Modelos Fundamentais de Séries Temporais: Casos de Uso & Benefícios

atualizado em 12 jun. 2026

Os modelos fundamentais de séries temporais (TSFMs) se baseiam nos avanços em modelos fundamentais de processamento de linguagem natural e visão. Usando arquiteturas baseadas em transformers e dados de treinamento em grande escala, eles alcançam desempenho zero-shot e se adaptam em setores como finanças, varejo, energia e saúde.

Descubra a arquitetura, casos de uso, adoção em indústrias, benefícios, desafios e comparações dos modelos fundamentais de séries temporais com modelos existentes:

O que são Modelos Fundamentais de Séries Temporais?

Os modelos fundamentais de séries temporais (TSFMs) são modelos pré-treinados em grande escala projetados para lidar com dados de séries temporais em diversos domínios e aplicações.

Inspirados pelo sucesso dos modelos fundamentais em processamento de linguagem natural (NLP) e visão computacional, os TSFMs estendem o paradigma representacional dos modelos fundamentais para previsão e análise sequencial. Os principais TSFMs são:

Amazon Chronos-2 é um modelo apenas de codificador derivado da arquitetura do codificador T5 e alcançou dezenas de milhões de downloads no Hugging Face.¹

Salesforce Moirai-2 usa uma arquitetura de transformer apenas de decodificador treinada no conjunto de dados LOTSA com 27 bilhões de observações.

O Sundial, desenvolvido por pesquisadores da Universidade Tsinghua, tem resultados líderes de mercado no conjunto de dados TimeBench.

TimesFM-2.5

O TimesFM-2.5 é o modelo mais recente do Google na série TimesFM. É um modelo pré-treinado com ~200M de parâmetros e comprimento de contexto de 16k, treinado em um corpus de pontos de dados de séries temporais do mundo real. ² Comparado com grandes modelos de linguagem (LLMs), ele traz um tamanho compacto, inferência rápida e foco em dados de séries temporais.

Arquitetura e treinamento

O TimesFM empresta a arquitetura de transformer apenas de decodificador de modelos de linguagem: camadas de atenção causal empilhada e feedforward geram a próxima saída condicionada apenas ao contexto passado.

Diferente do texto, o modelo representa uma sequência como patches de pontos de tempo contíguos; cada patch é incorporado (via um bloco residual MLP mais codificações posicionais) e tratado como um token. Uma escolha de design chave é prever um comprimento de patch de saída maior que o patch de entrada, o que reduz etapas iterativas na inferência e limita o acúmulo de erro em horizontes longos.

Para o treinamento do modelo, o Google mistura dados sintéticos (para ensinar a "gramática" temporal básica) com um grande e diversificado conjunto de dados de séries reais (por exemplo, Google Trends e Visualizações de Páginas do Wikipedia) para melhorar a transferência. A escala total de pré-treinamento é da ordem de 100B pontos de tempo.

Gráfico mostrando a arquitetura dos modelos fundamentais de séries temporais TimesFM.

Figura 1: Gráfico mostrando a arquitetura do TimesFM.³

Avaliação e resultados

O Google avaliou o TimesFM no modo puramente zero-shot em benchmarks públicos. No Monash Forecasting Archive, o TimesFM supera a maioria dos modelos estatísticos (por exemplo, ARIMA, ETS) e iguala ou excede várias bases de aprendizado profundo treinadas na série alvo.

Em tarefas de horizonte longo (por exemplo, conjuntos de dados ETT), a precisão zero-shot do TimesFM rivaliza com bases supervisionadas (por exemplo, PatchTST treinado por conjunto de dados) e supera previsores baseados em prompt de LLM. As métricas incluem MAE escalado e resumos da média geométrica entre conjuntos de dados.⁴

Características e arquitetura principais dos TSFMs

A arquitetura de transformer dos TSFMs usa atenção, conexões residuais e camadas lineares para modelar dependências de longo alcance e padrões de sazonalidade. Os patches de entrada são transformados via um perceptron multicamada em incorporações, enquanto as codificações posicionais preservam a ordem temporal.

Comparado a outros modelos fundamentais, essas arquiteturas são adaptadas para tarefas de previsão, em vez de processamento de texto ou imagem.

Figura 2: Diagrama mostrando diferentes técnicas de adaptação.⁵

Quais são os principais casos de uso?

Previsão

A previsão envolve prever pontos futuros em uma série temporal dados padrões históricos. Os TSFMs abordam isso gerando previsões pontuais ou saídas de previsão probabilística de séries temporais, dependendo da necessidade.

Diferente de modelos de previsão de séries temporais univariadas ou modelos estatísticos, eles integram múltiplos sinais, incluindo variáveis exógenas como clima ou promoções. Essa flexibilidade os torna adequados para planejamento de demanda no varejo, previsão de carga de energia e análise de mercado financeiro.

Classificação

Na classificação, o objetivo é rotular ou categorizar padrões dentro de uma fundação de série. Os TSFMs usam modelos baseados em transformers para reconhecer estruturas características, como arritmias em dados médicos ou picos de demanda incomuns no varejo.

Imputação

A imputação preenche lacunas em sequências ausentes. Os TSFMs reconstroem intervalos ausentes aproveitando padrões aprendidos de diversos conjuntos de dados durante o treinamento unificado.

Diferente da interpolação simples, eles mantêm a consistência com a sazonalidade e tendências. As aplicações incluem preencher lacunas em registros de uso de energia ou dados de monitoramento médico, onde informações ausentes podem afetar tarefas de previsão a jusante.

Anomaly detection

Os TSFMs identificam desvios de padrões esperados comparando sinais atuais com sua representação aprendida de comportamento normal.

Sua capacidade de generalizar entre domínios melhora o desempenho zero-shot, mesmo em casos onde anomalias são raras. Isso é relevante na detecção de fraudes, manutenção preditiva e monitoramento de cibersegurança. Comparado ao trabalho anterior em detecção de anomalias, os TSFMs integram previsão de séries temporais com classificação, fornecendo detecção consciente do contexto.

Indústrias adotando TSFMs

Varejo

Os varejistas dependem fortemente de modelos de previsão para gerenciamento de estoque e planejamento de vendas.

Modelos estatísticos tradicionais frequentemente falham em capturar influências externas como feriados, promoções ou mudanças econômicas. Os TSFMs incorporam variáveis exógenas e se adaptam através de ajustes few-shot.

Por exemplo, um varejista global pode aplicar um modelo treinado em um conjunto de dados diversificado e alcançar previsões confiáveis em múltiplas regiões.

Finanças

Os sistemas financeiros requerem projeções de horizonte de previsão e detecção de anomalias. Modelos de regressão ou modelos de aprendizado profundo ajustados para mercados específicos frequentemente lutam com mudanças estruturais.

Os TSFMs fornecem previsão zero-shot para novos instrumentos e se adaptam à volatilidade através de aprendizado por transferência. Os casos de uso incluem previsão de preços de ações, modelagem de risco de portfólio e detecção de fraudes.

Saúde

A Saúde produz dados contínuos de séries temporais de dispositivos de monitoramento. Abordagens tradicionais de detecção de anomalias em sinais vitais dependem de limites fixos. Os TSFMs, em vez disso, aprendem de dados sintéticos e clínicos, permitindo sistemas de alerta precoce que se adaptam a baselines específicas do paciente. Além do monitoramento, eles apoiam a descoberta de conhecimento em ensaios clínicos identificando padrões temporais sutis em grandes conjuntos de dados.

Energia

Os sistemas de energia geram séries temporais de sensores e medidores. Diferente de métodos tradicionais que assumem padrões sazonais fixos, os TSFMs lidam com condições variáveis como geração renovável.

Eles combinam históricos de consumo com variáveis exógenas como temperatura e velocidade do vento, produzindo saídas de previsão probabilística de séries temporais para balanceamento da rede. A eficiência computacional é relevante aqui, pois pequenos misturadores de tempo fornecem previsões localizadas a um custo menor. Explore aplicações de IA de sustentabilidade para mais informações.

Transporte

As redes de transporte dependem de previsão para fluxo de tráfego e logística. Modelos anteriores de aprendizado de máquina exigiam treinamento de modelo separado para cada cidade ou rota. Os TSFMs treinados em conjuntos de dados diversificados podem transferir entre regiões com mínima adaptação ajustada.

Exemplos do mundo real incluem previsão de congestionamento em áreas urbanas e otimização de rotas de entrega na logística.

Manufatura

Na manufatura, a manutenção preditiva é um caso de uso central. Modelos de regressão tradicionais treinados em dados de máquina única frequentemente carecem de transferibilidade. Os TSFMs lidam com dependências de longo alcance entre sensores e ciclos de produção, melhorando a detecção precoce de falhas.

Quando ajustados com dados específicos da instalação, eles alcançam desempenho aprimorado na redução de tempo de inatividade e garantia de controle de qualidade.

Clima e clima

A modelagem de clima e clima requer gerenciamento de múltiplos horizontes de previsão, de horas a anos. Modelos estatísticos e métodos tradicionais frequentemente falham em capturar variabilidade multiescala.

Os TSFMs, através de sua arquitetura de transformer e mecanismos de atenção, podem modelar dependências locais e globais. Exemplos incluem previsão de precipitação de curto prazo e previsões de ciclos climáticos. A previsão probabilística de séries temporais ajuda a quantificar a incerteza nessas saídas.

Computação urbana

Cidades inteligentes dependem de dados de séries temporais de transporte, utilitários e infraestrutura. Os modelos existentes estão atualmente isolados por tarefa. Os TSFMs os unificam sob um único modelo que pode ser implantado em diversos domínios, adaptando-se com treinamento adicional mínimo.

Exemplos incluem otimizar o uso de energia em edifícios, prever congestionamento de tráfego e gerenciar sistemas de abastecimento de água.

Benefícios dos modelos fundamentais de séries temporais

As principais vantagens dos TSFMs em comparação com modelos existentes incluem:

Desempenho zero-shot: Entregar resultados fortes em conjuntos de dados não vistos sem adaptação ajustada.
Custos de treinamento reduzidos: Reutilização de um modelo entre domínios em vez de treinar modelos separados.
Generalização de domínio: Um modelo se adapta a contextos variados com aprendizado por transferência e aprendizes few-shot.
Eficiência computacional: Menor que grandes modelos fundamentais em NLP enquanto ainda entrega desempenho aprimorado.
Versatilidade: Lidar com horizontes de previsão diversos, granularidades e comprimentos de patch de saída.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Desafios

Desafios técnicos

Escassez de dados de treinamento: Diferente do texto para modelos de linguagem, os conjuntos de dados públicos disponíveis para dados de séries temporais são menores. No entanto, agora existem conjuntos de dados como o Large-scale Open Time Series Archive (LOTSA) com bilhões de observações em múltiplos domínios.⁶

Falta de estrutura universal: Não há equivalente de vocabulário ou gramática.

Dinâmicas temporais complexas: Padrões de sazonalidade e históricos diversos.

Especificidade de domínio: Taxas de amostragem e comportamentos diferentes entre indústrias.

Desafios práticos

Preocupações de privacidade na coleta de conjuntos de dados diversos.
Requisitos de alta eficiência computacional para treinamento de modelos.
Mudança de distribuição em ambientes em evolução.
Interpretabilidade e transparência em aplicações do mundo real.
Integração em sistemas legados e pipelines de trabalho relacionados.

Modelos fundamentais de séries temporais: Fatores de desenvolvimento e design

Abordagem	Esforço de configuração	Necessidades de dados de treinamento	Arquitetura
TimesFM (modelo fundamental apenas de decodificador)	Mínimo; forte previsão zero shot entre domínios sem retreinamento	Pré-treinado em ~100B pontos de tempo de conjuntos de dados diversos (dados reais + sintéticos)	Transformer apenas de decodificador com tokenização de patch, atenção, comprimento de patch de saída maior
Métodos tradicionais (ARIMA, ETS, etc.)	Moderado; requer seleção manual de modelo, ajuste, suposições de estacionariedade	Usa apenas a série temporal alvo; sem pré-treinamento	Modelos estatísticos com suposições lineares e sazonais
Modelos de aprendizado profundo supervisionados (PatchTST, Informer, etc.)	Alto; treinamento de modelo por conjunto de dados e ajuste de hiperparâmetros	Requer grandes conjuntos de treinamento rotulados para cada domínio	Arquiteturas baseadas em transformer ou híbridos CNN/RNN
LLM-based prompting (GPT, etc.)	Baixo na inferência; requer formatação cuidadosa de texto de sequências numéricas	Treinado em corpora de texto, não em dados de séries temporais	Grandes modelos de linguagem; tokenização projetada para texto, não dependências numéricas

Modelos fundamentais de séries temporais: Resultados e fatores operacionais

Abordagem	Desempenho em benchmarks	Adaptabilidade	Eficiência
TimesFM (modelo fundamental apenas de decodificador)	Iguala ou supera bases supervisionadas em zero-shot; melhor que modelos estatísticos e prompt de LLM	Generaliza entre finanças, energia, varejo, saúde; suporta aprendizado por transferência e ajustes few shot	Compacto (~200M parâmetros); necessidades de eficiência computacional menores que grandes modelos fundamentais
Métodos tradicionais (ARIMA, ETS, etc.)	Forte em séries estáveis de curto horizonte; fraco em dados irregulares ou multivariados	Pouca ou nenhuma transferência entre domínios; deve refit por conjunto de dados	Leve, rápido; roda em hardware limitado
Modelos de aprendizado profundo supervisionados (PatchTST, Informer, etc.)	Frequentemente maior precisão quando treinado em dados suficientes; forte em tarefas específicas de domínio	Pobre generalização; precisa de retreinamento por conjunto de dados	Intensivo em recursos (>1B parâmetros); mais lento para treinar e implantar
LLM-based prompting (GPT, etc.)	Mais fraco que o TimesFM; luta com horizontes de previsão longos e precisão numérica	Adaptável em princípio, mas fortemente dependente de engenharia de prompt	Muito custoso na inferência; ineficiente devido à escala e comprimento de token

Diferenças de outros modelos fundamentais

Os TSFMs divergem de modelos de linguagem e modelos fundamentais de visão de várias maneiras:

Modo de dados: Dados numéricos sequenciais em vez de texto ou imagens.
Arquitetura: Arquiteturas baseadas em transformers adaptadas com patching e normalização (por exemplo, normalização de instância reversível).
Abordagem de treinamento: Incorporando tanto dados sintéticos quanto corpora do mundo real, como conjuntos de dados do Google Research.
Escala: Menor em tamanho que grandes modelos fundamentais, ainda assim entregando previsões pontuais de alta qualidade.
Avaliação: Benchmarked em tarefas de previsão, detecção de anomalias e imputação em vez de compreensão de texto.

Conclusão

Os modelos fundamentais de séries temporais representam uma mudança de modelos estatísticos específicos de domínio, modelos de regressão e aprendizado profundo supervisionado para um modelo unificado para séries temporais. Ao aplicar arquiteturas baseadas em transformers e aproveitar modelos pré-treinados, eles oferecem soluções escaláveis para tarefas de previsão, detecção de anomalias e outras aplicações entre indústrias.

Embora desafios permaneçam na disponibilidade de dados de treinamento, interpretabilidade e integração em fluxos de trabalho existentes, as vantagens na previsão zero-shot, aprendizado por transferência e adaptabilidade entre domínios posicionam os TSFMs como um passo chave em direção à previsão de propósito geral. À medida que a pesquisa progride e modelos fundamentais de código aberto se expandem, a adoção provavelmente crescerá em ambientes acadêmicos e do mundo real.

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

Sıla Ermut (2026) - "Modelos Fundamentais de Séries Temporais: Casos de Uso & Benefícios". Publicado on-line em AIMultiple.com. Acessado em 12 Junho 2026, em: https://aimultiple.com/time-series-foundation-models [Recurso on-line]

Ermut, S. (2026, 12 Junho). Modelos Fundamentais de Séries Temporais: Casos de Uso & Benefícios. AIMultiple. https://aimultiple.com/time-series-foundation-models

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Modelos Fundamentais de Séries Temporais: Casos de Uso & Benefícios}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/time-series-foundation-models}},
  note   = {AIMultiple. Acessado em 12 Junho 2026}
}

Links de referência

amazon/chronos-2 · Hugging Face

GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting. · GitHub

A decoder-only foundation model for time-series forecasting

https://arxiv.org/pdf/2403.14735v3

MOMENT: A Family of Open Time-series Foundation Models

Sıla Ermut

Analista do setor

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo