Google ra mắt TimesFM-3: Mô hình dự báo chuỗi thời gian hỗ trợ đa biến và sự kiện tương lai

Google Research vừa ra mắt TimesFM-3, một mô hình AI có khả năng dự báo tương lai từ các chuỗi thời liệu (time series) như số liệu bán hàng hàng ngày, bằng cách tận dụng các dữ liệu liên quan và những sự kiện sắp tới đã biết để cải thiện độ chính xác của dự đoán.

Các dự báo trong thế giới thực hiếm khi phụ thuộc vào một biến số duy nhất, và Google minh họa điều này bằng ví dụ về một chuỗi cửa hàng bán lẻ đang cố gắng dự đoán doanh số bán kem. Một dự báo tốt cần phải tính đến cả các sản phẩm liên quan như ốc quế hay siro, cùng với lưu lượng khách hàng trong quá khứ, thời tiết, các chiến dịch giảm giá và ngày lễ.

TimesFM-3 được xây dựng dựa trên kiến trúc Transformer, tương tự như các phiên bản tiền nhiệm, nhưng nó nhóm 32 điểm dữ liệu liên tiếp thành một "patch" (bản vá) duy nhất và chuẩn hóa mỗi chuỗi về một thang đo chung để có thể so sánh trực tiếp các phép đo có quy mô rất khác nhau.

Mô hình xử lý dữ liệu theo hai hướng xen kẽ. Dọc theo trục thời gian, nó tìm kiếm các mô hình (pattern) trong một chuỗi đơn lẻ, chỉ dựa vào các giá trị trong quá khứ để tránh rò rỉ thông tin tương lai. Trên các chuỗi, nó so sánh tất cả các biến tại một thời điểm nhất định và học cách chúng liên quan với nhau, điều này cho phép nó nắm bắt được những yếu tố như việc giảm giá một sản phẩm ảnh hưởng thế nào đến doanh số của sản phẩm khác.

Theo Google, mô hình này có 330 triệu tham số và được huấn luyện trên các chuỗi thời liệu thực tế và tổng hợp với tổng cộng hơn một nghìn tỷ điểm dữ liệu. Giống như các phiên bản tiền nhiệm, nó hoạt động theo cơ chế zero-shot và không cần huấn luyện thêm cho các tác vụ mới.

TimesFM-3 xử lý ba loại dữ liệu bổ sung. Nó dự đoán nhiều biến liên quan cùng lúc, chẳng hạn như các hương vị kem khác nhau, và kết hợp các yếu tố chỉ được biết trong quá khứ, như lưu lượng khách hàng lịch sử. Nó cũng sử dụng các sự kiện tương lai đã biết như các đợt giảm giá theo kế hoạch hoặc dự báo thời tiết. Thay vì chỉ đưa ra một ước tính điểm duy nhất, TimesFM-3 xuất ra chín giá trị cho mỗi bước thời gian để nắm bắt phạm vi và độ không chắc chắn của từng dự đoán.

Dự báo một lần (one-shot) thay thế phương pháp từng bước dễ sai sót

Các phiên bản trước dự đoán tương lai theo từng khối một, điều mà Google cho là chậm, tốn nhiều tài nguyên tính toán và khiến sai số tích tụ do mỗi dự đoán đều dựa trên dự đoán trước đó. TimesFM-3 áp dụng một cách tiếp cận khác bằng cách đánh dấu tất cả các bước thời gian tương lai là trống và điền vào chúng trong một lần xử lý duy nhất.

Google chứng minh hiệu quả này qua ví dụ về kem. Một mô hình chỉ biết doanh số quá khứ sẽ tiếp tục theo mô hình hàng tuần thông thường mà không biết đến các chương trình khuyến mãi đã lên kế hoạch. Khi TimesFM-3 nhận được lịch trình giảm giá, nó học hỏi từ lịch sử xem các chương trình khuyến mãi thúc đẩy nhu cầu bao nhiêu và dự kiến doanh số sẽ tăng khoảng 20% vào mỗi ngày khuyến mãi.

TimesFM-3 dẫn đầu trên ba bảng xếp hạng

Theo Google, trên các bảng xếp hạng Gift-Eval, FEV-Bench và Time, TimesFM-3 xếp thứ nhất trong số tất cả các mô hình dự báo đã được huấn luyện trước về cả độ chính xác điểm và hiệu chuẩn độ không chắc chắn. Các đối thủ cạnh tranh bao gồm Chronos-2 của Amazon, dòng Toto-2.0 và chính TimesFM-2.5 của Google. Ngay cả khi bị giới hạn ở một biến duy nhất, TimesFM-3 vẫn ngang bằng hoặc vượt trội so với các đối thủ, và việc bổ sung thêm dữ liệu càng làm nới rộng khoảng cách này.

TimesFM-3 hiện đã có sẵn trên GitHub và Hugging Face, và Google dự định sẽ tích hợp nó vào BigQuery trong những tuần tới. Hiện tại, TimesFM-2.5 đang xử lý dự báo đơn biến tại đó thông qua lệnh AI.FORECAST.

Kể từ khi dòng mô hình này ra mắt vào năm 2024, Google cho biết nó đã được triển khai trong lĩnh vực bán lẻ, tài chính, sản xuất, chăm sóc sức khỏe và khoa học. Tất cả các phiên bản cho đến TimesFM-2.5, ra mắt vào tháng 9 năm 2025, chỉ có thể xử lý một chuỗi dữ liệu tại một thời điểm, khiến khả năng hỗ trợ đa biến của TimesFM-3 trở thành một bước tiến lớn.

Google cũng đang xây dựng các mô hình dự báo ngoài chuỗi thời liệu. Vào đầu tháng 8, Google DeepMind đã phát hành WeatherNext Cyclones, một hệ thống AI mã nguồn mở dành cho bão nhiệt đới, có khả năng dự đoán đường đi và cường độ bão xa hơn khoảng một ngày so với các mô hình vận hành hàng đầu hiện nay.