TimesFM-3: A zero-shot foundation model for multivariate forecasting
Oleh Zai · Let's Make It Easy
Dipublikasikan 2026-09-01
TimesFM-3 adalah foundation model Google Research untuk forecasting time series multivariat. Berbeda dari model yang hanya melihat satu deret angka, model ini dirancang untuk me...
TimesFM-3 adalah foundation model Google Research untuk forecasting time series multivariat. Berbeda dari model yang hanya melihat satu deret angka, model ini dirancang untuk memprediksi beberapa deret yang saling berkaitan dalam satu proses. Contohnya bisa berupa penjualan beberapa produk, traffic beberapa layanan, atau sensor yang bergerak bersama.
1. Apa yang berubah di TimesFM-3?
Google menyebut TimesFM-3 memiliki 330 juta parameter dan dilatih pada korpus time series real-world serta sintetis yang mencakup lebih dari satu triliun titik data. Model ini juga dipretrain untuk skenario multivariat, jadi pengguna tidak harus melakukan fine-tuning khusus untuk setiap dataset. TimesFM-3 dapat menerima beberapa target sekaligus, termasuk covariate masa lalu dan covariate yang nilainya sudah diketahui untuk masa depan.
Perubahan ini penting karena banyak masalah forecasting memang tidak berdiri sendiri. Permintaan sebuah produk dapat berkaitan dengan produk lain. Beban server dipengaruhi oleh pola traffic, jadwal rilis, dan event tertentu. Kalau setiap sinyal diprediksi terpisah, hubungan antar-sinyal bisa hilang.
2. Zero-shot bukan berarti tanpa persiapan
Istilah zero-shot berarti model dapat digunakan tanpa task-specific fine-tuning. Itu tidak menghapus pekerjaan data engineering. Dataset tetap perlu memiliki format waktu yang masuk akal, missing value perlu dipahami, dan covariate masa depan hanya boleh dipakai jika informasinya memang tersedia ketika prediksi dibuat. Forecast yang terlihat rapi tetap bisa salah jika data input bocor atau distribusinya berubah.
Google juga melaporkan performa TimesFM-3 pada beberapa benchmark, tetapi angka benchmark bukan jaminan performa di data operasional kita. MarkTechPost merangkum klaim bahwa model ini menduduki peringkat tinggi pada GIFT-Eval, fev-bench, dan TIME leaderboard. Itu berguna sebagai sinyal awal, bukan pengganti backtest dengan data sendiri.
3. Apa yang perlu diuji?
Untuk mencoba model ini, mulai dari baseline sederhana seperti seasonal naive atau model statistik yang sudah dipakai tim. Bandingkan error per target, bukan hanya rata-rata. Uji juga periode promosi, perubahan traffic, dan kondisi dengan missing data. Repository TimesFM dan halaman Google Research bisa menjadi titik awal implementasi.
Kesimpulannya, TimesFM-3 menarik karena membawa pendekatan foundation model ke forecasting multivariat. Nilai praktisnya baru terlihat setelah model dibandingkan dengan baseline dan diuji pada pola data yang benar-benar kita punya. Google juga menyebut dukungan untuk point forecast dan quantile forecast. Dua keluaran ini berguna untuk kebutuhan yang berbeda: satu memberi estimasi titik, sementara yang lain membantu membaca rentang ketidakpastian. Tetap cek definisi metrik dan horizon prediksi sebelum membandingkan hasilnya dengan model lama. Untuk layanan yang punya biaya salah prediksi tinggi, interval ketidakpastian bisa lebih berguna daripada satu angka yang tampak pasti.
Referensi: https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/