BigQuery เปิด TimesFM 3.0 พยากรณ์หลายอนุกรมเวลาพร้อมตัวแปรประกอบ

Google Cloud ประกาศวันที่ 12 ตุลาคม 2026 ว่า BigQuery เปิดพรีวิว TimesFM 3.0 สำหรับพยากรณ์อนุกรมเวลาหลายตัวแปรผ่าน SQL โมเดลขนาด 330 ล้านพารามิเตอร์จาก Google Research นี้ขยายจากการพยากรณ์ตัวเลขเป้าหมายชุดเดียว ไปสู่การใช้หลาย target และปัจจัยประกอบ เช่น วันหยุด โปรโมชั่น หรือข้อมูลย้อนหลังอื่น ๆ ความหมายต่อทีมข้อมูลคือสามารถทดลองพยากรณ์ใน BigQuery โดยไม่ต้องสร้างบริการโฮสต์โมเดลแยก แต่ผลลัพธ์ยังต้องเทียบกับข้อมูลจริงและวิธีเดิม

ต่างจากเวอร์ชันก่อนตรงไหน

TimesFM 2.0 และ 2.5 ใน BigQuery รองรับการพยากรณ์แบบ univariate เป็นหลัก คือดูประวัติของ series เดียวแล้วคาดค่าถัดไป ปัญหาในงานจริงคือยอดขาย การเดินทาง หรือโหลดระบบได้รับผลจากหลายปัจจัยพร้อมกัน TimesFM 3.0 เพิ่มการพยากรณ์หลาย target ในคำขอเดียว และรับ covariates สองชนิด: ตัวแปรที่รู้เฉพาะอดีตกับตัวแปรที่รู้ค่าอนาคตล่วงหน้า Google ยกตัวอย่างจำนวนผู้ใช้จักรยานสองกลุ่ม โดยใช้ระยะเวลาการปั่นเฉลี่ยในอดีตและตัวบ่งชี้วันหยุดสุดสัปดาห์ในอนาคต

ในการเรียก AI.FORECAST นักพัฒนาส่ง MODEL => 'TimesFM 3.0' และระบุ TARGET_COLS, PAST_COVARIATE_COLS, FUTURE_COVARIATE_COLS ตามข้อมูลที่มี ตัวอย่างเป็นตารางเดียวที่รวมแถวประวัติและแถวของช่วงที่จะพยากรณ์ แถวอนาคตใส่ค่าตัวแปรที่รู้ล่วงหน้าได้ แต่ target และตัวแปร past-only ต้องเป็น NULL การจัดรูปตารางให้ถูกสำคัญกว่าการสั่งโมเดลด้วยชื่อใหม่เฉย ๆ เพราะหากเผลอเติมข้อมูลที่ไม่ควรรู้ในอนาคต จะเกิด data leakage และผลประเมินดูดีเกินจริง

ตัวเลขจาก benchmark ใช้อย่างไร

Google ระบุว่า TimesFM 3.0 อยู่ลำดับหนึ่งใน GIFT-Eval, FEV-Bench และ TIME สำหรับงาน zero-shot ที่ทดสอบไว้ นี่เป็นผล benchmark ของผู้พัฒนา ไม่ใช่หลักประกันว่าชุดข้อมูลขององค์กรจะได้ความแม่นยำอันดับหนึ่งด้วย ปริมาณข้อมูล ประเภท seasonal pattern เหตุการณ์ที่เปลี่ยนธุรกิจ และความถูกต้องของ covariate ต่างกันมาก ทีมควรทำ backtesting หลายช่วงเวลา ใช้ baseline ง่าย ๆ เช่น seasonal naive และเทียบทั้ง point error กับช่วงความไม่แน่นอนก่อนนำไปใช้ตัดสินใจทางธุรกิจ

TimesFM 3.0 ยังใช้แทนโมเดลเดิมในงาน univariate ผ่าน AI.FORECAST และ AI.DETECT_ANOMALIES ได้โดยระบุชื่อโมเดลใหม่ แต่การเปลี่ยนใน pipeline เดิมควรเป็นการทดลองแบบควบคุม แยกผลของโมเดลจากการเปลี่ยน query หรือข้อมูลที่ป้อน ตรวจว่ารูปแบบผลลัพธ์ downstream รับได้ และเก็บ prediction เก่ากับใหม่ในช่วงเปรียบเทียบ การอัปเกรดที่ดูเป็นเพียง string เดียวอาจเปลี่ยนคะแนน anomaly และจำนวน alert ได้

แนวทางใช้ในงานจริง

เริ่มจาก series ที่มีความหมายและมีตัวแปรอนาคตที่รู้แน่ เช่น ปฏิทินวันหยุดหรือกำหนดโปรโมชั่น อย่าใส่ค่าที่จะรู้หลังเหตุการณ์เกิดแล้วเป็น future covariate ตรวจ missing data, ความถี่ของ timestamp และการเปลี่ยนเวลาเขตพื้นที่ก่อนสร้างตารางฝึก แล้วรันตัวอย่างกับช่วงทดสอบที่ไม่ใช้ในการออกแบบ query วัดต้นทุน BigQuery และเวลา query เมื่อจำนวน series เพิ่มขึ้น

Google ยังระบุว่า BigQuery Conversational Analytics สามารถรับคำขอภาษาธรรมชาติแล้วสร้าง AI.FORECAST ที่ใช้ TimesFM 3.0 พร้อมกราฟและ prediction intervals ได้ ฟีเจอร์นี้ช่วยสำรวจโจทย์ แต่ก่อนใช้ผลไปวางแผนสินค้า ควรอ่าน SQL ที่ระบบสร้างว่าตัวแปรเป้าหมาย ช่วงอดีต และช่วงอนาคตตรงตามโจทย์จริงหรือไม่ ข่าวนี้น่าสนใจเพราะลดขั้นตอนเริ่มต้นของ multivariate forecasting แต่ยังอยู่ในสถานะพรีวิวและต้องวัดผลในโดเมนของตนเอง

อ่านประกาศต้นทางวันที่ 12 ตุลาคม 2026: Google Cloud Blog — Introducing TimesFM 3.0 with multivariate time-series forecasting in BigQuery