Google Research、時系列予測モデルTimesFM 2.5を公開

Google Researchは、時系列予測向けファンデーションモデル「TimesFM」の最新バージョン2.5を公開した。このモデルはGitHub上でオープンソースとして提供されており、PyPIからインストールが可能だ。TimesFMはICML 2024で発表されたデコーダーオンリーのファンデーションモデルで、多様な時系列データに対する事前学習を施すことで、ゼロショットでの予測性能を実現する。

モデルアーキテクチャの刷新

TimesFM 2.5では、アーキテクチャに大幅な変更が加えられた。パラメータ数は従来の500Mから200Mへと約60%削減され、軽量化と推論効率の向上が図られている。同時に、コンテキスト長は従来の2048から最大16,384（16k）へと拡張され、より長期間の時系列パターンをモデルが捉えられるようになった。

さらに、オプションの30Mパラメータを持つ分位点ヘッドを追加することで、最大1000ステップ先までの連続分位点予測（quantile forecast）をサポートする。これにより、単なる点推定ではなく、予測の不確実性を確率分布として評価できる。これらは金融リスク分析や在庫管理など、信頼区間が重要なユースケースにおいて実用的価値が高い。

従来搭載されていた周波数インジケータは廃止され、代わりに新しい予測フラグが追加された。この変更により、モデルが入力データの周期性を自動的に学習する設計へと移行した。

インストールと使用方法

TimesFM 2.5はPyPIから容易にインストールできる。バックエンドとしてPyTorchとFlax（JAXベース）の両方がサポートされており、ユーザーは利用環境に応じて選択する。

PyTorch版のインストールは以下のコマンドで行う：

pip install timesfm[torch]

Flax版を使用する場合は：

pip install timesfm[flax]

さらに、共変量（covariate）サポートを利用する場合はXRegモジュールを追加する：

pip install timesfm[xreg]

ローカル環境で開発用にインストールする場合も、uvを用いた手順が公式ドキュメントで提供されている。

コード例としては、以下のようにしてモデルをロードし予測を行う：

import torch
import numpy as np
import timesfm

torch.set_float32_matmul_precision("high")

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(...)

このコードは、PyTorchの設定を高精度モードにした上で、TimesFM 2.5の200Mパラメータ版モデルを読み込む。モデルの重みはHugging Faceのモデルハブから取得される。

エージェント機能とファインチューニング

TimesFM 2.5の重要な進展の一つが、エージェント機能のサポートである。コミュニティのコントリビューターであるborealBytes氏の貢献により、TimesFMのエージェントとしての活用をガイドする「SKILL.md」が公開された。このドキュメントは、AIエージェントがTimesFMを呼び出して時系列予測を実行するためのインターフェース定義を提供する。

エージェント機能の追加により、大規模言語モデル（LLM）と連携した自律的な時系列分析パイプラインの構築が可能になる。例えば、LLMがユーザーの自然言語クエリを解釈し、TimesFMを呼び出して将来予測を実行し、結果を説明文とともに返すといったワークフローが想定される。

また、2026年4月のアップデートでは、HuggingFace TransformersとPEFT（LoRA）を使ったファインチューニングのサンプルコードが追加された。これにより、特定のドメイン（電力需要予測、トラフィック予測、金融市場予測など）向けにモデルを効率的にカスタマイズできる。サンプルコードは timesfm-forecasting/examples/finetuning/ ディレクトリに格納されている。

さらに、単体テスト（tests/）が整備され、コアレイヤー、設定、ユーティリティの品質保証が強化された。コミュニティからのプルリクエストも複数取り込まれており、オープンソースとしての成熟度が高まっている。

推論性能の最適化

TimesFM 2.5では、Flaxバージョンのモデルが利用可能となっている。FlaxはJAX上で動作するニューラルネットワークライブラリであり、XLAコンパイラによる最適化やTPUサポートが強みである。特に、大規模バッチ処理や長いコンテキストでの推論において、PyTorch版と比較して顕著な速度向上が期待できる。

また、共変量サポート（XReg）が2025年10月のアップデートで追加された。これにより、予測対象の時系列だけでなく、外部要因（気温、祝日、経済指標など）をモデルに与えることが可能になった。XRegは元々TimesFM 2.0以前でサポートされていた機能であり、コミュニティからの要望を受けて2.5でも復活した形だ。

Googleプロダクトとの統合

TimesFMはオープンソース版に加えて、Googleの各種プロダクトでも利用可能である。BigQuery MLではエンタープライズ向けのSQLクエリによる時系列予測が行え、Google Sheetsではスプレッドシート上で直接予測を実行できる。Vertex Model GardenではDocker化されたエンドポイントが提供され、エージェント呼び出しに対応する。

これにより、データサイエンティストからビジネスアナリストまで、異なるスキルセットを持つユーザーがTimesFMの予測能力を活用できる環境が整っている。特にBigQuery MLとの統合は、大規模データに対するスケーラブルな予測処理を可能にする。

競合モデルとの比較

時系列予測の分野では、Metaが開発したProphet、Amazonが開発したGluonTS、NixtlaのStatsForecastやNeuralForecastなど、複数のオープンソースツールが存在する。TimesFMの特徴は、大規模な多様な時系列データで事前学習されたファンデーションモデルである点にある。

従来のモデルはドメイン特化型で、ゼロショット性能は限定的だった。TimesFMはあらゆる分野の時系列パターンを学習しているため、ファイナンス、エネルギー、天候、需要予測など、幅広いタスクに対して追加学習なしで推論できる。もちろん、ファインチューニングによってさらに精度を高めることも可能だ。

コンテキスト長16kは、競合の多くが数百分〜数千の範囲であることを考えると、非常に長い系列を扱える点で差別化要素となる。分位点予測のサポートも、多くの競合が標準機能として持たないため、実用的な優位性がある。

バージョン履歴とコミュニティの成長

TimesFMは2024年の公開以来、活発な開発が続けられている。2025年9月にTimesFM 2.5がリリースされて以降、Flax版の追加、XRegサポートの復活、エージェント機能の追加、ファインチューニングサンプルの追加、単体テストの整備といった改善が継続的に行われてきた。

特に、コミュニティ主導の開発が目立つ。AGENTS機能やSKILL.mdはコミュニティコントリビューターによる貢献であり、XRegサポートの復活もユーザーからの要望に応えたものだ。Google Researchが公式にサポートするプロダクトではないという立場を明確にしつつも、実質的には活発なメンテナンスが行われている。

PyPIパッケージは2026年6月5日にバージョン2.0.0にアップデートされ、インストール手順が簡略化された。古いバージョン（1.0、2.0）のコードはv1サブディレクトリにアーカイブされ、pip install timesfm==1.3.0 で旧パッケージをインストール可能だ。

時系列予測の民主化

TimesFMのオープンソース公開は、高度な時系列予測技術の民主化という観点から重要である。従来、高精度な予測モデルを構築するには、専門的なドメイン知識と機械学習のスキル、さらには大量の学習データが必要だった。ファンデーションモデルであるTimesFMは、こうした障壁を大幅に低減する。

中小企業や研究機関でも、短期間で導入し、独自データに対する予測を開始できる。特に、Google Sheetsとの連携は、プログラミングスキルが低いユーザーでも時系列予測を体験できる点で価値が高い。一方で、高度なユーザーはLoRAによるファインチューニングやエージェント統合により、システムに深く組み込むことも可能だ。

編集部の見解

短期的には、TimesFM 2.5の公開は時系列予測分野におけるファンデーションモデルの実用性を大きく前進させると評価する。特に、パラメータ削減とコンテキスト拡張の両立は、推論コストの低減と長期間予測の両方を実現した点で重要だ。エンタープライズにおいてBigQuery MLやVertex AIとの統合が進めば、クラウド上の既存データパイプラインに容易に組み込まれ、予測分析の導入が加速する可能性がある。競合他社も同様のファンデーションモデルを開発する動きが活発化すると見られる。 長期的視点としては、Googleが時系列予測の標準基盤としてTimesFMを位置づけ、より多くのプロダクトに組み込む可能性が考えられる。自律型エージェントがデータ分析を代行する未来において、TimesFMのような軽量で汎用的なモデルが果たす役割は大きい。ただし、Googleの公式プロダクトではないという位置づけが、エンタープライズでの採用判断にどの程度影響するかは注目に値する。コミュニティ主導の開発が続くかどうかも、長期的な持続可能性を左右する要因だろう。

参考

• Google Research TimesFM GitHubリポジトリ — 2026-06-19公開
• TimesFM Hugging Face Collection — 継続更新
• Google Research Blog: TimesFM — 継続更新