Prévoir les ventes d’un magasin, la consommation électrique d’un quartier ou la charge d’un serveur ne consiste presque jamais à prolonger une seule courbe. La météo change, une promotion commence, un capteur voisin dérive et plusieurs produits évoluent ensemble. C’est précisément ce problème que Google Research veut attaquer avec TimesFM-3, présenté le 31 août 2026.
Ce nouveau modèle de fondation pour séries temporelles peut prévoir conjointement plusieurs signaux, intégrer des variables historiques et tenir compte d’événements futurs déjà connus. Google affirme qu’il atteint le meilleur rang moyen parmi les modèles préentraînés comparés sur trois grandes suites d’évaluation publiques, aussi bien pour une valeur centrale que pour l’incertitude autour de cette valeur.
L’annonce mérite l’attention parce qu’elle rapproche les modèles généralistes des contraintes réelles de la planification. Elle doit aussi être lue avec prudence : les résultats détaillés proviennent encore du lancement de Google, les performances d’un prévisionniste dépendent fortement des données locales et les poids de TimesFM-3 ne sont, pour l’instant, autorisés ni en production ni pour un usage commercial.
Prévoir plusieurs signaux au lieu de prolonger une seule courbe
Les versions précédentes de TimesFM traitaient nativement des séries univariées. Autrement dit, le modèle observait l’historique d’une variable — les ventes quotidiennes d’un produit, par exemple — puis en estimait la suite. Cette approche est utile, mais elle ignore une grande partie de ce que connaît réellement une entreprise au moment de prendre une décision.
Google illustre la différence avec les ventes de glaces. Leur historique contient des tendances et des cycles hebdomadaires, mais une prévision sérieuse peut aussi exploiter la fréquentation passée du magasin, les ventes de cornets, les promotions planifiées, les jours fériés ou une météo déjà disponible pour la semaine suivante. Certains de ces signaux s’arrêtent au présent ; d’autres sont connus sur tout l’horizon à prévoir.
TimesFM-3 distingue donc trois catégories d’entrées :
- les cibles, c’est-à-dire une ou plusieurs séries que l’on souhaite prévoir ensemble ;
- les covariables historiques, connues seulement dans le passé, comme la fréquentation effectivement mesurée ;
- les covariables connues à l’avance, comme un calendrier de promotions, des tarifs programmés ou une prévision météorologique.
Cette séparation paraît technique, mais elle correspond à une règle métier fondamentale : un modèle ne doit utiliser, pour chaque date simulée, que l’information qui aurait réellement été disponible à ce moment-là. Une promotion décidée à l’avance est légitime. La fréquentation constatée après la période à prévoir ne l’est pas. Confondre les deux crée une fuite de données et donne des résultats artificiellement bons.
Ce que Google a changé sous le capot
TimesFM-3 reste un Transformer spécialisé dans les nombres, pas un chatbot auquel on demanderait de deviner le futur en langage naturel. Il compte 330 millions de paramètres et a été préentraîné sur plus de 1 000 milliards de points temporels réels et synthétiques. Sa taille reste modeste face aux grands modèles de langage, car son vocabulaire et son problème sont beaucoup plus ciblés.
Le temps dans un sens, les variables dans l’autre
Le modèle regroupe d’abord les observations consécutives en blocs de 32 pas de temps. Ces blocs, ou patches, réduisent la longueur de la séquence à traiter et permettent de comparer des séries dont les échelles diffèrent fortement. Les températures, les unités vendues et la consommation électrique ne se comptent pas de la même façon ; une normalisation propre à chaque série évite qu’un signal numériquement plus grand domine mécaniquement les autres.
L’architecture organise ensuite les données comme une grille. Une forme d’attention suit chaque variable à travers le temps sans regarder les observations futures. Une autre compare, au même instant, les différentes cibles et covariables. Le modèle peut ainsi apprendre qu’une variation de température précède une hausse de demande, ou qu’un capteur en amont renseigne sur un capteur en aval.
Cette capacité ne prouve pas une relation de cause à effet. Deux séries peuvent évoluer ensemble pour une raison absente des données, et leur corrélation peut disparaître après un changement de marché ou de processus. TimesFM-3 automatise la recherche de dépendances utiles ; il ne dispense pas de comprendre comment les données ont été produites.
Tout l’horizon en une passe, avec neuf niveaux d’incertitude
Les précédentes versions de TimesFM avançaient bloc après bloc. Chaque portion prédite servait à produire la suivante, ce qui augmentait la latence et pouvait accumuler les erreurs. La nouvelle version masque directement tout l’horizon futur, puis remplit ces emplacements en une seule passe.
Les variables futures réellement connues restent visibles pendant ce calcul. Le modèle peut donc ajuster toute la trajectoire à un calendrier de jours fériés ou à des promotions déjà décidées, sans fabriquer ces informations intermédiaires lui-même.
Il ne renvoie pas seulement une ligne centrale. Pour chaque cible et chaque date, TimesFM-3 produit neuf quantiles, du 10e au 90e percentile. En pratique, cette distribution aide un gestionnaire à distinguer le scénario le plus probable d’une fourchette prudente. Pour commander du stock, réserver de la capacité ou équilibrer un réseau électrique, savoir que l’incertitude augmente peut être plus utile qu’une prévision apparemment précise à l’unité près.
Le « zero-shot » réduit le ticket d’entrée, pas le besoin d’évaluer
La promesse centrale est celle du zero-shot : TimesFM-3 doit pouvoir prévoir une série qu’il n’a jamais vue sans être réentraîné spécifiquement pour ce jeu de données. L’organisation fournit son historique et les variables pertinentes ; le modèle applique les régularités apprises pendant son préentraînement.
L’intérêt est économique. Une équipe peut tester rapidement un socle commun sur des milliers de références, de capteurs ou de métriques, au lieu d’entraîner un réseau différent pour chaque famille de séries. Le premier TimesFM, publié à l’ICML 2024, avait déjà montré qu’un modèle de 200 millions de paramètres préentraîné sur 100 milliards de points pouvait approcher des méthodes supervisées spécialisées sur plusieurs jeux de données. TimesFM-3 multiplie par dix l’échelle déclarée des données de préentraînement et ajoute nativement les relations entre variables.
« Sans réentraînement » ne signifie toutefois ni « sans préparation » ni « sans compétence ». Il faut encore aligner les fréquences, traiter les données manquantes, identifier les événements connus à l’avance, empêcher les fuites et choisir une métrique correspondant au coût réel des erreurs. Une sous-estimation de 5 % n’a pas la même conséquence pour des yaourts périssables, la puissance d’un centre de données ou des lits hospitaliers.
Trois benchmarks publics, mais pas encore un verdict universel
Google évalue TimesFM-3 sur GIFT-Eval, FEV-Bench et TIME. Ces suites ont été conçues pour éviter qu’un modèle paraisse généraliste après avoir été testé sur quelques séries anciennes et très proches de ses données d’entraînement.
GIFT-Eval couvre 23 jeux de données, plus de 144 000 séries et sept domaines. FEV-Bench réunit 100 tâches dans sept domaines, dont 46 avec covariables, et utilise notamment des intervalles de confiance pour comparer les modèles. TIME ajoute 50 jeux de données récents et 98 tâches conçues pour une évaluation strictement zero-shot.
Selon les graphiques publiés par Google, TimesFM-3 obtient le meilleur rang moyen parmi les modèles de fondation comparés, pour les prévisions ponctuelles comme probabilistes. Son mode univarié reste compétitif, tandis que le mode multivarié profite des relations entre séries et des variables externes.
Ces résultats constituent un signal solide, pas une garantie de domination sur chaque tâche. Un rang moyen ne montre pas l’ampleur de l’écart : gagner de très peu sur de nombreuses séries et gagner largement sur quelques cas peuvent produire un classement similaire. Il masque aussi les domaines où une méthode saisonnière simple, un modèle statistique ou un système entraîné localement reste meilleur.
La prudence est renforcée par le format du lancement. Au moment de l’annonce, Google fournit des graphiques agrégés, le code et une fiche de modèle, mais ne relie pas encore TimesFM-3 à un nouvel article scientifique complet détaillant chaque score, les ablations et les coûts. La fiche Hugging Face précise que le préentraînement inclut notamment des données GIFT-Eval, en excluant celles qui chevauchent FEV-Bench, ainsi que des pages vues Wikipédia, des tendances Google et des données synthétiques. Cette transparence aide à examiner le risque de contamination, sans remplacer une reproduction indépendante à partir du poids publié.
Une étude indépendante menée en 2026 sur la prévision de charge, de solaire et d’éolien rappelait déjà que les modèles de fondation doivent être comparés aux architectures spécialisées et aux méthodes plus simples selon l’horizon, le site et le contexte disponible. Les auteurs ne cherchaient pas un vainqueur absolu, mais les situations où chaque famille de modèles reste pratique. Cette discipline vaut aussi pour TimesFM-3.
Une ouverture technique limitée par la licence
Google publie le code du dépôt TimesFM sous licence Apache 2.0. Les poids des versions allant jusqu’à TimesFM-2.5 restaient eux aussi utilisables sous des conditions permissives. Pour TimesFM-3, la situation change : le poids PyTorch est distribué sous une licence non commerciale qui interdit explicitement son emploi commercial et son utilisation en production.
La nuance est essentielle. Une entreprise peut télécharger le modèle et examiner son fonctionnement, mais elle ne peut pas considérer ce fichier comme un composant librement déployable dans sa chaîne de prévision. Le dépôt précise par ailleurs que cette version ouverte n’est pas un produit Google officiellement pris en charge.
Google annonce une intégration à BigQuery dans les prochaines semaines. Celle-ci pourrait devenir la voie commerciale et supportée pour appliquer TimesFM-3 à des données d’entreprise, mais ses conditions, son prix et son périmètre ne sont pas encore disponibles. Jusqu’à cette publication, la bonne lecture est simple : le modèle est accessible pour la recherche et l’évaluation autorisées par sa licence, pas encore comme brique de production gratuite.
Ce choix réduit l’ouverture par rapport aux versions précédentes et peut ralentir la reproduction dans des contextes professionnels réalistes. Il prépare aussi vraisemblablement une séparation entre un poids d’essai et un service cloud monétisé. Pour les utilisateurs, la performance technique et le droit d’usage deviennent donc deux critères indissociables.
Les cas où TimesFM-3 mérite un test immédiat
Le modèle paraît particulièrement pertinent lorsque plusieurs variables évoluent réellement ensemble. Dans le commerce, il peut confronter ventes, stocks, trafic, prix et calendrier promotionnel. Dans l’énergie, il peut rapprocher charge, météo, production renouvelable et tarifs. Dans l’industrie, il peut exploiter plusieurs capteurs pour anticiper un débit, une température ou une pression. Dans l’informatique, il peut prévoir conjointement trafic, latence, erreurs et besoins de capacité.
Il devient moins convaincant si les séries n’ont que peu de relations stables, si les événements futurs sont mal renseignés ou si les données changent brutalement de régime. Ajouter des centaines de colonnes parce qu’elles sont disponibles peut augmenter le bruit, le coût et le risque d’apprendre des corrélations fragiles. La sélection des variables reste un travail de modélisation, pas une formalité d’importation.
Avant toute adoption, une équipe devrait reconstruire des prévisions à plusieurs dates du passé, en ne fournissant que les informations alors disponibles. Elle devrait comparer TimesFM-3 à une prévision naïve saisonnière, à une méthode statistique robuste et à un autre modèle multivarié. Les critères devraient couvrir l’erreur, la calibration des quantiles, la latence, la mémoire, la résistance aux valeurs manquantes et surtout le coût métier des mauvaises décisions.
Le test le plus révélateur consiste à retirer ou perturber chaque groupe de covariables. Si les prévisions restent identiques, le modèle ne tire peut-être aucun bénéfice des informations supplémentaires. Si elles s’effondrent, il faut vérifier qu’il n’exploite pas un raccourci qui disparaîtra en production. Dans les deux cas, l’analyse importe davantage qu’un rang général sur un classement.
La prévision par IA devient un produit généraliste
TimesFM-3 ne rend pas le futur prévisible et ne remplace pas les spécialistes des séries temporelles. Il transforme toutefois la manière d’aborder leur travail : au lieu de commencer par entraîner un modèle pour chaque problème, une organisation peut désormais commencer par évaluer un modèle préentraîné commun, puis décider où la spécialisation apporte encore une valeur mesurable.
La vraie avancée n’est donc pas seulement un meilleur score. C’est l’intégration, dans une même interface, de plusieurs cibles, de facteurs historiques, d’événements futurs connus et d’une estimation de l’incertitude. Cette interface ressemble enfin aux décisions que doivent prendre les entreprises.
La suite dépendra de trois preuves encore attendues : des résultats reproduits en dehors de Google, une intégration BigQuery dont les conditions permettent un usage concret et des gains confirmés face à des baselines locales bien choisies. Si ces trois éléments convergent, TimesFM-3 pourrait devenir un nouveau point de départ pour la prévision multivariée. Pour l’instant, il a gagné le droit d’être testé — pas celui d’être cru sur parole.
Références
- Google Research — « TimesFM-3: A zero-shot foundation model for multivariate forecasting », 31 août 2026
- Google Research — dépôt officiel TimesFM et conditions de licence de la version 3
- Hugging Face — fiche du modèle et données de préentraînement de TimesFM-3
- ICML 2024 — « A Decoder-Only Foundation Model for Time-Series Forecasting »
- GIFT-Eval — benchmark généraliste pour la prévision de séries temporelles
- FEV-Bench — benchmark réaliste de 100 tâches de prévision
- TIME — benchmark zero-shot de 50 jeux de données récents
- Za’ter et Hodge — évaluation empirique des modèles de fondation pour les réseaux électriques, 2026
