TimesFM 3.0：预测未来销量时，把促销日历也交给模型

下个月哪些天做促销已经排好，只把过去销量交给模型，预测曲线却不知道日历上发生了什么。TimesFM 3.0 值得看的地方，是它能把促销计划也作为输入：用历史销量与历史活动之间的关系，帮助估计未来活动日的销量，同时给出预测分布的不同分位数。

这是 Google Research 的时间序列基础模型。它接收按时间排列的数值，不需要先把销量写成自然语言。当前主线已经是 3.0；旧版 2.5 的用法与许可，不能不加区分地搬过来。

先看促销日历怎样改变曲线

Google 的官方教学示意选了冰淇淋销量。历史销量画成灰线，底部橙色块标出促销日；虚线右侧进入未来。红线仅根据单个销量序列预测，蓝线则额外接收促销信息，因而在对应的未来日期出现更明显的抬升。官方示例与方法说明

官方示意：看虚线右侧蓝线与底部橙块的对应关系。图中未来没有实测销量对照，不能据此认定真实促销收益或预测误差。打开原图

把这份材料连起来看，输入包括历史销量、过去哪些天促销、未来哪些天计划促销。模型用历史上下文识别这些数值序列之间的关联，再输出未来每天的预测和分位数。未来真正要预测的销量被留空，计划中已经知道的促销标记可以保留。本文解析官方材料，没有运行一家真实门店的数据。

我更看重的是这个输入变化，而非蓝线画得更起伏：很多业务早就掌握未来活动计划，模型是否能用上这些信息，会直接决定预测是否回答了正确的问题。不过，图中活动与销量的关联也不能当成促销因果效应，更不能推导成每次促销都能多卖固定比例。

历史已知与未来已知，是两类材料

3.0 支持多个预测目标，也支持两类辅助序列：只有过去值的变量，以及过去和未来都能提供值的变量。例如过去客流只能作为历史材料；已确定的营业日安排则可以覆盖未来。天气预报若作为未来输入，提供的是当时能取得的预报，不是事后才知道的真实天气。

模型内部会把连续时间点分成小段，一方面沿时间理解各自的变化，另一方面在序列之间交换信息。未来目标位置用遮罩占位，未来已知变量保持可见，再生成预测。这解释了它怎样同时使用“以前发生什么”和“以后已确定什么”。

官方仓库的多变量例子也能帮忙读懂输出：三个目标序列、预测未来 24 步，点预测是三组各 24 个值；若要求分位数，每个目标的每一步还有九个分位值。这里的“步”取决于输入采样间隔，24 步不必然是 24 小时。当前代码示例与版本说明

实验结果与可用条件一起看

Google 报告在 GIFT-Eval、FEV-Bench 和 TIME 的点预测及概率预测评价中取得较好的平均排名，并比较了单变量和多变量模式。这些是发布方在公开基准上的报告；不能由此断定自己的缺货、停业或突然改价数据也会得到同样改善。一个有用的本地检验，是按真实时间留出后段，并只给模型当时可获得的计划信息，观察加入辅助变量后误差是否下降。

源码为 Apache-2.0，2.5 及以前的权重仍沿用 Apache-2.0；3.0 权重则采用非商业、非生产许可。官方同时说明，授权 Google Cloud 服务可按云服务条款用于商业和生产，这与下载权重自行部署是不同入口。3.0 模型卡与权重许可

因此，如果你只是想在表格里拉一条趋势线，未必需要这套模型；如果任务有多条相关序列，或未来计划本来就是预测的重要条件，它值得进一步研究。先整理清楚哪些未来信息是真的已知，再决定走研究权重还是授权服务，才能让模型的输入与任务对得上。