BigQuery 推出 TimesFM 3.0，支持多变量时序预测

概述

自从在 BigQuery 中通过 AI.FORECAST 引入零样本时间序列预测以来——最初由 TimesFM 2.0 提供支持，后来升级到 TimesFM 2.5——你就可以直接在 SQL 中生成预测，而无需训练或管理自定义模型。然而，在 TimesFM 2.5 之前，这些基础模型仅限于单变量预测，即仅根据单个时间序列的历史来预测未来值。在实践中，大多数现实世界的预测问题都是多变量的，其中相关目标和外部驱动因素（如天气、促销和节假日）会共同塑造未来结果。

今天，我们非常高兴地宣布在 BigQuery 中推出 TimesFM 3.0 预览版。该模型由 Google Research 开发，TimesFM 3.0 是一个拥有 3.3 亿参数的最先进基础模型，旨在直接在 BigQuery SQL 中实现原生多变量时间序列预测。TimesFM 3.0 在三大公共时间序列排行榜——GIFT-Eval、FEV-Bench 和 TIME——中均排名第一，与现有基础模型相比，在协变量和多变量预测任务上均实现了顶级的零样本准确率。

除了新的多变量能力外，TimesFM 3.0 还可作为即插即用的升级，用于通过 AI.FORECAST 进行单变量预测，以及通过 AI.DETECT_ANOMALIES 进行异常检测。现有工作流只需指定 model => 'TimesFM 3.0'，即可立即从更高的基准准确率中受益。

新特性：多变量基础建模

借助 TimesFM 3.0，BigQuery 通过 AI.FORECAST 将企业级多变量建模带入熟悉的 SQL 工作流：

使用 BigQuery SQL 进行多变量预测

为了了解这些能力如何协同工作，让我们使用 NYC Citi Bike 公共数据集（bigquery-public-data.new_york.citibike_trips）预测未来七天内的日常通勤者（subscriber_trips）和休闲骑行者（casual_trips）骑行量。

BigQuery 使用单表输入格式进行多变量预测，该格式合并了两组行：

• 历史观测行：开始时间（2016-01-01）与预测截止日期（2016-06-01）之间的时间戳，完整填充目标指标、历史协变量和已知未来协变量
• 未来预测期行：七天预测期（2016-06-01 至 2016-06-07）内的时间戳，填充已知未来协变量，而目标列和仅含历史值的协变量设置为 NULL

lang-sql

正在加载...

此查询突出了 TimesFM 3.0 中支持的三个多变量维度：

1. 预测相关目标（target_cols） 无需为每个骑行者细分群体分别运行模型，传递 TARGET_COLS => ['subscriber_trips', 'casual_trips'] 即可在单次调用中联合预测这两个指标。TimesFM 3.0 捕捉通勤者和休闲骑行者之间的跨序列动态——例如共同的天气敏感性和不同的周末骑行模式。
2. 使用历史协变量（past_covariate_cols） 有些信号只能从历史中观察到，无法提前得知，例如平均骑行时长（avg_duration_min）、历史人流量或计划外服务中断。传递 PAST_COVARIATE_COLS => ['avg_duration_min']（未来预测期行设置为 NULL）可为模型提供历史上下文，以区分暂时性冲击和潜在趋势，而无需该特征的未来值。
3. 使用未来协变量（future_covariate_cols） 其他外部驱动因素在历史窗口和预测期均可提前得知——例如周末（is_weekend）、节假日或已安排的促销活动。传递 FUTURE_COVARIATE_COLS => ['is_weekend']（在所有行中填充至 2016-06-07）使 TimesFM 3.0 能够直接根据即将到来的日历事件调整其七天预测。

了解输出

该函数为 target_cols 中指定的每个目标列返回结构化预测。对于 target_cols 中的每一列，AI.FORECAST 返回一个结构体，其中包含点预测（value）以及预测区间下限和上限：

在 BigQuery Conversational Analytics 中使用 TimesFM 3.0

你还可以在 BigQuery Conversational Analytics 中使用自然语言运行多变量预测。在同一个 bigquery-public-data.new_york.citibike_trips 数据集上，你只需询问“使用两个月的历史数据，预测 2016 年 6 月 1 日至 7 日的每日订阅者和休闲骑行量，以平均骑行时长作为历史协变量，以周末指示符作为未来协变量。” Conversational Analytics 会自动生成并执行底层带 TimesFM 3.0 的 AI.FORECAST 查询，返回结果摘要、包含每个目标预测区间的交互式预测图表，以及关键预测洞察。

在 BigQuery 对话式分析中使用 TimesFM 3.0 进行多变量预测，通过自然语言提示生成 7 天预测、交互式图表和洞察。

总结与后续步骤

借助 TimesFM 3.0 的原生多变量支持，BigQuery 将最先进的基础模型预测能力带给复杂、相互关联的企业数据集，且无需数据移动、自定义特征工程管道或专用模型托管基础设施。

要在 BigQuery 中开始使用 TimesFM 3.0 进行预测：

• 阅读 Google Research 博客文章，了解有关 TimesFM 3.0 模型架构和能力的更多信息。
• 探索 BigQuery TimesFM 文档。
• 遵循分步多变量预测教程。
• 尝试AI.FORECAST，在 BigQuery Studio SQL 工作区中直接使用 `model => 'TimesFM 3.0'`。
• 尝试AI.DETECT_ANOMALIES，使用 `model => 'TimesFM 3.0'` 在 BigQuery 中进行单变量时间序列异常检测。
• 尝试AI.EVALUATE，使用 `model => 'TimesFM 3.0'` 在 BigQuery 中进行单变量时间序列评估。

发布在

• 数据分析
• BigQuery