投稿者 投稿日: カテゴリー AIニュース
Googleが多変量の時系列予測AI「TimesFM-3」を公開しました。
Google Research の公式ブログが2026年8月31日に発表した内容によると、TimesFM-3 は3億3,000万パラメータの時系列基盤モデルで、売上だけでなく天候予報や販促スケジュールといった「将来すでに決まっている予定」を同時に読み込んで需要予測を行えます。学習には1兆点を超える時系列データが使われています。EC事業者にとって重要なのは、楽天やAmazonのセール日程が何か月も前から確定しているという事実です。この記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
TimesFM-3とは何か。3億3,000万パラメータで「未来の予定」を予測に入れる
TimesFM-3とは、Googleが公開した多変量対応の時系列予測基盤モデルのことです。追加学習なしのゼロショットで使える点が最大の特徴で、モデルはHugging FaceとGitHubで配布されています。
前世代にあたるTimesFM-2.5は2025年9月の公開時点で単変量、つまり1本の系列の過去だけを見て未来を当てる設計でした。現実の需要予測はそうなっていません。アイスクリームの販売数を当てたいなら、コーンやシロップの売れ方、来店客数の推移、そして来週の天気と来週のセール日程を一緒に見るのが自然です。TimesFM-3はこの3種類の情報を正式にサポートしました。複数の対象系列を同時に予測する機能、過去しかわからない補助データ（過去の来店客数など）、そして未来までわかっている補助データ（販促カレンダーや天気予報）の3つです。
3つ目が今回の肝です。Googleが公式ブログで示した説明用のデモでは、翌月の販促日程を未来既知の変数として与えると、モデルが過去の販促と売上増の関係を文脈から学び取り、販促予定日ごとに約20パーセントの売上増を織り込んだ予測曲線を描きました。これはあくまで理解を助けるための例であり、どの店舗でも同じ数字になるという意味ではない点にご注意ください。
技術面では、デコーダー専用のトランスフォーマー構造を踏襲しつつ、時間方向の注意と系列横断方向の注意を交互に重ねる設計に変わりました。さらに予測区間を1回の順伝播でまとめて出す非自己回帰デコードを採用したため、1区間ずつ生成していた前世代に比べて誤差の累積と待ち時間が抑えられています。出力は点予測だけでなく10パーセンタイルから90パーセンタイルまでの9分位です。
日本のEC事業者にとっての論点。セール日程と天候が予測変数になる
日本のEC運営にとっての論点は、販促カレンダーがそのまま予測の入力データになるという一点に集約されます。
楽天市場のお買い物マラソンやスーパーSALE、5と0のつく日、Amazonのタイムセール祭りやプライムデー、Yahoo!ショッピングの5のつく日。いずれも日程は事前に公表され、店舗側のクーポン発行やポイント倍率の設定も自社で決めています。つまり未来既知の変数として持っている情報です。にもかかわらず、多くの店舗の需要予測は表計算ソフトでの前年同月比や移動平均にとどまっています。
ここに構造的な弱点があります。前年同月比は「去年の同じ時期に同じ販促があった」ことを暗黙の前提にしています。ところが楽天のイベント日程は年によって週も曜日もずれますし、自社のクーポン設計も毎回同じではありません。販促が1週ずれただけで前年比は崩れ、それを担当者の勘で補正しているのが実情ではないでしょうか。販促日程を明示的な変数として渡せるモデルは、この補正作業そのものを置き換える可能性があります。
天候も同じ構図です。飲料やアイス、鍋物の食材、防寒衣料、雨具のように気温と降水で動く商材は、気象庁の週間予報という未来既知データを持っています。9分位の確率予測が出せることも実務的に大きな意味があります。中央値だけでなく上振れ側の90パーセンタイルが見えれば、欠品を許容できない主力商品の安全在庫を数字で設計できるからです。
なお、時系列基盤モデルの実務投入という流れ自体は加速しています。当メディアでもIBMの時系列AIが最大50倍高速化した件や、WeatherNext 3が5km毎時更新に対応した件を取り上げてきました。今回のTimesFM-3は、その中で「販促という人為的な予定」を扱える点で毛色が異なります。
今後の展望と初動。BigQueryの単変量予測から検証を始める
初動として現実的なのは、モデルを自前で動かす前にデータ側を整えることです。
第一に、販促日程を時系列データに変換する作業です。日次の売上、アクセス数、在庫数に加えて、その日がセール期間だったか、クーポンを出していたか、ポイント何倍だったかを日付ごとのフラグとして持つ必要があります。多くの店舗では販促計画が会議資料やカレンダーアプリに散在しており、日付と紐づいた列になっていません。ここが最大の障壁であり、同時に自社だけの資産になる部分でもあります。
第二に、単変量から試すことです。GoogleはBigQueryのAI.FORECASTでTimesFM-2.5をすぐ使えると案内しており、SQLだけで動くため機械学習の専門知識は不要です。TimesFM-3のBigQuery統合は数週間以内とされていますが、現時点で提供済みかどうかは要確認です。まず単変量で自社データの予測精度を測り、現行の運用と比べる。この基準値がないと、多変量に移行しても改善幅を評価できません。
第三に、精度の検証を自社データで行うことです。TimesFM-3はGift-Eval、FEV-Bench、Timeという3つの公開ベンチマークで、Chronos-2やToto 2.0といった競合を含む事前学習済み基盤モデルの中で最高順位を記録したとされています。ただしベンチマークの順位は、日本のEC特有の季節性やセール偏重の需要カーブでの精度を保証しません。3か月分でも自社の実データで走らせて比較するべきです。
なお、この動きは海外メディアでも報じられており、The Decoderは売上データと天候、割引スケジュールから将来を予測するモデルとして紹介しています。
まとめ
TimesFM-3は、販促日程や天気予報という「未来がすでにわかっている情報」を需要予測に組み込める基盤モデルです。日本のEC事業者にとっては、楽天やAmazonのセール日程が予測の入力になるという意味で実務直結の変化です。まずは販促カレンダーを日付単位のデータに整え、BigQueryの単変量予測で基準値を取ることから始めるのが堅実な進め方といえます。
参考文献
- Google Research「TimesFM-3: A zero-shot foundation model for multivariate forecasting」
- Hugging Face「google/timesfm-3.0-pytorch」
- GitHub「google-research/timesfm」
- Google Cloud「AI.FORECAST 関数」
- The Decoder「Google’s new AI model predicts the future from sales data, weather and discount schedules」
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: The Decoder
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
