TimesFM-3 учитывает внешние факторы при прогнозе временных рядов
Модель Google Research прогнозирует показатели вроде продаж по истории и связанным данным: погоде, скидкам, праздникам и посещаемости. Это расширяет прогноз с одного ряда до набора взаимосвязанных сигналов.
Прогноз по нескольким показателям
Google Research представила TimesFM-3 — модель временных рядов, которая прогнозирует будущие значения, используя не только прошлую историю показателя, но и связанные данные. Для розничных продаж такими сигналами могут быть посещаемость магазинов, погода, праздники, скидки или динамика продаж сопутствующих товаров.
Модель на архитектуре Transformer группирует по 32 последовательных значения и анализирует связи двумя способами: закономерности во времени и зависимости между разными показателями в один момент. Это позволяет учитывать, например, как акция на один товар может соотноситься со спросом на другой.
Что даёт контекст
Для прогноза на практике важно знать, какие внешние данные доступны и известны заранее. Календарь праздников или запланированные скидки могут быть полезны, тогда как неизвестное будущее значение фактора нельзя подставить как установленный факт.
TimesFM-3 описана как средство прогнозирования, а не гарантия точности. Качество зависит от данных, выбранного горизонта и того, насколько связи из обучающих примеров подходят конкретной задаче.
TimesFM-3 содержит 330 млн параметров и обучалась на реальных и синтетических рядах общим объёмом более триллиона значений. Модель не требует дополнительного обучения под новую задачу и выдаёт девять возможных значений на каждый шаг, чтобы показать диапазон прогноза.
В тесте Google со спросом на мороженое модель с расписанием скидок предсказала примерно на 20% больше продаж в акционные дни; вариант только с историческими данными продолжил обычный недельный шаблон. Google сообщает о первых местах TimesFM-3 на тестах Gift-Eval, FEV-Bench и Time — это заявление разработчика о выбранных бенчмарках.