구글 AI가 공개한 시계열 기초 모델 TimesFM-3, 여러 변수를 한 번에 예측하는 3.3억 파라미터 모델의 모든 것

1. TimesFM-3가 뭐예요?

TimesFM-3는 시계열 예측 전용 AI 기초 모델(Foundation Model)입니다. 쉽게 말해 "시간에 따라 변하는 숫자 데이터"를 보고 미래 값을 예측하는 데 특화된 AI입니다.

• 규모: 3.3억(330M) 파라미터
• 학습 데이터: 실제 및 합성 데이터 1조 개 이상의 시점(time points)
• 핵심 능력: 다변량 예측을 네이티브로 지원 — 즉, 여러 관련 데이터를 한 번에 함께 예측
• 별도 학습 불필요(Zero-shot): 도메인에 맞게 다시 학습시키지 않아도 바로 사용 가능

구글의 예시인 아이스크림 매출처럼, "매출" 하나만 보는 게 아니라 관련 상품 매출, 매장 방문객 수, 날씨, 프로모션, 휴일 같은 변수들을 함께 살펴 미래 매출을 더 정확히 예측합니다.

2. 이전 버전과 뭐가 달라졌나요?

기존 TimesFM (2.5 이하)의 한계

지금까지의 TimesFM은 단변량(univariate) 모델이었습니다. "한 가지 데이터, 그 데이터의 과거 기록"만 보고 예측했기 때문에, 현실의 복잡한 상황을 충분히 반영하지 못했습니다.

TimesFM-3에서 달라진 점

TimesFM-3는 세 가지 입력 타입을 그대로 받아 처리합니다.

• 다중 타깃: 여러 목표 변수를 함께 예측 (점 추정 + 분위수)
• 과거 보조 변수(past covariates): 과거에는 알 수 있었던 정보, 예) 과거 매장 방문객 수
• 과거·미래 보조 변수(past-future covariates): 미래 값도 미리 아는 정보, 예) 프로모션 일정, 휴일

3. 핵심 기술은 무엇인가요?

① 패치(Patch) + 정규화

연속된 데이터 32개 지점을 하나의 패치(묶음)로 만듭니다. 그리고 시계열마다 값의 크기가 다른 문제를 해결하기 위해, 각 시계열을 따로 정규화합니다. 이렇게 하면 스케일이 큰 변수가 모델을 지배하지 않습니다.

② 두 가지 어텐션(Attention)을 번갈아 사용

모델의 �대는 디코더 전용 트랜스포머입니다. 패치로 만든 토큰은 2차원 격자에 들어간 뒤, 두 종류의 어텐션 층을 번갈아 통과합니다.

• 인과적 시간 어텐션(Causal Temporal Attention): 가로 방향으로 흐릅니다. 같은 시계열 안에서 과거 → 현재 방향만 보기 때문에 정보가 미래로 새지 않습니다(누설 방지).
• 전체 변수 어텐션(Full Variate Attention): 세로 방향으로 흐릅니다. 같은 시점에서 다른 모든 시계열을 함께 읽어 변수 간의 관계를 학습합니다.

즉, "시간의 흐름"과 "변수 사이의 관계"를 따로따로가 아니라 동시에 이해하는 구조입니다.

③ 연속 패치 마스킹(Contiguous Patch Masking)

이전 버전은 패치 하나를 생성할 때마다 모델을 다시 실행해야 해서 지연 시간과 오류 누적이 컸습니다. TimesFM-3는 미리 가려 둔(마스킹) 토큰을 전체 예측 구간(horizon)에 한꺼번에 채워 넣는 방식으로 한 번의 추론(forward pass)에 결과를 끝냅니다. 목표 변수와 과거 보조 변수는 가려 두고, 미래 보조 변수는 보이게 두어 미리 아는 정보는 그대로 활용합니다.

결과적으로 각 목표 변수마다 10%부터 90%까지 9개 분위수(확률적 구간 추정)를 매 시점마다 제공합니다. "예상값 하나"가 아니라 "예상 범위"를 함께 받을 수 있어 의사결정에 유용합니다.

4. 성능은 어느 정도인가요?

구글은 TimesFM-3를 세 가지 주요 벤치마크에서 평가했습니다.

• GIFT-Eval: 다양한 시계열 예측 벤치마크
• fev-bench: 실세계 예측 과제 100개
• TIME 리더보드: 50개 도메인 데이터셋, 98개 평가 과제

비교 대상으로는 Chronos-2, Toto 2.0 패밀리, TimesFM-2.5가 포함됐습니다. 그 결과 TimesFM-3는 기초 모델 중 평균 순위 1위를 기록했고, 점 추정과 확률 추정 모두에서 최고 성적을 거뒀습니다.

5. 라이선스와 주의사항

따라서 다음과 같이 정리할 수 있습니다.

• ✅ 연구·내부 벤치마크·비상용 PoC에서는 자유롭게 사용 가능
• ❌ 상용 서비스/API로의 배포는 금지
• 👉 상용 배포가 목적이라면 Apache-2.0 라이선스인 TimesFM 2.5를 사용해야 합니다

6. 자주 묻는 질문(FAQ)

Q1. 시계열 기초 모델이 일반 LLM과 뭐가 다른가요?

LLM은 텍스트(자연어) 토큰을 학습하지만, 시계열 모델은 시간에 따라 변하는 숫자 데이터(시점 값)를 직접 학습합니다. TimesFM-3는 자연어 처리가 아닌 숫자 패턴과 시간 의존성에 특화된 모델입니다.

Q2. "Zero-shot"이 정말인가요? 우리 데이터로 다시 학습 안 해도 되나요?

네. 시계열 입력과 보조 변수만 넣어주면 별도 미세 조정 없이도 예측을 얻을 수 있습니다. 다만 도메인 특화 정확도를 더 끌어올리고 싶다면, 같은 시계열 계열의 다른 모델과 함께 미세 조정하는 방식이 일반적입니다.

Q3. 다변량 예측은 변수를 몇 개까지 넣을 수 있나요?

문서에 명시된 하드 상한은 없지만, 모든 변수가 토큰으로 들어가 메모리 사용량이 선형적으로 증가합니다. 실무적으로는 보조 변수 10~30개 수준을 많이 사용하며, 그 이상은 GPU 메모리에 따라 달라집니다.

Q4. 출력에서 "분위수 9개"는 어떻게 활용하나요?

단순한 점 추정(예: "내일 매출 1,000만 원")뿐 아니라 "80% 확률로 800만~1,200만 원 사이다"와 같은 구간을 함께 받을 수 있습니다. 재고·리스크·재무 계획처럼 불확실성 자체를 관리해야 하는 영역에서 특히 유용합니다.

Q5. 우리 회사 서비스에 바로 붙여도 되나요?

TimesFM 3.0 가중치는 비영리·비프로덕션 라이선스입니다. 상용 API/서비스로 출시하려면 TimesFM 2.5 또는 다른 상용 가능 모델을 사용해야 합니다. 코드(Apache-2.0)와 가중치(비영리) 라이선스가 다르다는 점을 꼭 확인하세요.

마무리 요약

실무에서 시계열 예측을 다뤄본 분이라면, "예측 정확도 + 불확실성 + 다변량 입력"을 한 번에 해결해준다는 점에 매력을 느낄 모델입니다. 단, 라이선스 조건은 반드시 사전에 확인하시길 권장합니다.