コンテンツに移動
データ分析

BigQuery で多変量時系列予測を行う TimesFM 3.0 のご紹介

2026年10月21日
Haiyang Qi

Software Engineer

Haoming Chen

Engineering Manager

※この投稿は米国時間 2026 年 10 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

概要

BigQuery に AI.FORECAST を使用したゼロショット時系列予測が導入されて以来(当初は TimesFM 2.0 を搭載し、後に TimesFM 2.5 にアップグレード)、カスタムモデルのトレーニングや管理を行うことなく、SQL で直接予測を生成できるようになりました。しかし、TimesFM 2.5 までは、これらの基盤モデルは単変量予測に限定されており、単一の時系列の履歴のみから将来の値を予測していました。実際には、現実世界の予測問題のほとんどは多変量であり、関連するターゲットと、天気、プロモーション、休日などの外部要因が組み合わさって将来の結果を形成します。

本日、BigQuery での TimesFM 3.0 プレビュー版のリリースをお知らせできることを嬉しく思います。Google Research が開発した TimesFM 3.0 は、3 億 3,000 万のパラメータを持つ最先端の基盤モデルで、BigQuery SQL 内で直接、組み込みの多変量時系列予測を実現できるように設計されています。TimesFM 3.0 は、GIFT-Eval、FEV-Bench、TIME という 3 つの主要な公開時系列リーダーボードすべてで 1 位を獲得しており、既存の基盤モデルと比較して、共変量予測タスクと多変量予測タスクの両方で最高のゼロショット精度を達成しています。

TimesFM 3.0 は、新しい多変量機能に加えて、AI.FORECAST による単変量予測と AI.DETECT_ANOMALIES による異常検出のドロップイン アップグレードとしても機能します。既存のワークフローでも、model => 'TimesFM 3.0' を指定するだけで、向上したベンチマーク精度の恩恵をすぐに享受できます。

新機能: 多変量基盤モデリング

TimesFM 3.0 により、BigQuery では AI.FORECAST を通じて、使い慣れた SQL ワークフローにエンタープライズ グレードの多変量モデリングを取り入れることができます。

機能

TimesFM 2.0 / 2.5

TimesFM 3.0

予測の範囲

単変量のみ

単変量と多変量

ターゲット列

単一のターゲット

単一または複数のターゲット

過去の値のみを含む共変量列

非対応

サポート対象

過去と未来の値を含む共変量列

非対応

サポート対象

BigQuery SQL を使用した多変量予測

これらの機能がどのように連携するかを確認するために、NYC Citi Bike の一般公開データセット(bigquery-public-data.new_york.citibike_trips)を使用して、7 日間の通勤(subscriber_trips)とレジャー(casual_trips)の自転車利用を予測してみましょう。

BigQuery は、多変量予測に単一テーブルの入力形式を使用します。この形式では、次の 2 つの行セットが結合されます。

  • 過去の観測行: 開始時間(2016 年 1 月 1 日)から予測カットオフ日(2016 年 6 月 1 日)までのタイムスタンプ。ターゲット指標、過去の共変量、既知の将来の共変量がすべて入力されています。

  • 将来のホライズン行: 7 日間の予測ホライズン(2016 年 6 月 1 日~2016 年 6 月 7 日)にわたるタイムスタンプ。既知の将来の共変量が入力され、ターゲット列と過去のみの共変量は NULL に設定されています。

lang-sql
読み込んでいます...

このクエリは、TimesFM 3.0 でサポートされている 3 つの多変量ディメンションを示しています。

  1. 相関するターゲット(target_cols)の予測: 利用者セグメントごとに個別のモデルを実行する代わりに、TARGET_COLS => ['subscriber_trips', 'casual_trips'] を渡すことで、1 回の呼び出しで両方の指標を同時に予測できます。TimesFM 3.0 は、通勤利用者とカジュアル利用者における系列間の動向(天候に対する共通の感度や、週末の利用パターンの違いなど)を捉えます。

  2. 過去の共変量(past_covariate_cols)の使用: 平均乗車時間(avg_duration_min)、過去の来店数、計画外のサービス中断など、一部のシグナルは過去にしか観測できず、事前に把握できません。PAST_COVARIATE_COLS => ['avg_duration_min'] を渡す(将来のホライズン行は NULL に設定)ことで、モデルに過去のコンテキストが提供されます。これにより、その特徴量の将来の値を必要とせずに、一時的な変動と根本的な傾向を区別できます。

  3. 将来の共変量(future_covariate_cols)の使用: 週末(is_weekend)、休日、予定されているプロモーションなど、その他の外部要因は、履歴ウィンドウと予測ホライズンの両方で事前に把握できます。FUTURE_COVARIATE_COLS => ['is_weekend'](2016 年 6 月 7 日までのすべての行に設定)を渡すことで、TimesFM 3.0 は今後のカレンダー イベントを直接反映して 7 日間の予測を行うことができます。

出力について

関数は、target_cols で指定された各ターゲット列の構造化された予測を返します。target_cols の列ごとに、AI.FORECAST はポイント予測(値)と、予測区間の下限および上限を含む構造体を返します。

日付

subscriber_trips.value

subscriber_trips.prediction_interval_lower_bound

subscriber_trips.prediction_interval_upper_bound

casual_trips.value

casual_trips.prediction_interval_lower_bound

casual_trips.prediction_interval_upper_bound

time_series_type

confidence_level

ai_forecast_status

2016-06-01 00:00:00 UTC

44699.64

32590.76

55723.44

4581.32

1727.91

9189.31

予測

0.95

 

2016-06-02 00:00:00 UTC

44611.75

30413.05

57209.19

4647.17

1466.23

10273.55

予測

0.95

 

2016-06-03 00:00:00 UTC

41379.15

26218.65

54940.09

5341.36

1568.23

11805.86

予測

0.95

 

2016-06-04 00:00:00 UTC

30164.34

14266.43

45075.92

9097.74

2558.27

18452.52

予測

0.95

 

2016-06-05 00:00:00 UTC

26727.27

10101.44

42239.33

8398.50

1692.15

17768.99

予測

0.95

 

2016-06-06 00:00:00 UTC

36713.84

19493.00

52679.59

4723.08

400.08

11710.73

予測

0.95

 

2016-06-07 00:00:00 UTC

39749.97

22157.42

56119.86

4180.97

95.70

10845.74

予測

0.95

 

BigQuery 会話型分析の TimesFM 3.0

BigQuery 会話型分析では、自然言語を使用して多変量予測を実行することもできます。同じ bigquery-public-data.new_york.citibike_trips データセットで、「2 か月間の過去のデータを使用して、2016 年 6 月 1 日から 7 日までの 1 日あたりの定期利用回数とカジュアル利用回数を予測してください。過去の共変量として平均利用時間、将来の共変量として週末インジケーターを使用してください」と依頼するだけです。会話型分析は、TimesFM 3.0 を使用して基盤となる AI.FORECAST クエリを自動的に生成して実行し、結果の要約、各ターゲットの予測区間を含むインタラクティブな予測グラフ、主要な予測分析情報を返します。

https://storage.googleapis.com/gweb-cloudblog-publish/original_images/timesfm_3_in_ca_2.gif

BigQuery 会話型分析で TimesFM 3.0 を使用した多変量予測。自然言語プロンプトから 7 日間の予測、インタラクティブなグラフ、分析情報を生成。

まとめと次のステップ

TimesFM 3.0 の多変量予測がネイティブ サポートされたことで、BigQuery は、データの移動、カスタムの特徴量エンジニアリング パイプライン、専用のモデル ホスティング インフラストラクチャを必要とすることなく、複雑で相互に関連するエンタープライズ データセットに対して最先端の基盤モデルによる予測機能を提供します。

BigQuery の TimesFM 3.0 で予測を開始するには:

  • TimesFM 3.0 モデルのアーキテクチャと機能の詳細について、Google Research のブログ投稿を読む。

  • BigQuery TimesFM のドキュメントを確認する。

  • 多変量予測のチュートリアルの手順に沿って操作する。

  • BigQuery Studio SQL ワークスペースで `model => 'TimesFM 3.0'` を直接指定して AI.FORECAST を試す。

  • BigQuery で `model => 'TimesFM 3.0'` を指定して AI.DETECT_ANOMALIES を使用し、単変量時系列の異常検出を試す。

  • BigQuery で `model => 'TimesFM 3.0'` を指定して AI.EVALUATE を使用し、単変量時系列の評価を試す。

- ソフトウェア エンジニア、Haiyang Qi

- エンジニアリング マネージャー、Haoming Chen

投稿先