요약
- 구글 리서치가 여러 시계열을 동시에 입력해 미래를 예측하는 파운데이션 모델 TimesFM-3를 공개했어요.
- 파라미터 3억3000만 개, 1조 개가 넘는 시계열 데이터로 사전학습했고 Gift-Eval, FEV-Bench, Time 세 벤치마크 모두에서 1위를 기록했어요.
- 모델은 지금 GitHub와 허깅페이스에서 받을 수 있고, 빅쿼리 AI.FORECAST 연동은 몇 주 안에 추가될 예정이에요.
- 모델명
- TimesFM-3
- 파라미터 수
- 3억3000만 개(330M)
- 사전학습 데이터
- 실제·합성 시계열 1조 개 이상 시점
- 벤치마크 성적
- Gift-Eval, FEV-Bench, Time 3종에서 포인트·확률 예측 모두 1위
- 예측 방식
- Contiguous Patch Masking으로 예측 구간 전체를 한 번의 순전파로 생성
- 분위수 출력
- 시점마다 10~90퍼센타일 9개 분위수 제공
- 공개 경로
- GitHub·허깅페이스 즉시 이용 가능, 빅쿼리 연동은 수 주 내
다변량 예측이 필요했던 이유
구글 리서치가 다변량 시계열 예측 파운데이션 모델 TimesFM-3를 GitHub와 허깅페이스(Hugging Face)의 TimesFM-3 모델 페이지에 공개했어요. 여러 데이터 흐름을 동시에 입력해 미래 값을 한 번에 뽑아내는 이 모델은 소매·금융·헬스케어처럼 실제 현장에서 쓰이는 시계열 예측 작업을 겨냥해 만들어졌어요.
풀어서 설명하면, 지금까지 AI 시계열 예측 모델은 매출이나 방문자 수 같은 하나의 데이터 흐름만 보고 미래를 맞혔는데, 실제 매장에서는 프로모션 일정이나 관련 상품 판매량처럼 미래에 이미 정해진 정보까지 함께 넣어야 정확한 예측이 나와요. TimesFM-3는 이런 여러 데이터를 한 번에 입력해 서로의 영향을 계산하도록 만들어졌어요.
하지만 매출이나 방문자 수 같은 실제 문제는 관련 상품 판매량, 프로모션 일정, 날씨 예보처럼 여러 정보가 동시에 영향을 주는 경우가 대부분이라, 단변량 모델은 이런 신호를 반영할 방법이 없었어요.
아이스크림 매출로 보는 격차
구글 리서치는 아이스크림 판매 예측을 예로 들었어요. 과거 매출 기록만 보는 기존 단변량 모델은 요일별 패턴을 그대로 미래로 늘려 그리지만, 특정 날짜에 예정된 프로모션은 알아채지 못해요. TimesFM-3는 프로모션 일정을 '미래에 이미 알려진 신호(past-future covariate)'로 함께 입력받아, 과거 데이터에서 프로모션과 매출 상승의 관계를 학습하고 이를 미래 프로모션 날짜에 적용해요. 그 결과 프로모션이 있는 날마다 매출이 약 20% 뛸 것으로 예측했다고 구글 리서치는 설명했어요.
3억3000만 개 파라미터, 한 번의 순전파로 끝내는 예측
이전 모델들과 마찬가지로 디코더 전용 트랜스포머 구조를 쓰지만, 32개 시간 단계를 하나의 패치로 묶어 처리하고, 이 패치들을 시간축과 시계열 간 관계축을 오가는 2차원 어텐션 구조에 통과시켜요.
과거-미래 공변량에는 '룩어헤드' 전략을 적용해, 각 토큰이 현재 패치와 미래 패치를 함께 묶도록 설계했어요. 예측 방식도 바뀌었는데, 이전 버전은 패치를 한 번에 하나씩 순차적으로 만들어 지연 시간과 오차 누적이 쌓이는 문제가 있었어요. TimesFM-3는 Contiguous Patch Masking 기법을 적용한 연구를 바탕으로, 미래 구간 전체를 마스킹 처리한 뒤 한 번의 순전파로 모든 예측값을 동시에 채워요. 각 시점마다 10~90 퍼센타일에 해당하는 9개 분위수를 함께 내놓아, 예측의 불확실성 범위도 함께 보여줘요.
벤치마크 3종에서 1위
구글 리서치는 Gift-Eval 벤치마크, FEV-Bench, Time 세 곳에서 TimesFM-3를 평가했어요. 다변량을 지원하는 Chronos-2, Toto 2.0 계열, 그리고 이전 세대인 TimesFM-2.5와 비교한 결과, TimesFM-3는 세 벤치마크 모두에서 포인트 예측과 확률 예측 지표 양쪽에서 사전학습 파운데이션 모델 가운데 가장 높은 순위를 기록했어요.
| 평가 방식 | 대상 벤치마크 | 성적 |
|---|---|---|
| 단변량 모드(공변량 없이 평가) | Gift-Eval, FEV-Bench, Time | 다른 파운데이션 모델과 동등하거나 앞섬 |
| 다변량 모드(공변량 활용) | Gift-Eval, FEV-Bench, Time | 포인트·확률 예측 지표 모두 1위 |
단변량 모드, 즉 공변량 정보 없이 각 시계열을 독립적으로 평가했을 때도 TimesFM-3는 다른 경쟁 모델과 동등하거나 더 나은 성적을 냈고, 다변량 모드로 전환하면 순위가 한 단계 더 올라갔다고 구글 리서치는 밝혔어요.
어떻게 써보나
어디서 시작하나 — TimesFM-3 체크포인트는 GitHub 저장소와 허깅페이스의 TimesFM-3 모델 페이지에서 받을 수 있어요.
단계별 사용 순서
- 허깅페이스나 깃허브에서 TimesFM-3 파이토치 체크포인트를 내려받아요.
- 예측하려는 타깃 시계열(예: 매출)과 함께, 관련 상품 판매량 같은 과거 공변량, 프로모션 일정처럼 미래에 이미 알려진 공변량을 준비해요.
- 모델에 이 데이터를 한 번에 입력하면, 반복 없이 한 번의 순전파로 예측 구간 전체와 9개 분위수를 받아요.
누가 쓸 수 있나 — 코드로 직접 모델을 불러오는 방식은 개발 지식이 있는 팀에 맞는 경로예요. ML 전문 지식 없이 시계열 예측을 체험해보고 싶다면, 빅쿼리의 AI.FORECAST 명령어로 지금 당장 이전 모델 TimesFM-2.5를 단변량 예측에 써볼 수 있어요.
무엇을 해볼 수 있나 — 소매 체인이라면 프로모션 일정과 재고 데이터를 함께 넣어 할인 기간 매출 급증을 미리 가늠해볼 수 있고, 제조업이라면 설비 가동 일정과 원자재 입고 스케줄을 공변량으로 넣어 생산량 변동을 예측해볼 수 있어요. 관측(observability) 분야에서는 여러 서버 지표를 동시에 넣어 한 지표의 이상 신호가 다른 지표에 미치는 영향을 함께 살펴볼 수 있어요.
에디터의 시선
이미지나 언어 모델처럼 사전학습한 모델 하나로 별도 튜닝 없이 여러 도메인의 시계열을 예측한다는 아이디어였는데, 2년 만에 구글은 그 모델을 단변량에서 다변량으로 확장하며 실제 현장에 훨씬 가까운 문제로 옮겨왔어요. 이 흐름은 세일즈포스의 Gift-Eval 벤치마크에서 Chronos-2, Toto 2.0 같은 다른 다변량 모델들과 같은 잣대로 겨루는 구도로 이어지고 있어요.
이 크기의 시계열 모델을 실무에 붙여보면 결론은 대체로 비슷해요 — 단변량 모델은 계절성이나 요일 패턴처럼 반복되는 흐름은 잘 잡아내지만, 프로모션이나 휴일처럼 '이번엔 다르게 움직일 이유'가 생기는 순간부터 정확도가 확 떨어져요. TimesFM-3가 공변량을 입력받는 구조를 택한 것도 그 지점을 정면으로 겨냥한 선택으로 읽혀요.
국내 유통·제조 기업이 눈여겨볼 부분은 오픈소스로 공개돼 별도 계약 없이 자체 데이터로 검증해볼 수 있다는 점이에요. 다만 빅쿼리 연동이 아직 TimesFM-3까지 확장되지 않은 만큼, 클라우드 콘솔에서 명령어 하나로 바로 쓰려는 팀은 당분간 TimesFM-2.5로 실험하면서 데이터 파이프라인을 준비해두는 쪽이 현실적이에요.
앞으로 몇 주 안에 빅쿼리 AI.FORECAST 명령어가 TimesFM-3를 지원하기 시작하면, 코드를 직접 다루지 않는 데이터 분석팀도 다변량 예측을 시험해볼 수 있는 문턱이 한 번 더 낮아질 거예요.
댓글