과 여러 시계열 간의 관계를 동시에 학습한다.
**■ TimesFM-3의 아키텍처. 시간 방향의 관계를 포착하는 Causal Temporal Attention과 여러 시계열 간의 관계를 다루는 Full Variate Attention을 교대로 적용한다**
예측 방법도 변경했다. 기존 모델에서는 미래의 값을 패치 단위로 순차 생성했지만, TimesFM-3에서는 'Contiguous Patch Masking'이라 불리는 기법을 사용해 미래의 예측 기간 전체를 1회의 처리로 한꺼번에 생성한다.
각 시점에 대해 10%부터 90%까지 9개의 분위수를 예측할 수 있으며, 미래 값뿐만 아니라 예측의 불확실성도 표현한다. ## 3개 공개 벤치마크에서 최상위 Google Research는 시계열 예측 공개 벤치마크인 'GIFT-Eval', 'FEV-Bench', 'TIME'을 사용하여 TimesFM-3를 평가했다.
해당 회사에 따르면, 비교 대상이 된 사전 학습된 기반 모델 중 TimesFM-3는 3개 벤치마크 모두에서 점 예측과 확률 예측 모두 최상위를 차지했다. 비교 대상에는 다변량 예측을 지원하는 Chronos-2와 Toto 2.0 시리즈, 기존 모델인 TimesFM-2.5 등이 포함된다.
**■ TIME 벤チマークにおけるTimesFM-3と他の時系列基盤モデルの比較** -> **■ TIME 벤치마크에서 TimesFM-3와 다른 시계열 기반 모델의 비교**
복수의 시계열이나 외부 정보를 사용하지 않는 단변량 모드에서도 다른 비교 모델과 동등 이상의 결과를 보였으며, 다변량 모드에서는 시계열 간 정보와 공변량을 활용함으로써 평균 순위가 더욱 개선되었다고 전했다.
TimesFM-3는 현재 GitHub와 Hugging Face에 공개되어 있다. TimesFM-3의 사전 학습된 가중치에는 'TimesFM Non-Commercial License v1.0'이 적용되며, 비상업적·비프로덕션 용도로 한정된다.
또한 Google Research는 TimesFM-3를 BigQuery에 통합하여 향후 수주 이내에 제공할 예정이다.
:::box 관련 기사: Google 연구진, 500만 명·1조 분 이상의 웨어러블 데이터로 건강 AI 기반 모델 'SensorFM' 개발 35가지 건강 지표 예측 ::: :::box 관련 기사: LLM 활용으로 시계열 데이터의 예측 정밀도 향상: 뉴스 기사나 이벤트 정보 등의 텍스트 데이터와 수치 데이터를 통합하는 새로운 기法 ::: :::box 관련 기사: AI는 시계열 데이터를 수치의 나열보다 그래프로 보는 편이 이해도가 높아진다: 멀티모달 LLM으로 성능을 최대 150% 향상시키는 새로운 기法──Google 연구팀 ::: :::box 관련 기사: Google, 기상 예보 AI 'WeatherNext 2' 발표──기존 모델 대비 8배 속도로 예보를 생성하고 최대 1시간까지의 해상도를 구현 :::
원문 보기 | 출처: Ledge.ai