Neues KI-Modell TimesFM-3 von Google verbessert multivariate Zeitreihenprognosen

Googles TimesFM-3: Ein neuer Ansatz für präzise Zukunftsprognosen

Google Research hat mit der Einführung von TimesFM-3 ein fortschrittliches KI-Modell vorgestellt, das darauf abzielt, die Genauigkeit von Zeitreihenprognosen signifikant zu verbessern. Dieses Modell repräsentiert eine Weiterentwicklung früherer TimesFM-Iterationen und zeichnet sich durch seine Fähigkeit aus, eine Vielzahl von Datenpunkten – von Verkaufszahlen über Wetterbedingungen bis hin zu geplanten Rabattaktionen – gemeinsam zu analysieren, um präzisere Vorhersagen zu treffen.

Von univariat zu multivariat: Die Evolution der Prognosemodelle

Die Notwendigkeit, mehrere Variablen in Prognosen zu berücksichtigen, ist in der realen Welt allgegenwärtig. Traditionell basierten viele Modelle auf univariaten Analysen, bei denen lediglich eine einzelne Zeitreihe zur Vorhersage herangezogen wurde. Google verdeutlicht dies am Beispiel einer Einzelhandelskette, die den Eiscremeabsatz prognostizieren möchte. Eine fundierte Vorhersage sollte nicht nur vergangene Verkaufsdaten umfassen, sondern auch Faktoren wie den Absatz verwandter Produkte (z.B. Waffeln, Sirup), die historische Kundenfrequenz, Wettervorhersagen, geplante Rabattkampagnen und Feiertage. Frühere Versionen der TimesFM-Modelle, einschliesslich TimesFM-2.5, waren auf univariate Prognosen beschränkt und konnten somit diese komplexen Abhängigkeiten nicht umfassend abbilden. TimesFM-3 überwindet diese Limitation, indem es von Grund auf für multivariate Prognosen konzipiert wurde.

Architektur und Funktionsweise von TimesFM-3

TimesFM-3 basiert auf der bewährten Transformer-Architektur, die auch in anderen modernen KI-Modellen zum Einsatz kommt. Eine zentrale Neuerung ist die Gruppierung von 32 aufeinanderfolgenden Datenpunkten zu einem sogenannten "Patch". Jede Zeitreihe wird zudem normalisiert, um Messgrössen unterschiedlicher Skalierungen direkt vergleichbar zu machen. Das Modell verarbeitet Daten in zwei alternierenden Richtungen:

• Kausale zeitliche Aufmerksamkeit: Hierbei werden Muster innerhalb einer einzelnen Zeitreihe analysiert, wobei strikt darauf geachtet wird, nur auf vergangene Werte zuzugreifen, um Datenlecks zu vermeiden.
• Volle variate Aufmerksamkeit: Diese Komponente ermöglicht es dem Modell, zu einem bestimmten Zeitpunkt alle anderen Zeitreihen im Datensatz zu berücksichtigen und somit komplexe Korrelationen zwischen verschiedenen Reihen zu erkennen. Dies könnte beispielsweise die Auswirkung einer Rabattaktion auf ein Produkt auf den Absatz eines anderen Produkts umfassen.

Mit 330 Millionen Parametern und einem Training auf über einer Billion Zeitpunkte aus realen und synthetischen Zeitreihen ist TimesFM-3 in der Lage, auch ohne spezifisches Fine-Tuning für neue Aufgaben präzise "Zero-Shot"-Prognosen zu liefern.

Integration verschiedener Datenquellen für umfassende Prognosen

Das Modell ist in der Lage, drei Arten von ergänzenden Daten zu verarbeiten:

• Mehrere Zielvariablen: TimesFM-3 kann simultan mehrere verwandte Variablen vorhersagen, beispielsweise verschiedene Eissorten.
• Vergangene Kovariaten: Es integriert Faktoren, die nur für die Vergangenheit bekannt sind, wie zum Beispiel die historische Kundenfrequenz.
• Bekannte zukünftige Ereignisse: Das Modell nutzt Informationen über geplante Ereignisse wie Rabattaktionen oder Wettervorhersagen, die in der Zukunft liegen.

Anstatt lediglich einen einzelnen Punktwert zu prognostizieren, gibt TimesFM-3 für jeden Zeitschritt neun Werte aus. Diese Quantile ermöglichen eine Darstellung der Bandbreite und Unsicherheit der Vorhersage, was für fundierte Geschäftsentscheidungen von grosser Bedeutung ist.

Revolutionäre "One-shot"-Prognosemethode

Ein wesentlicher Fortschritt von TimesFM-3 ist die Abkehr von der schrittweisen Prognosemethode früherer Modelle. Diese inkrementellen Ansätze waren oft langsam, rechenintensiv und neigten zur Akkumulation von Fehlern. TimesFM-3 verfolgt stattdessen einen "One-shot"-Ansatz: Alle zukünftigen Zeitpunkte werden als leere Felder markiert und in einem einzigen Durchlauf gefüllt. Dies reduziert nicht nur die Rechenzeit erheblich, sondern minimiert auch die Fehlerakkumulation.

Googles Beispiel mit dem Eiscremeabsatz veranschaulicht den Nutzen dieser Methode eindrücklich. Ein Modell, das nur historische Verkaufsdaten kennt, würde lediglich das übliche Wochenmuster fortsetzen. TimesFM-3 hingegen, das mit dem Rabattplan gefüttert wird, kann aus historischen Daten lernen, wie sich Werbeaktionen auf die Nachfrage auswirken, und prognostiziert an Aktionstagen einen Anstieg des Absatzes um etwa 20 Prozent.

Führende Leistung auf Benchmarks

Die Leistungsfähigkeit von TimesFM-3 wurde auf drei umfassenden öffentlichen Benchmarks – Gift-Eval, FEV-Bench und Time – evaluiert. Google zufolge erreichte das Modell auf allen dreien die Spitzenposition unter den vorab trainierten Prognosemodellen, sowohl hinsichtlich der Punktgenauigkeit als auch der Unsicherheitskalibrierung. Zu den verglichenen Modellen gehören namhafte Konkurrenten wie Amazons Chronos-2, die Toto-2.0-Familie und Googles eigenes TimesFM-2.5. Selbst im univariaten Modus, also ohne die Nutzung zusätzlicher Kovariaten, konnte TimesFM-3 die Leistung der Konkurrenzmodelle erreichen oder übertreffen. Die Integration weiterer Daten vergrössert diesen Leistungsvorsprung zusätzlich.

Verfügbarkeit und zukünftige Integration

TimesFM-3 ist bereits auf Plattformen wie GitHub und Hugging Face verfügbar. Darüber hinaus plant Google, das Modell in den kommenden Wochen in BigQuery zu integrieren. Dort wird TimesFM-2.5 bereits für univariate Prognoseaufgaben über den AI.FORECAST-Befehl genutzt. Seit der Einführung der TimesFM-Familie im Jahr 2024 wurden die Modelle in verschiedenen Sektoren wie dem Einzelhandel, der Finanzbranche, der Fertigung, dem Gesundheitswesen und den Naturwissenschaften eingesetzt. Die multivariate Unterstützung von TimesFM-3 stellt einen bedeutenden Fortschritt für diese Anwendungen dar.

Google engagiert sich auch in der Entwicklung weiterer Prognosemodelle jenseits von Zeitreihen. Ein Beispiel hierfür ist WeatherNext Cyclones von Google DeepMind, ein Open-Source-KI-System, das präzisere Vorhersagen von Zugbahnen und Intensitäten tropischer Wirbelstürme ermöglicht.

Fazit

TimesFM-3 von Google Research markiert einen wichtigen Meilenstein in der Entwicklung von KI-gestützten Prognosemodellen. Durch die Fähigkeit, multiple Datentypen zu integrieren und komplexe Zusammenhänge zu erkennen, bietet es Unternehmen und Organisationen ein leistungsstarkes Werkzeug zur Verbesserung ihrer Planungs- und Entscheidungsprozesse. Die "One-shot"-Prognosemethode und die überlegene Leistung auf unabhängigen Benchmarks unterstreichen das Potenzial dieses Modells, die Art und Weise, wie wir zukünftige Ereignisse vorhersagen und darauf reagieren, grundlegend zu verändern.

Bibliography: - "Google's new AI model predicts the future from sales data, weather, and discount schedules", The Decoder, 12. September 2026. - "TimesFM-3: A zero-shot foundation model for multivariate forecasting", Google Research Blog, 03. September 2026. - "Google unveils 'future forecasting AI' that jointly analyses sales, weather and customer numbers", Digital Today, 02. September 2026. - "Google has unveiled 'TimesFM-3,' an AI that predicts the future using multiple data points such as sales and weather, and it can make predictions without additional training.", GIGAZINE, 01. September 2026. - "Google TimesFM-3 adds multivariate forecasting", Datanorth, 01. September 2026. - "Google releases TimesFM-3, an AI model that forecasts using sales data, weather, and planned events", Complete AI Training, 12. September 2026. - "Google’s TimesFM-3 Adds Known Future Events to Zero-Shot Forecasting | Superpower Daily", Superpower Daily, 31. August 2026. - "Google Releases TimesFM-3, a Foundation Model That Reads Sales and Weather Together | claypier", Claypier, 04. September 2026. - "Google's New AI Model Predicts the Future From Sales Data, Weather, and Discount Schedules", Ground.news, 12. September 2026.