Google Research가 2024년에 조용히 오픈 소스로 공개한 시계열 모델

Google Research가 2024년에 조용히 시계열 (Time Series) 모델을 오픈 소스로 공개했습니다.

예측을 수행하는 사람들을 제외하고는 아무도 주목하지 않았습니다. 이것은 실수입니다.

이 모델의 이름은 TimesFM입니다.
논문은 ICML 2024에 발표되었으며, 제목은 "시계열 예측을 위한 디코더 아키텍처 파운데이션 모델 (A Decoder-only Foundation Model for Time Series Forecasting)"입니다.

핵심 아이디어는 언어 모델 (Language Model)에서 직접 차용했습니다: 먼저 방대한 데이터로 사전 학습 (Pre-training)을 수행한 다음, 동일한 모델을 사용하여 재학습 없이 어떤 새로운 시퀀스(Sequence)라도 예측합니다.

지난 수십 년 동안 시계열 예측은 항상 데이터셋 하나당 모델 하나를 사용하는 방식이었습니다.
특정 문제의 데이터를 수집하고, 모델 아키텍처를 선택합니다.
해당 데이터로 학습하고 검증합니다. 만약 문제가 바뀌면 처음부터 다시 시작해야 합니다.

각 데이터셋은 독립적인 프로젝트입니다.
각 시나리오는 독립적인 파이프라인 (Pipeline)입니다.

TimesFM은 이 상황을 바꾸었습니다. 이 모델은 방대한 교차 도메인, 교차 주파수 시계열 데이터로 사전 학습되었습니다.
학습이 완료되면 어떤 새로운 시계열 데이터에 대해서도 즉시 예측할 수 있는 제로샷 예측 (Zero-shot Forecasting)이 가능합니다.

2025년 9월, Google은 2.5 버전을 출시했습니다.

파라미터 (Parameter) 수는 500M에서 200M로 줄어들었고, 컨텍스트 (Context) 길이는 2048에서 16K로 늘어났습니다.
30M 규모의 분위수 예측 헤드 (Quantile Prediction Head)가 추가되어, 점 예측 (Point Forecast)과 10%에서 90% 사이의 신뢰 구간 (Confidence Interval)을 동시에 출력할 수 있습니다.

더 작은 모델. 더 긴 컨텍스트.
더 나은 결과. 이는 매우 드문 일입니다.

실질적인 영향은 매우 구체적입니다. 200M 파라미터는 GPU 한 장으로 구동할 수 있습니다.

16K 컨텍스트는 5년 치의 일간 데이터를 입력할 수 있음을 의미하며, 모델은 연간 계절성 (Seasonality)을 포착할 수 있습니다.
분위수 예측 헤드는 단순히 하나의 예측값만 갖는 것이 아니라 불확실성 범위까지 갖게 된다는 것을 의미합니다.

Google 내부에서는 이미 사용 중입니다. BigQuery ML에서는 SQL로 직접 호출할 수 있습니다. Google Sheets의 Connected Sheets에 내장되었습니다. Vertex AI는 Docker 엔드포인트를 제공합니다.

오픈 소스 버전은 무료이며, 단 두 줄의 Python 코드로 가능합니다.
모델을 로드하고, forecast를 호출합니다. numpy 배열을 입력하면 예측 결과가 출력됩니다.

2026년 4월, Google은 HuggingFace Transformers와 PEFT를 통해 LoRA로 미세 조정 (Fine-tuning)할 수 있는 기능을 추가했습니다.

이는 적은 양의 도메인 데이터를 사용하여 사전 학습된 모델을 귀하의 구체적인 시나리오에 적응시킬 수 있음을 의미합니다.

시계열 예측은 화려한 분야가 아닙니다. 바이럴이 되는 데모도 없고, 수십억 달러 규모의 소비자 제품도 없습니다.

하지만 재고를 관리하고, 수요를 예측하며, 장비를 모니터링하고, 금융 도구를 거래하는 모든 기업은 이에 의존합니다.

TimesFM은 이 산업의 가장 좋은 도구를 pip install만으로 사용할 수 있는 것으로 만들었습니다.

주소는 댓글란을 확인하세요 👇🏻