> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# Google, çok değişkenli zaman serisi tahmini için TimesFM-3'ü yayımladı
- URL: https://globalfeed.ai/google-cok-degiskenli-zaman-serisi-tahmini-icin-timesfm-3u-yayimladi/
- Published: 2026-09-01T11:37:48.000Z
- Updated: 2026-09-01T11:37:48.000Z
- Description: Google Research'ün 330 milyon parametreli TimesFM-3 modeli, birden fazla ilişkili seriyi tek geçişte tahmin ediyor; ağırlıklar ticari olmayan lisansla geliyor.
- Author: GlobalFeed Editor
- Tags: Google, TimesFM, zaman serisi, x-GoogleAI, dil-tr, denetim-gerekli, video

Google Research, 330 milyon parametreli zaman serisi temel modeli **TimesFM-3**'ü yayımladı. Model, birbiriyle ilişkili birden fazla seriyi tek bir ileri geçişte tahmin ediyor. 2.5 dahil önceki bütün TimesFM sürümleri tek değişkenliydi: tek bir seri, yalnızca kendi geçmişi.

TimesFM-3 doğrudan çok değişkenli tahmin için, 1 trilyondan fazla zaman noktası üzerinde önceden eğitildi. Göreve özel ince ayar olmadan birden fazla hedef, geçmiş kovaryatlar ve geçmiş-gelecek kovaryatları kabul ediyor. Google'ın verdiği örnek dondurma satışları: ilgili ürün satışları, yaya trafiği, hava durumu, promosyonlar ve tatiller hedefi birlikte etkiliyor.

## Mimari

Omurga yine yalnızca kod çözücülü transformer. Ardışık noktalar 32 adımlık yamalara bölünüyor ve seri bazında normalize ediliyor, böylece çok farklı ölçekler baskın hale gelmiyor. Geçmiş-gelecek kovaryat token'ları bir ileriye bakış yöntemi kullanıyor: mevcut yama gelecekteki yamalarla birleştiriliyor, model planlanmış olayları gerçekleşmeden görüyor. Token'lar iki boyutlu bir ızgaraya girip dönüşümlü iki dikkat mekanizmasından geçiyor.

Önceki sürümler her seferinde tek yama çözüyordu; bu gecikme, hesaplama maliyeti ve biriken hata getiriyordu. TimesFM-3, TiRex ile tanıtılan Contiguous Patch Masking eğitim stratejisini kullanıyor. Tüm ufuk boyunca maskeli yer tutucu token'lar ekleniyor, geçmiş-gelecek kovaryatları görünür kalıyor ve dönüşümlü dikkat katmanları maskelenmiş yamaları eşzamanlı dolduruyor. Her hedef, her ufuk adımında 10\. ile 90\. yüzdelik arası 9 kuantil alıyor.

## Sonuçlar ve lisans

Google, modeli GIFT-Eval, fev-bench ve TIME liderlik tablosunda Chronos-2, Toto 2.0 ailesi ve TimesFM-2.5 ile karşılaştırdı. Şirkete göre TimesFM-3, önceden eğitilmiş temel modeller arasında üçünde de hem nokta hem olasılıksal metriklerde en iyi ortalama sırayı alıyor: fev-bench'te 100 gerçek dünya görevinde 1\. sıra, TIME'da 50 alan veri kümesi ve 98 değerlendirme görevinde 1\. sıra, GIFT-Eval'de temel modeller arasında 1\. sıra.

Depo kodunun bir kısmı Apache-2.0 lisanslı, ancak TimesFM 3.0 ağırlıkları timesfm-non-commercial-license-v1.0 ile geliyor ve ticari olmayan, üretim dışı kullanımla sınırlı. Model bugün karşılaştırmalı test edilebiliyor, üretimdeki bir tahmin API'sinin arkasına konulamıyor.

Ayrıntılar için [MarkTechPost'un haberine](https://www.marktechpost.com/2026/08/31/google-ai-releases-timesfm-3-a-330m-parameter-zero-shot-foundation-model-for-multivariate-time-series-forecasting/?ref=globalfeed.ai) bakabilirsiniz.