Googles TimesFM‑3 prognostiziert mehrere Zeitreihen auf einmal
1. September 2026
Das offene Modell verarbeitet Verkäufe, Wetter oder Sensordaten gemeinsam und erzeugt eine komplette Prognose in einem Durchlauf. Google meldet Spitzenplätze auf drei öffentlichen Benchmarks.
Worum es geht
Google Research hat am 31. August 2026 TimesFM‑3 veröffentlicht, ein offen verfügbares Grundlagenmodell für Zeitreihen. Es soll nicht den nächsten Satz vorhersagen, sondern künftige Messwerte: Verkäufe, Strombedarf, Maschinenzustände oder Patientendaten. Der entscheidende Schritt gegenüber TimesFM‑2.5 ist die gemeinsame Verarbeitung mehrerer zusammenhängender Reihen.
TimesFM‑3 hat 330 Millionen Parameter und wurde laut Google mit einem Gemisch aus realen und synthetischen Daten von mehr als einer Billion Zeitpunkten vortrainiert. Gewichte und Modellkarte stehen auf Hugging Face, der Quellcode auf GitHub. Unternehmen und Forschende können das Modell deshalb selbst prüfen und ausführen, müssen Googles Leistungsangaben aber unabhängig nachtesten.
Was TimesFM‑3 tatsächlich macht
Bei einer klassischen Einzelprognose betrachtet ein Modell etwa nur die bisherigen Eisverkäufe. TimesFM‑3 kann zusätzlich verwandte Produkte, Besucherzahlen, geplante Aktionen, Feiertage und Wetterprognosen einbeziehen. Einige Größen sind nur für die Vergangenheit bekannt, andere – wie der Feiertagskalender – auch für die Zukunft.
Technisch zerlegt das Modell Zeitreihen in Abschnitte von 32 Schritten. Seine Aufmerksamkeit wechselt zwischen der zeitlichen Achse und den Beziehungen verschiedener Reihen. Statt den Prognosehorizont Stück für Stück zu erzeugen, berechnet es alle künftigen Abschnitte in einem Durchlauf. Für jeden Zeitpunkt gibt es neun Quantile vom 10. bis zum 90. Perzentil aus. Damit entsteht nicht nur ein Schätzwert, sondern auch ein Korridor für die Unsicherheit.
Warum das wichtig ist
Zeitreihen stecken in vielen alltäglichen Entscheidungen: Wie viel Ware muss bestellt werden? Wann droht eine Anlage auszufallen? Wie stark wird ein Stromnetz morgen belastet? Bisher benötigen gute Modelle häufig eine eigene Anpassung an jede Aufgabe. TimesFM‑3 soll dagegen ohne aufgabenspezifisches Nachtraining brauchbare Prognosen liefern. Das senkt die Einstiegshürde für Teams, die keine große Abteilung für maschinelles Lernen haben.
Google berichtet für TimesFM‑3 den besten durchschnittlichen Rang unter vortrainierten Modellen auf Gift‑Eval, FEV‑Bench und dem TIME-Leaderboard – sowohl bei Punktschätzungen als auch bei probabilistischen Prognosen. Das ist ein ernst zu nehmendes Signal, aber kein Beweis für Überlegenheit in jedem Betrieb. Öffentliche Benchmarks bilden unvollständige, verrauschte Unternehmensdaten nur begrenzt ab.
Einfach erklärt
Eine übliche Prognose ist wie der Blick auf den Absatz von Regenschirmen der letzten Wochen. TimesFM‑3 schaut zusätzlich auf Wetterbericht, Ferien, Laufkundschaft und den Verkauf von Regenjacken. Es packt all diese Hinweise gemeinsam in einen Koffer und gibt nicht nur eine Zahl aus, sondern auch eine Spanne dafür, wie unsicher diese Zahl ist.
Praktisches Beispiel
Eine Bäckereikette möchte den Croissantbedarf für die kommenden 28 Tage planen. Sie übergibt dem Modell tägliche Verkäufe aus 20 Filialen, vergangene Besucherzahlen, bekannte Feiertage, geplante Rabatte und Wetterprognosen. TimesFM‑3 erzeugt für alle Filialen und Tage gleichzeitig eine Prognose.
Für eine Filiale könnte das Modell für Samstag 420 Croissants als mittleren Wert und einen Unsicherheitsbereich von 350 bis 510 ausgeben. Die Disposition bestellt nicht blind 420 Stück. Sie kann bei großer Unsicherheit vorsichtiger planen, die Vorhersage mit lokalen Ereignissen abgleichen und tatsächliche Verkäufe laufend gegen die Prognose messen.
Einordnung und Grenzen
Erstens stammen Architektur, Trainingsumfang und Benchmark-Ergebnisse aus Googles eigener Veröffentlichung. Unabhängige Reproduktionen für TimesFM‑3 stehen zum Veröffentlichungszeitpunkt noch aus.
Zweitens erkennt auch ein großes Modell keine Ereignisse, die weder in den Eingangsdaten noch in bekannten Zukunftssignalen vorkommen. Ein Streik, eine defekte Kühlung oder ein plötzliches Verbot kann jede Prognose unbrauchbar machen.
Drittens bedeutet Open Weight nicht automatisch einfache oder risikofreie Nutzung. Teams müssen Datenqualität, Rechenkosten, Lizenzbedingungen, Datenschutz und systematische Fehler selbst prüfen. Besonders in Medizin, Finanzwesen oder kritischer Infrastruktur darf eine Vorhersage keine menschliche Freigabe ersetzen.
SEO- und GEO-Schlüsselbegriffe
TimesFM‑3, Google Research, Zeitreihenprognose, multivariate Prognose, Zero-Shot Forecasting, Open Weight AI, Hugging Face, Gift‑Eval, FEV‑Bench, TIME-Leaderboard, Bedarfsplanung
💡 Im Klartext
TimesFM‑3 verbindet mehrere Zahlenreihen und bekannte Zukunftsdaten zu einer gemeinsamen Prognose. Das offene Modell kann ohne spezielles Nachtraining starten, muss für reale Entscheidungen aber mit eigenen Daten geprüft werden.
Wichtigste Erkenntnisse
- →TimesFM‑3 verarbeitet mehrere Zielreihen und zusätzliche Einflussgrößen gemeinsam.
- →Das Modell hat 330 Millionen Parameter und wurde laut Google mit mehr als einer Billion Zeitpunkten vortrainiert.
- →Der gesamte Prognosehorizont entsteht in einem Durchlauf statt Schritt für Schritt.
- →Google meldet Spitzenplätze auf drei öffentlichen Prognose-Benchmarks.
- →Gewichte und Code sind öffentlich verfügbar, unabhängige Praxistests bleiben trotzdem nötig.
Häufige Fragen
Ist TimesFM‑3 ein Sprachmodell?
Nein. Es nutzt zwar eine Transformer-Architektur, prognostiziert aber Zahlenreihen statt Text.
Muss das Modell für jede Aufgabe trainiert werden?
Google beschreibt TimesFM‑3 als Zero-Shot-Modell. Es kann ohne aufgabenspezifisches Nachtraining starten, sollte aber mit lokalen Daten validiert werden.
Welche Daten kann es kombinieren?
Es unterstützt mehrere Zielreihen, nur historisch bekannte Einflussgrößen und bekannte Zukunftssignale wie Feiertage oder geplante Aktionen.
Ist das Modell frei verfügbar?
Gewichte und Modellkarte stehen auf Hugging Face, der Code auf GitHub. Die jeweiligen Lizenzbedingungen müssen vor einer Nutzung geprüft werden.