TimesFM-3 : l'IA qui prédit l'avenir avec des données multiples en un seul coup

UN MODÈLE QUI RÉVOLUTIONNE LES PRÉVISIONS

Des scientifiques de Google Research viennent de présenter TimesFM-3, un modèle de base (ou foundation model) spécialisé dans les séries temporelles. Contrairement aux Outils classiques qui analysent une seule courbe à la fois, ce modèle traite plusieurs séries en même temps. Par exemple, il peut prédire les ventes de glaces en tenant compte des températures, des promotions et des ventes de produits associés. Les résultats dépassent largement ceux des autres modèles du marché.

POURQUOI LES SÉRIES TEMPORELLES SONT-ELLES SI DIFFICILES À PRÉDIRE ?

Une série temporelle, c’est comme un fil d’actualité : chaque point dépend des précédents. Mais dans la vraie vie, un seul fil ne suffit pas. Prenons l’exemple d’un glacier : ses ventes dépendent non seulement de son historique, mais aussi des températures, des promotions, des ventes de cornets ou de sirops. TimesFM-3 est conçu pour analyser toutes ces données en même temps, sans avoir besoin d’être réentraîné pour chaque nouvelle tâche.

DES PROGRÈS ENRAGES DEPUIS 2024

Google avait déjà sorti TimesFM en 2024, mais il ne gérait que des séries temporelles simples (une seule courbe à la fois). En septembre 2025, TimesFM-2.5 avait élargi ses capacités, mais restait limité. TimesFM-3 marque une rupture : il peut désormais traiter des scénarios complexes en une seule passe, sans réglage fin.

Avec ses 330 millions de paramètres, le modèle a été entraîné sur plus d’1 000 milliards de points de données, issus de séries réelles et synthétiques. Son secret ? Une architecture de transformeur (un type de réseau de neurones très efficace) optimisée pour les séries temporelles.

COMMENT FONCTIONNE TIMESFM-3 ?

Le modèle découpe les données en patches (des blocs de 32 points consécutifs). Chaque bloc est ensuite transformé en un « token » (un morceau de données compréhensible par l’IA). Pour les données futures connues (comme les jours fériés ou les promotions), le modèle utilise une astuce : il « regarde devant » en concaténant les patches actuels et futurs. Cela lui permet d’anticiper l’impact de ces événements sur les prévisions.

Une fois les données préparées, elles passent dans un réseau de transformeurs organisé en grille 2D. Ce système alterne entre deux types d’attention : l’une pour suivre les tendances dans le temps, l’autre pour analyser les liens entre les différentes séries. Le résultat ? Une compréhension globale des données.

UNE PRÉDICTION EN UN SEUL COUP, SANS ERREURS EN CASCADE

Les anciens modèles générant des prévisions patch par patch, ils accumulaient des erreurs au fil des étapes. TimesFM-3 évite ce problème grâce à une technique appelée Contiguous Patch Masking. Il génère toute la période de prévision en une seule passe, en masquant les parties inconnues (comme les ventes futures) et en laissant visibles les données futures connues (comme les promotions).

Le modèle produit ensuite 9 quantiles (du 10e au 90e percentile) pour chaque série cible. Cela donne une vision complète de l’incertitude des prévisions, comme un éventail de possibilités plutôt qu’un seul chiffre.

UN EXEMPLE CONCRET : PRÉVOIR LES VENTES DE GLACES

Imaginons que vous gérez une chaîne de magasins de glaces. Vous voulez prévoir les ventes du mois prochain pour organiser vos promotions. Un modèle classique (en rouge sur le graphique) se base uniquement sur l’historique des ventes et projette un schéma hebdomadaire. Mais il ignore tout des promotions prévues.

TimesFM-3 (en bleu) utilise une approche différente : en intégrant le calendrier des promotions comme une donnée future connue, il apprend à anticiper l’impact de ces événements. Résultat ? Une hausse de 20 % des ventes les jours de promotion. Sur le graphique, les blocs jaunes indiquent les jours de promotion, et la courbe bleue suit ces pics, contrairement à la courbe rouge.

DES PERFORMANCES RECORD SUR LES BENCHMARKS

Les chercheurs ont testé TimesFM-3 sur trois benchmarks publics majeurs : Gift-Eval, FEV-Bench et Time. Sur chacun d’eux, le modèle arrive en tête, que ce soit pour la précision des prévisions ponctuelles ou pour la qualité des prévisions probabilistes. Même en mode univarié (sans données externes), il surpasse les autres modèles. En mode multivarié, il fait encore mieux.

UNE ARCHITECTURE QUI FAIT LA DIFFÉRENCE

Le modèle repose sur une architecture de transformeur en deux dimensions. Les données sont organisées en grille, où chaque cellule représente un patch de la série temporelle. Les mécanismes d’attention alternent entre deux fonctions : l’une pour suivre les tendances temporelles, l’autre pour analyser les relations entre les séries. Cette double approche permet de capturer des dépendances complexes.

PAS BESOIN DE RÉGLAGES FINS : ZÉRO-SHOT

L’un des grands avantages de TimesFM-3 est son mode zero-shot. Cela signifie qu’il peut être utilisé directement, sans avoir besoin d’être réentraîné pour chaque nouvelle tâche. C’est comme un couteau suisse : il s’adapte à n’importe quelle série temporelle, qu’il s’agisse de ventes, de trafic web ou de données médicales.

OÙ TROUVER TIMESFM-3 ?

Le modèle est déjà disponible sur GitHub et Hugging Face. Une intégration avec BigQuery est prévue dans les semaines à venir. En attendant, vous pouvez tester TimesFM-2.5 sur vos tâches univariées via la commande AI.FORECAST dans BigQuery, sans besoin d’expertise en machine learning.

UNE COLLABORATION DE TALENTS

Ce projet est le fruit d’un travail collectif avec Yichen Zhou, Petros Mol, Abhimanyu Das et Samet Oymak. Une équipe qui repousse les limites de l’IA pour rendre les prévisions plus précises et accessibles.

EN BREF : POURQUOI TIMESFM-3 CHANGE LA DONNE ?

TimesFM-3 n’est pas qu’un modèle de plus : c’est une révolution. Voici pourquoi :

• Il traite plusieurs séries temporelles en même temps, comme un chef d’orchestre qui coordonne plusieurs instruments.
• Il anticipe l’impact des données futures connues (promotions, jours fériés) sans erreur en cascade.
• Il produit des prévisions probabilistes, avec 9 scénarios possibles pour chaque point.
• Il est prêt à l’emploi, sans réglage fin, grâce à son mode zero-shot.

Avec TimesFM-3, Google prouve que l’IA peut enfin comprendre la complexité du monde réel. Et cela ne fait que commencer.