Ngày 31 tháng 8 năm 2026, Google Research đã giới thiệu TimesFM-3, một mô hình nền tảng zero-shot dành cho chuỗi thời gian đa biến. Nhà phát triển công bố mô hình có 330 triệu tham số, được tiền huấn luyện trên hơn một nghìn tỷ điểm thời gian và hỗ trợ nguyên bản nhiều mục tiêu cùng các biến lịch sử hoặc đã biết trong tương lai. Những khả năng này khiến mô hình trở nên đáng chú ý để đẩy nhanh các dự án dự báo. Tuy nhiên, chúng không thay thế việc so sánh trong bối cảnh cục bộ, phân tích dữ liệu hay xây dựng cơ chế quản trị.
Điểm cần nhớ: Hãy coi TimesFM-3 là một ứng viên bổ sung, không phải chân lý phổ quát. Một thử nghiệm nghiêm túc phải so sánh mô hình với baseline ngây thơ, mô hình thống kê và phương pháp đang được sử dụng, trên các cửa sổ thời gian có thể tái lập cùng những chỉ số gắn với quyết định kinh doanh.
1. TimesFM-3 thực sự mang lại điều gì
Các phiên bản đầu tiên của TimesFM tập trung vào dự báo đơn biến: mô hình quan sát lịch sử của một chuỗi và dự đoán phần tiếp theo. TimesFM-3 bổ sung cách biểu diễn đa biến. Mô hình có thể dự báo nhiều chuỗi liên quan và sử dụng các biến ảnh hưởng đến hiện tượng cần dự báo.
Google phân biệt ba nhóm đầu vào. Target là các chuỗi cần dự báo, chẳng hạn doanh số của nhiều sản phẩm. Covariate quá khứ chỉ được biết trong dữ liệu lịch sử, chẳng hạn lưu lượng đã quan sát. Covariate động được biết trong khoảng thời gian tương lai, ví dụ lịch khuyến mãi, ngày nghỉ lễ hoặc dự báo thời tiết có sẵn tại thời điểm ra quyết định.
Kiến trúc luân phiên giữa attention thời gian nhân quả và attention giữa các biến. Mô hình tạo ra toàn bộ khoảng dự báo trong một lượt chạy phi tự hồi quy và cung cấp chín phân vị từ phân vị thứ 10 đến phân vị thứ 90. Đầu ra xác suất này cho phép biểu diễn nhiều kịch bản thay vì một đường duy nhất.
Google công bố vị trí trung bình dẫn đầu trên nhiều benchmark công khai khi so sánh với các mô hình đã được tiền huấn luyện khác. Đây là kết quả do đội ngũ thiết kế mô hình công bố, trên những bộ dữ liệu và giao thức được xác định. Kết quả cho thấy tiềm năng, nhưng không dự đoán được hiệu năng trên các chuỗi, điểm gãy, mức độ chi tiết hay ràng buộc vận hành của bạn.
2. Vì sao zero-shot thay đổi cách bắt đầu một dự án
Mô hình zero-shot có thể được áp dụng mà không cần huấn luyện riêng cho từng chuỗi. Đặc tính này rút ngắn thời gian cần thiết để có một mốc tham chiếu ban đầu. Nhóm có thể nạp dữ liệu lịch sử, xác định khoảng dự báo và nhanh chóng so sánh kết quả với các phương pháp hiện có.
Lợi ích này đặc biệt hữu ích khi tổ chức có nhiều chuỗi ngắn hoặc không đồng nhất: doanh số theo điểm phân phối, số lượng ticket theo danh mục, mức tiêu thụ hạ tầng theo dịch vụ hoặc nhu cầu tồn kho theo mã hàng. Việc huấn luyện và duy trì một mô hình riêng cho từng chuỗi sẽ trở nên tốn kém.
Zero-shot không có nghĩa là “không cần làm dữ liệu”. Vẫn phải xác định tần suất, xử lý các khoảng trống, phân biệt số 0 thực tế với giá trị thiếu, xử lý thay đổi phạm vi và chọn giai đoạn lịch sử phù hợp. Một mô hình mạnh không thể tự biết một cửa hàng đã đóng cửa, cảm biến đã thay đổi hay quy tắc kế toán đã chuyển dịch các khối lượng.
Vì vậy, việc kiểm kê, đánh giá chất lượng, quản lý quyền truy cập và truy xuất nguồn gốc phải có trước việc chọn mô hình, như trong hướng dẫn của chúng tôi về chuẩn bị dữ liệu cho một dự án AI tạo sinh. Đối với dự báo, hãy bổ sung ngày thực tế mà từng biến trở nên sẵn có.
Cũng cần so sánh tổng thời gian. Mô hình có thể loại bỏ giai đoạn huấn luyện nhưng lại cần nhiều tài nguyên tính toán hơn khi suy luận hoặc yêu cầu hạ tầng riêng. Chi phí cần quan tâm là chi phí để tạo ra, giám sát và sử dụng một dự báo, không chỉ là chi phí của notebook ban đầu.
3. Những trường hợp đa biến có thể tạo ra giá trị
Dự báo đa biến hữu ích khi các chuỗi thực sự chia sẻ một động lực chung. Doanh số của các sản phẩm bổ trợ, tải của nhiều dịch vụ trên một nền tảng hoặc sản lượng của các chi nhánh chịu cùng một lịch có thể cung cấp thông tin cho nhau.
Các biến đã biết trong tương lai thường còn quan trọng hơn. Lịch khuyến mãi, đợt đóng cửa đã lên kế hoạch, một lần ra mắt, ngày nghỉ lễ hoặc một lượt đặt chỗ đã được ghi nhận có thể làm thay đổi khoảng dự báo. Cách tiếp cận đơn biến nhìn thấy tác động trong quá khứ nhưng bỏ qua sự kiện sắp tới; mô hình tiếp nhận các covariate này có thể đưa sự kiện đó vào dự báo.
Tuy vậy, chất lượng phụ thuộc vào độ ổn định của mối quan hệ. Một chương trình khuyến mãi không phải lúc nào cũng có cùng tác động, tùy theo giá, kênh, khả năng cung ứng hay mùa vụ. Bản thân dự báo thời tiết cũng chứa bất định. Thêm nhiều biến không đảm bảo khả năng tổng quát hóa tốt hơn và có thể tạo ra sự phụ thuộc vào dữ liệu không có trong môi trường production.
Trước khi thử nghiệm, hãy lập một ma trận đơn giản: biến, khả năng sẵn có tại thời điểm dự báo, tần suất cập nhật, chất lượng lịch sử, người phụ trách và lý do kinh doanh. Mọi biến chưa biết tại thời điểm ra quyết định thực tế phải được loại khỏi tập dữ liệu tương lai, kể cả khi sau đó biến này xuất hiện trong kho dữ liệu.
4. Tránh rò rỉ giữa quá khứ và tương lai
Rò rỉ theo thời gian là lỗi nguy hiểm nhất trong một dự án dự báo. Lỗi này xảy ra khi thông tin tương lai được sử dụng trực tiếp hoặc gián tiếp để tạo ra một dự đoán vốn được cho là đã được thực hiện trong quá khứ.
Một ví dụ điển hình là dữ liệu khuyến mãi được ghi nhận sau chiến dịch nhưng gắn với ngày bắt đầu chiến dịch. Khi backtest được thực hiện hôm nay, dữ liệu đó bị coi như đã có sẵn, mặc dù tại thời điểm ra quyết định nó chưa tồn tại. Vấn đề tương tự áp dụng cho việc sửa dữ liệu, các phép tổng hợp được tính trên toàn bộ một giai đoạn và các biến được cập nhật hồi tố.
Mỗi cột phải có hai ngày: ngày xảy ra sự kiện và ngày dữ liệu trở nên sẵn có. Việc phân tách phải dựa trên ngày thứ hai. Với một dự báo được thực hiện vào ngày 1 tháng 6, mô hình chỉ được nhận những gì thực sự đã biết vào ngày 1 tháng 6.
Chuẩn hóa cũng có thể gây rò rỉ nếu các thống kê được tính trên toàn bộ tập dữ liệu. Ngay cả khi mô hình có cơ chế chuẩn hóa riêng, các phép biến đổi nghiệp vụ, việc điền khuyết và lựa chọn chuỗi phải chỉ được điều chỉnh dựa trên phần quá khứ của từng cửa sổ.
Cuối cùng, hãy giữ nguyên một tập kiểm thử cuối cùng. Việc thử đi thử lại trên cùng một khoảng thời gian sẽ dần biến tập này thành dữ liệu huấn luyện ngầm của nhóm.
5. Xây dựng backtesting đáng tin cậy
Một lần chia duy nhất giữa quá khứ và tương lai cho góc nhìn dễ sai lệch. Hãy dùng phương pháp xác thực với nguồn trượt: chọn nhiều ngày dự báo trong quá khứ, huấn luyện hoặc cấu hình các phương pháp bằng dữ liệu có sẵn tại từng ngày, sau đó đo lường khoảng thời gian tiếp theo.
Các cửa sổ phải đại diện cho những tình huống quan trọng: mùa cao điểm, giai đoạn yên ắng, lần ra mắt, gián đoạn nguồn cung và thay đổi xu hướng. Một mô hình có hiệu năng trung bình tốt vẫn có thể thất bại đúng vào những giai đoạn mà quyết định gây tốn kém nhất.
Hãy so sánh ít nhất bốn mức:
- một baseline ngây thơ, chẳng hạn giá trị cuối cùng hoặc cùng kỳ trước;
- một phương pháp thống kê phù hợp với tính mùa vụ;
- giải pháp doanh nghiệp hiện đang sử dụng;
- TimesFM-3 ở chế độ đơn biến và đa biến khi dữ liệu cho phép.
Baseline ngây thơ là bắt buộc. Trong nhiều bối cảnh ổn định, baseline này vẫn khó bị vượt qua. Một mô hình chỉ cải thiện nhẹ so với benchmark nhưng không vượt qua “cùng ngày của tuần trước” thì chưa tạo đủ giá trị vận hành.
Hãy ghi lại phiên bản của dữ liệu, mã nguồn, mô hình và các dependency. Kết quả phải có thể chạy lại sau nhiều tháng, đặc biệt khi một phiên bản mới của mô hình làm thay đổi các dự báo.
6. Đo lường độ bất định, không chỉ sai số trung bình
Các chỉ số phải phù hợp với quyết định. MAE đo sai số tuyệt đối trung bình và vẫn dễ đọc theo đơn vị nghiệp vụ. WAPE liên hệ sai số với tổng khối lượng, nhưng có thể bị các chuỗi lớn chi phối. MASE so sánh mô hình với một dự báo ngây thơ và giúp việc so sánh giữa các chuỗi dễ dàng hơn.
Đối với các phân vị, hãy dùng hàm mất mát phân vị và kiểm tra hiệu chuẩn. Nếu khoảng được công bố ở mức 80% chỉ chứa giá trị thực 50% số lần, độ bất định đang bị đánh giá thấp. Ngược lại, một khoảng rất rộng có thể bao phủ gần như mọi trường hợp nhưng hỗ trợ quyết định rất ít.
Hãy bổ sung các chỉ số kinh doanh. Dự báo thiếu tồn kho có thể tốn kém hơn dự báo thừa. Sai số 10% trên một mã hàng nhỏ không có tác động giống như sai số trên một sản phẩm chiến lược. Hãy tính số lần hết hàng tránh được, lượng tồn kho bị giam vốn, số giờ đã lập kế hoạch hoặc ngân sách cloud đã dự trữ.
Cũng cần đánh giá tính ổn định. Một dự báo thay đổi mạnh chỉ vì đầu vào thay đổi nhỏ sẽ khó sử dụng. Hãy so sánh các phiên bản liên tiếp khi dữ liệu mới đến và đo mức độ điều chỉnh của khoảng dự báo.
Đầu ra xác suất của TimesFM-3 là một lợi thế tiềm năng, với điều kiện các phân vị được hiệu chuẩn theo bối cảnh cục bộ và thực sự được sử dụng trong các quy tắc ra quyết định.
7. Chọn giữa mô hình nền tảng, mô hình chuyên biệt và mô hình lai
Mô hình nền tảng phù hợp khi số lượng chuỗi lớn, thời gian khởi động ngắn và tổ chức muốn có một nền tảng chung. Mô hình cũng có thể đóng vai trò challenger thường trực hoặc giải pháp dự phòng khi mô hình chuyên biệt thiếu dữ liệu lịch sử.
Mô hình cục bộ vẫn phù hợp khi hiện tượng mang tính đặc thù cao, các biến được kiểm soát tốt và một vài điểm hiệu năng có giá trị lớn. Mô hình có thể tích hợp các ràng buộc nghiệp vụ, hàm chi phí bất đối xứng hoặc cấu trúc nhân quả không được thể hiện trong mô hình tổng quát.
Cách tiếp cận lai thường là lựa chọn vững chắc nhất. TimesFM-3 cung cấp dự báo cơ sở và các phân vị; một lớp nghiệp vụ áp dụng các ràng buộc, kết hợp thông tin cục bộ hoặc điều chỉnh độ lệch đã quan sát. Có thể chọn một mô hình khác cho một số nhóm chuỗi.
Quyết định phải tính đến hiệu năng, chi phí, độ trễ, giấy phép, tính bảo mật, khả năng giải thích và mức độ dễ vận hành. Cũng cần kiểm tra tình trạng sẵn có của các tích hợp đã công bố: tính đến ngày 31 tháng 8 năm 2026, Google cho biết TimesFM-3 đã có trên GitHub và Hugging Face, trong khi tích hợp BigQuery được thông báo sẽ có trong những tuần tiếp theo.
8. Thử nghiệm gồm sáu bước
Hãy bắt đầu với một phạm vi mà quyết định và giá trị đã rõ ràng: từ hai mươi đến một trăm chuỗi, một khoảng dự báo xác định và một baseline hiện có. Tránh chỉ chọn những chuỗi sạch nhất.
Thứ hai, xây dựng bảng về thời điểm các biến sẵn có và loại bỏ rò rỉ. Thứ ba, chuẩn bị từ năm đến mười nguồn backtest bao phủ nhiều tình huống nghiệp vụ. Thứ tư, chạy tất cả phương pháp với cùng một giao thức và cùng một dữ liệu.
Thứ năm, tổ chức buổi đánh giá với người dùng. Trình bày các sai số, khoảng dự báo và một số trường hợp cụ thể mà chưa tiết lộ tên mô hình, nhằm giảm thiên lệch do tính mới. Hỏi xem quyết định nào sẽ thay đổi và tác động là gì.
Thứ sáu, triển khai ở chế độ quan sát. Hệ thống tạo ra các dự báo, nhưng phương pháp hiện tại vẫn là cơ sở ra quyết định trong nhiều chu kỳ. Hãy đo chất lượng, chi phí, tính ổn định và khả năng sẵn sàng trước khi chuyển đổi.
Hãy xác định tiêu chí thành công trước khi kiểm thử: mức cải thiện tối thiểu so với baseline, hiệu chuẩn chấp nhận được, chi phí tối đa, thời gian thực thi và tỷ lệ chuỗi mà mô hình không làm kết quả xấu đi. Nếu không có ngưỡng đặt trước, nhóm sẽ luôn tìm được cách biện minh cho mô hình mới nhất.
Kết luận
TimesFM-3 đánh dấu một bước phát triển đáng chú ý của các mô hình nền tảng cho chuỗi thời gian: dự báo đa biến zero-shot, các biến đã biết trong tương lai và đầu ra xác suất trong một lượt chạy. Những đặc điểm này có thể giảm chi phí khởi đầu và mở rộng số lượng chuỗi được bao phủ.
Tuy nhiên, giá trị chỉ được chứng minh bằng một quy trình cục bộ, không có rò rỉ theo thời gian, được so sánh với các baseline vững chắc và sử dụng các chỉ số gắn với nghiệp vụ. Partitech hỗ trợ chuẩn bị dữ liệu, xây dựng backtesting, công nghiệp hóa MLOps và chuyển các dự báo thành những quyết định có thể đo lường.
Tài liệu tham khảo
- Google Research — “TimesFM-3: A zero-shot foundation model for multivariate forecasting”, ngày 31 tháng 8 năm 2026: https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/
- Google Research — kho mã TimesFM: https://github.com/google-research/timesfm
- Hugging Face — mô hình TimesFM-3: https://huggingface.co/google/timesfm-3.0-pytorch