Eğitmeden tahmin: çok değişkenli zaman serileri için TimesFM-3
TimesFM-3: A zero-shot foundation model for multivariate forecasting
2024'te çıkan TimesFM'den bu yana zaman serisi temel modelleri perakende, finans, gözlemlenebilirlik, üretim ve sağlık gibi alanlarda gerçek tahmin görevlerinde kullanılıyor. TimesFM-2.5'e kadar (Eylül 2025) modeller yalnızca tek değişkenliydi: tek bir serinin geçmişine bakarak tahmin ediyordu. Oysa gerçek problemlerin çoğu çok değişkenli: dondurma satışını tahmin ederken yalnızca geçmiş satışlar yetmez; ilişkili ürünlerin satışı, mağaza trafiği, hava tahmini, promosyonlar ve tatiller de gerekir.
TimesFM-3, 330 milyon parametreli ve 1 trilyondan fazla zaman noktası içeren gerçek ve sentetik bir külliyatla önceden eğitilmiş. Görev özel ince ayar gerektirmeden (sıfır atış, zero-shot) birlikte evrilen birden çok seriyi bir arada tahmin edip aralarındaki bağımlılıkları yakalıyor. Mimari, öncüllerinin yalnızca-kod-çözücü transformer'ı: ardışık 32 zaman adımı bir yama (patch) olarak gruplanıyor. Geçmiş-gelecek ortak değişkenler için “ileri bakış” stratejisi var: her token mevcut yamayı gelecek yamalarla birleştiriyor. Transformer yığını 2B bir ızgara olarak çalışıyor ve zamansal dikkat ile seriler arası dikkat katmanlar boyunca dönüşümlü uygulanıyor.
Bir diğer iyileştirme gecikme: önceki sürümler tahmini yama yama üretirken hata birikiyordu. TimesFM-3 Contiguous Patch Masking ile tüm tahmin ufkunu tek ileri geçişte üretiyor. Gift-Eval, FEV-Bench ve Time kıyaslamalarının üçünde de hem nokta hem olasılıksal tahmin metriklerinde en üst sırada.
Öne çıkanlar
- Tek değişkenliden çok değişkenliye geçiş: ilişkili serileri ve bilinen gelecek olaylarını modele katmak.
- Sıfır atış: her yeni veri kümesi için eğitim yok; model olduğu gibi çalıştırılıyor.
- Yama tabanlı tokenizasyon, uzun serileri verimli işlemenin yolu (32 adım = 1 token).
- Tüm ufku tek geçişte üretmek, sıralı üretimdeki hata birikimini ve gecikmeyi ortadan kaldırıyor.
Neden önemli?
Zaman serisi tahmininde yıllarca her veri kümesi için ayrı model eğitmek norm oldu. Temel modeller bunu “önce hazır modeli dene” noktasına çekiyor: eğitim maliyeti olmadan makul bir taban çizgisi veriyor.
Sende karşılığı
Tradebot'ta bunu taban çizgisi olarak kullanabilirsin, strateji olarak değil. Finansal getiri serilerinde sinyal/gürültü oranı çok düşüktür ve bir temel modelin kıyaslamalardaki başarısı piyasada kâr anlamına gelmez; önce bu modelin tahminini “yarınki değer bugünküyle aynı” gibi saf bir yöntemle (naive baseline) karşılaştır ve walk-forward doğrulamadan geçir. Daha güvenli kullanım alanı operasyonel veri: sistem metriklerinde, API gecikmelerinde ya da KlioAI kullanım sayılarında ileriye dönük kapasite tahmini. Orada kazandırdığı şey eğitim zahmetinin ortadan kalkması.
Sözlük
- zero-shot forecasting sıfır atış tahmin
- Modeli yeni veri kümesinde ayrıca eğitmeden doğrudan tahmin yaptırma.
- multivariate time series çok değişkenli zaman serisi
- Birbirini etkileyen birden fazla serinin birlikte ele alındığı zaman serisi.
- covariate ortak değişken
- Hedef seriyi etkileyen ama kendisi tahmin edilmeyen dış değişken (hava durumu, promosyon gibi).
- naive baseline saf taban çizgisi
- Karmaşık bir modelin değerini ölçmek için kullanılan en basit yöntem (örn. son değeri tekrar etmek).