TimesFM-3: 여러 시계열과 미래 조건을 함께 예측하는 모델
요약: TimesFM-3는 여러 시계열과 할인 일정·날씨 예보처럼 미리 알려진 미래 정보를 함께 처리하는 예측 모델이다. 과거 추세를 단순히 연장하는 대신, 실제 사업 조건과 변수 간 관계를 예측에 반영한다.
매출과 수요는 과거 실적만으로 결정되지 않는다. 날씨, 할인 일정, 방문객 수, 연관 상품의 수요도 결과에 영향을 준다. Google Research가 공개한 TimesFM-3는 이러한 변수를 하나의 모델에서 함께 다루도록 설계됐다.
미세조정 없이 여러 시계열을 예측한다
TimesFM-3는 3억 3천만 개의 매개변수를 가진 Transformer 기반 시계열 파운데이션 모델이다. 실제·합성 시계열을 합쳐 1조 개가 넘는 시점을 사전학습했다.1
핵심은 다변량 제로샷 예측이다. 제로샷은 작업별 미세조정 없이 새로운 예측 문제를 처리하는 방식을 뜻한다. 예를 들어 여러 상품의 판매량을 동시에 예측하면서 과거 방문객 수, 미래 날씨 예보, 할인 일정 등을 함께 입력할 수 있다.1
입력되는 공변량은 두 종류로 구분된다.
과거에만 관측되는 변수: 방문객 수처럼 미래 값을 아직 알 수 없는 정보
미래까지 알려진 변수: 휴일, 프로모션, 예정된 할인처럼 미리 확정된 정보
이 구분은 예측 대상과 이미 알려진 조건을 명확히 나누고, 미래 정보를 적절한 시점에 활용하는 데 중요하다.
시간의 흐름과 변수 간 관계를 함께 학습한다
TimesFM-3는 연속된 32개 시점을 하나의 패치로 묶어 처리하며, 시계열별로 값의 규모를 정규화한다. 이를 통해 판매량이나 방문객 수처럼 단위와 범위가 다른 변수도 함께 다룰 수 있다.1
모델의 어텐션 구조는 두 방향의 관계를 학습한다.
인과적 시간 어텐션: 같은 시계열의 과거 토큰만 참조해 미래 데이터 누출을 방지한다.
변수 어텐션: 동일 시점의 모든 시계열을 참조해 상품과 외부 요인 사이의 관계를 학습한다.
과거·미래 공변량 토큰은 현재 패치와 미래 패치를 연결하는 룩어헤드 방식으로 구성된다. 덕분에 모델은 과거 흐름뿐 아니라 향후 예정된 조건이 예측 구간에 미칠 영향도 반영할 수 있다.1
단일 예측값보다 불확실성까지 본다
TimesFM-3는 미래를 한 시점씩 순차적으로 생성하지 않고, 전체 예측 구간을 한 번에 계산한다. 각 미래 시점에는 10~90% 범위의 9개 분위수 예측을 출력한다.1
따라서 사용자는 하나의 예상값만 보는 대신 결과가 어느 범위에서 움직일 가능성이 있는지 판단할 수 있다. 재고나 인력 운영처럼 불확실성에 대비해야 하는 의사결정에서는 이러한 범위 정보가 특히 유용하다.
도입할 때 확인할 세 가지 기준
TimesFM-3의 실질적인 가치는 모델 규모보다 여러 변수의 연결 구조를 활용하는 데 있다. 도입 전에는 다음을 검증해야 한다.
미래 입력의 신뢰성
할인 일정이나 날씨 예보의 품질이 낮으면 예측 결과도 흔들릴 수 있다.다변량 입력의 실제 효과
기존 단변량 모델과 비교해 변수를 추가했을 때 정확도와 운영 의사결정이 얼마나 개선되는지 확인해야 한다.사용 조건
모델은 GitHub와 Hugging Face에서 시험할 수 있다. 소스 코드는 Apache-2.0이지만, 현재 공개된 TimesFM-3 가중치는 비상업·비프로덕션 용도로 제한된다.2
결국 TimesFM-3를 평가할 때는 벤치마크 성능만 볼 것이 아니라 데이터 구성, 미래 공변량의 품질, 불확실성 활용 방식, 라이선스 조건까지 함께 검토해야 한다.
1TimesFM-3: A zero-shot foundation model for multivariate forecasting
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.