A Google TimesFM-3 modellje értékesítési adatokból, időjárásból és akciókból készít előrejelzést

Röviden:

• A Google Research bemutatta a TimesFM-3 idősoros előrejelző modellt, amely több összefüggő adatforrást is figyelembe vesz.[^1]
• A modell a korábbi értékesítések mellett például az időjárás-előrejelzéseket, a tervezett kedvezményeket és az ünnepnapokat is feldolgozhatja.[^1]
• A Google szerint a rendszer három összehasonlító teszten is az első helyet érte el az előre betanított prognózismodellek között.[^1]
• A TimesFM-3 már elérhető nyílt forrású formában, és a tervek szerint később a BigQuery szolgáltatásba is bekerül.[^1][^2]

A Google Research új, TimesFM-3 nevű mesterségesintelligencia-modellje idősorok alapján készít előrejelzéseket. A rendszer nem kizárólag egyetlen adatsor múltbeli alakulását vizsgálja: a kapcsolódó termékek értékesítése, a korábbi bolti forgalom, az időjárás, valamint az előre ismert események, például a kedvezményes kampányok is beépülhetnek a becslésbe.[^1]

A TimesFM-3 több adatforrásból készít értékesítési előrejelzést

A Google a modell működését egy kiskereskedelmi példával szemléltette. Egy fagylaltértékesítést előrejelző rendszer számára nemcsak a korábbi napi eladási adatok lehetnek fontosak, hanem a tölcsérek és szirupok forgalma, a vásárlók korábbi száma, az ünnepnapok, az időjárás és a meghirdetett akciók is.[^1]

A TimesFM-3 Transformer-alapú architektúrára épül. Az adatsorokat 32 egymást követő mérési értékből álló blokkokra osztja, majd egységes skálára alakítja őket, hogy a különböző nagyságrendű mérések összevethetők legyenek.[^1]

Időbeli és keresztirányú összefüggések

A modell az egyes adatsorokon belül időbeli mintákat keres, miközben csak a korábbi értékekre támaszkodik. Emellett egy adott időpontban összeveti a különböző adatsorokat is, így felismerheti például, hogy egy termék kedvezményes ára hogyan befolyásolhatja egy másik termék értékesítését.[^1]

„A modell több kapcsolódó mérési sorozatot, kizárólag múltbeli kiegészítő adatokat és előre ismert jövőbeli eseményeket is feldolgozhat.”[^1]

A rendszer egyszerre több kapcsolódó célértéket is képes megbecsülni. Egy előrejelzési időponthoz kilenc kimeneti értéket ad, amelyek az előrejelzés lehetséges tartományát, vagyis a bizonytalanságát is jelzik.[^1]

A Google modellje egy menetben tölti ki a jövőbeli értékeket

A korábbi változatok a jövőbeli értékeket blokkonként, egymás után számították ki. A Google szerint ez nagyobb számítási igénnyel járt, és növelhette a hiba továbbterjedésének kockázatát, mert az újabb becslések a korábbi előrejelzésekre épültek.[^1]

A TimesFM-3 ezzel szemben a jövőbeli időpontokat először hiányzó értékként jelöli, majd egyetlen feldolgozási lépésben tölti ki őket. A fagylaltos példában a kedvezménytervet is ismerő változat az akciós napokon hozzávetőleg 20 százalékkal nagyobb forgalmat becsült, míg a kizárólag múltbeli eladásokból dolgozó modell a szokásos heti mintázatot folytatta.[^1]

330 millió paraméter és három összehasonlító teszt

A TimesFM-3 330 millió paraméterrel rendelkezik. A Google közlése szerint a modellt valós és mesterségesen előállított idősorokon, több mint ezermilliárd mérési pont felhasználásával tanították be.[^1]

A modell úgynevezett zero-shot módban működik, vagyis egy új előrejelzési feladathoz nem igényel külön utótanítást. A Google szerint a TimesFM-3 a Gift-Eval, a FEV-Bench és a Time teszten is az első helyet szerezte meg az előre betanított előrejelző modellek mezőnyében, mind a pontosság, mind a bizonytalanság becslése alapján.[^1]

A hivatkozott versenytársak között szerepel az Amazon által fejlesztett Chronos-2, a Toto-2.0 modellcsalád, valamint a Google korábbi TimesFM-2.5 modellje.[^1]

Nyílt hozzáférés és BigQuery-integráció

A Google a TimesFM-3 modellkódját és modellfájljait a GitHub és a Hugging Face felületén is elérhetővé tette.[^1][^2] A vállalat tervei szerint a modell a következő hetekben a BigQuery adatbázis-szolgáltatásban is megjelenik. A szolgáltatásban korábban a TimesFM-2.5 volt használható az AI.FORECAST parancson keresztül, egyetlen mérési sorozat előrejelzésére.[^1]

Összefoglaló

A TimesFM-3 fontos változása, hogy az egyetlen adatsorra épülő becslés helyett több, egymással összefüggő tényezőt kezelhet egyszerre. Ez különösen az olyan területeken lehet hasznos, ahol a keresletet ismert külső események, például időjárási változások, ünnepnapok vagy tervezett árkedvezmények is alakítják.[^1] A gyakorlati eredmények megítéléséhez ugyanakkor a független felhasználási tapasztalatok és a későbbi, valós üzemi mérések is lényegesek lesznek.

Forrás:

[^1]: THE DECODER (2026. szeptember 12.). „Googles neues KI-Modell sagt die Zukunft aus Verkaufszahlen, Wetter und Rabattplänen vorher”. THE DECODER. Közzétéve [2026. 09. 12. 09:14:05 +0000].

[^2]: Google Research. „TimesFM”. GitHub. Közzétéve [2026. 09. 12.].