TimesFM-3: 여러 변수와 미래 정보를 한 번에 예측하는 시계열 기반 모델
매출은 과거 매출만으로 결정되지 않는다. 날씨, 방문객 수, 할인 일정, 관련 상품의 판매량도 함께 움직인다. Google Research가 공개한 TimesFM-3는 이러한 변수의 관계를 사전 학습하고, 여러 시계열의 미래를 한 번의 순전파로 예측하는 모델이다.
TimesFM 계열은 2024년 처음 공개됐고, TimesFM-2.5는 2025년 9월 출시됐다. TimesFM-3의 핵심 변화는 다변량 예측을 처음부터 학습했다는 데 있다. 특정 기업의 데이터로 다시 훈련하지 않는 제로샷 방식으로 사용할 수 있어 적용 준비 시간을 줄일 수 있지만, 운영에 앞서 자사 데이터로 정확도와 안정성을 검증해야 한다.1
여러 시계열과 공변량을 함께 다룬다
TimesFM-3는 3억 3천만 개의 매개변수를 가진 다변량 시계열 기반 모델이다. 실제 데이터와 합성 데이터를 합쳐 1조 개가 넘는 시점으로 사전 학습됐으며, 다음과 같은 입력을 함께 처리한다.1
동시에 예측할 여러 타깃 시계열
과거에만 관측할 수 있는 공변량
과거와 미래에 모두 알려진 공변량
예를 들어 상품별 매출을 동시에 예측하면서 과거 방문객 수와 향후 프로모션 일정을 반영할 수 있다. 보조 변수를 예측 후반에 추가하는 것이 아니라, 시계열 간 관계와 알려진 미래 정보를 모델 구조 안에서 직접 처리한다는 점이 중요하다.
시간 흐름과 변수 간 관계를 분리해 학습한다
TimesFM-3는 각 시계열의 연속된 32개 시점을 하나의 패치로 묶는다. 규모가 다른 시계열을 함께 처리할 수 있도록 시계열별 정규화도 적용한다.1
토큰을 만드는 방식은 변수의 성격에 따라 달라진다. 타깃과 과거 전용 공변량은 단일 패치에서 토큰을 생성한다. 반면 미래 값까지 알려진 공변량은 현재 패치와 미래 패치를 결합하는 룩어헤드 방식을 사용한다. 이를 통해 프로모션 일정처럼 예측 시점에 이미 알 수 있는 정보를 미래 구간에 반영한다.1
어텐션은 두 방향으로 작동한다.
인과적 시간 어텐션은 같은 시계열 안에서 현재 토큰이 과거 토큰만 참조하게 한다.
전체 변수 어텐션은 같은 시점에 있는 모든 시계열의 토큰이 서로를 참조하게 한다.
두 어텐션은 트랜스포머 스택의 여러 층에서 번갈아 적용된다. 따라서 모델은 개별 시계열의 시간 패턴과 같은 시점에서 나타나는 변수 간 관계를 함께 포착할 수 있다.1
전체 예측 구간을 한 번에 생성한다
TimesFM-3는 전체 예측 구간에 마스킹된 자리표시자 토큰을 추가하는 연속 패치 마스킹 방식을 사용한다. 이후 한 번의 순전파로 여러 관련 시계열의 예측값을 생성한다.1
예측 구간을 한 단계씩 순차 생성하는 방식과 달리, 전체 구간을 한 번에 처리하는 구조다. 실무에서는 예측할 타깃과 공변량이 많거나 예측 구간이 길 때 이 특성이 중요한 판단 기준이 될 수 있다.
벤치마크와 라이선스를 함께 확인해야 한다
TimesFM-3는 GIFT-Eval, fev-bench, TIME 리더보드에서 사전 학습 기반 모델 가운데 평균 순위 1위를 기록했다.1 그러나 벤치마크 성과가 모든 현장 데이터에서의 우위를 보장하지는 않는다. 실제 도입을 검토할 때는 다음 조건을 기준으로 기존 모델과 비교해야 한다.
필요한 예측 기간에서 성능이 유지되는가
결측치와 이상치가 있는 데이터에서도 안정적인가
공변량이 실제 예측력을 높이는가
점 예측뿐 아니라 불확실성 추정도 활용 목적에 적합한가
추론 시간과 운영 비용이 요구사항을 충족하는가
라이선스 제약도 중요하다. 소스 코드는 Apache-2.0으로 제공되지만, TimesFM-3 가중치는 비상업적·비프로덕션 라이선스로 제공된다.2 따라서 현재 가중치는 상용 서비스 배포보다 연구, 실험, 개념 검증에 적합하다.
요약: TimesFM-3에서 배울 수 있는 것
TimesFM-3는 시계열 예측의 초점을 단일 변수의 과거 패턴에서 여러 타깃과 공변량의 결합으로 확장한다. 시간 방향과 변수 방향의 관계를 나눠 처리하고, 알려진 미래 정보를 반영해 전체 예측 구간을 한 번에 생성하는 것이 핵심이다.
실무에서는 벤치마크 순위만으로 도입을 결정하기보다 자사 데이터에서 기존 모델과 비교하고, 공변량의 품질과 라이선스 조건을 함께 확인해야 한다. TimesFM-3가 보여주는 방향은 분명하다. 앞으로 시계열 기반 모델은 과거 값을 얼마나 잘 연장하는지를 넘어, 여러 변수와 미래 정보를 얼마나 자연스럽게 결합하는지로 평가받게 될 것이다.
1TimesFM-3: A zero-shot foundation model for multivariate forecasting
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.