Google presenta timesfm-3: un modelo de pronóstico de series temporales multivariadas con 330 millones de parámetros

Google Research ha presentado TimesFM-3, un modelo de base de aprendizaje sin supervisión diseñado para el pronóstico de series temporales multivariadas. El modelo, con 330 millones de parámetros, se ha preentrenado con más de 1 billón de puntos de tiempo y puede manejar múltiples objetivos, covariables pasadas y covariables pasadas-futuras sin un ajuste fino específico para la tarea. Supera a otros modelos en GIFT-Eval, fev-bench y el ranking TIME, obteniendo los primeros puestos tanto en métricas puntuales como probabilísticas. TimesFM-3 utiliza una arquitectura de transformador solo de decodificación con enmascaramiento de fragmentos contiguos, lo que le permite procesar los datos de forma eficiente. Agrupa puntos de tiempo contiguos en fragmentos de 32 pasos y aplica la normalización para gestionar diferentes escalas. El modelo también emplea un truco de anticipación para incorporar datos futuros, mejorando sus capacidades predictivas. Google destaca su aplicación en el pronóstico de las ventas de helado, teniendo en cuenta factores como el clima, las promociones y las festividades. Los pesos del modelo están disponibles bajo una licencia no comercial, que restringe su uso a entornos no de producción. Google anima a realizar pruebas, pero advierte contra su despliegue en APIs de producción. El lanzamiento incluye detalles técnicos, pesos del modelo en Hugging Face y un repositorio de GitHub para una mayor exploración.