Time Series Foundation Models: Casos de Uso & Benefícios
Os time series foundation models (TSFMs) são pre-trained models que realizam previsão, classificação, imputação e detecção de anomalias em dados de séries temporais sem exigir um model separado para cada dataset ou setor. Os TSFMs usam arquiteturas baseadas em transformer e datasets de séries temporais em larga escala para generalizar entre domínios como finanças, varejo, energia e saúde.
Descubra a arquitetura, os casos de uso, a adoção em setores, os benefícios, os desafios e as comparações dos time series foundation models com as abordagens existentes:
O que são Time Series Foundation Models?
Os TSFMs aplicam métodos de treinamento de foundation model a dados numéricos sequenciais, usando arquiteturas que podem aprender padrões temporais de grandes coleções de séries temporais. Em vez de treinar um model separado para cada problema de previsão, eles podem ser adaptados a tarefas como previsão, detecção de anomalias, imputação e classificação.
Os principais TSFMs são:
Amazon Chronos-2
Amazon Chronos-2 é um encoder-only model derivado da arquitetura do encoder T5 e alcançou dezenas de milhões de downloads do Hugging Face.1
Salesforce Moirai-2
Salesforce Moirai-2 usa uma arquitetura transformer decoder-only treinada no dataset LOTSA de 27 bilhões de observações.
Sundial
Sundial desenvolvido por pesquisadores da Tsinghua University tem resultados líderes de mercado no dataset TimeBench.
TimesFM-2.5
TimesFM-2.5 é o model mais recente do Google na série TimesFM. É um pretrained model com ~200M parâmetros e 16k de comprimento de contexto, treinado em um corpus de pontos de dados de séries temporais do mundo real. 2 Em comparação com large language models (LLMs), ele traz tamanho compacto, inference rápida e foco em dados de séries temporais.
Arquitetura e treinamento
O TimesFM toma emprestada a arquitetura transformer decoder-only dos language models: camadas empilhadas de self-attention causal e feedforward geram a saída seguinte condicionada ao contexto passado.
Ao contrário do texto, o model representa uma sequência como patches de pontos de tempo contíguos; cada patch é embutido (via um bloco residual de MLP mais codificações posicionais) e tratado como um token. Uma escolha de design fundamental é prever um comprimento de patch de saída maior do que o patch de entrada, o que reduz etapas iterativas na inference e limita o acúmulo de erros em horizontes longos.
Para o treinamento do model, o Google combina dados sintéticos (para ensinar a “gramática” temporal básica) com um dataset grande e diversificado de séries reais (por exemplo, Google Trends e Wikipedia Pageviews) para melhorar a transferência. A escala total de pré-treinamento é da ordem de 100B pontos de tempo.
Figura 1: Gráfico mostrando a arquitetura do TimesFM.3
Avaliação e resultados
Google avaliou o TimesFM em modo zero-shot puro em benchmarks públicos. No Monash Forecasting Archive, o TimesFM supera a maioria dos statistical models (por exemplo, ARIMA, ETS) e iguala ou supera várias baselines de deep learning treinadas na série-alvo.
Em tarefas de horizonte longo (por exemplo, datasets ETT), a precisão zero-shot do TimesFM rivaliza com baselines supervisionadas (por exemplo, PatchTST treinado por dataset) e supera forecasters baseados em prompt com LLM. As métricas incluem MAE escalado e resumos de média geométrica entre datasets.3
Principais características e arquitetura dos TSFMs
A arquitetura transformer dos TSFMs usa self-attention, conexões residuais e camadas lineares para modelar dependências de longo alcance e padrões de sazonalidade. Os patches de entrada são transformados por meio de um perceptron multicamadas em embeddings, enquanto as codificações posicionais preservam a ordem temporal.
Em comparação com outros foundation models, essas arquiteturas são adaptadas para tarefas de previsão, em vez de processamento de texto ou imagem.
Figura 2: Diagrama mostrando diferentes técnicas de adaptação.4
Quais são os principais casos de uso?
Previsão
Os TSFMs usam valores históricos de séries temporais e, quando suportado pelo model, entradas adicionais como clima, promoções, feriados ou outras variáveis. Isso permite que eles modelem relações entre múltiplos sinais em vez de depender de uma única série-alvo.
Classificação
Os TSFMs usam transformer-based models para reconhecer estruturas características, como arritmias em dados médicos ou picos de demanda incomuns no varejo.
Imputação
Os TSFMs reconstroem intervalos ausentes aproveitando padrões aprendidos em datasets diversos durante o treinamento unificado.
Ao contrário da interpolação simples, eles mantêm consistência com a sazonalidade e as 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 downstream.
Anomaly detecção
Os TSFMs podem apoiar a detecção de anomalias convertendo suas representações aprendidas de séries temporais ou saídas de reconstrução em pontuações de anomalia. Por exemplo, o MOMENT usa uma configuração baseada em reconstrução na qual o erro quadrático médio entre a série temporal observada e a prevista é usado como critério de anomalia.5
Essa abordagem pode reduzir a necessidade de rótulos de anomalia específicos da tarefa, mas ainda deve ser comparada por benchmark com métodos tradicionais de detecção de anomalias para cada dataset.
Setores que adotam TSFMs
Varejo
No varejo, os TSFMs são principalmente relevantes para a previsão de demanda em nível de SKU ou de loja, onde os padrões de vendas podem mudar devido a feriados, preços, promoções, rupturas de estoque e sazonalidade regional.
A utilidade deles depende de o model suportar variáveis externas. Por exemplo, o TimeGPT pode usar variáveis exógenas como preços, promoções e indicadores de feriados.6
Outro exemplo, o Lag-Llama, é projetado como um model de previsão probabilística univariada. Isso significa que os TSFMs não devem ser descritos como uma única classe que sempre incorpora fatores específicos do varejo.7
Um caso de uso de varejo mais prático é testar os TSFMs como baselines reutilizáveis de previsão em datasets de demanda e depois compará-los com statistical models, machine learning ou forecasting models específicos de domínio existentes antes da implantação.
Finanças
Em financeiras séries temporais, os TSFMs são mais relevantes para tarefas em que os dados históricos são limitados, ruidosos ou afetados por mudanças de regime. Isso inclui prever ativos recém-listados, estimar a volatilidade de curto prazo e identificar transações incomuns ou padrões de mercado.
Single-market models como ARIMA, GARCH ou forecasters baseados em LSTM podem se tornar menos confiáveis quando a distribuição dos dados muda após mudanças nas taxas de juros, choques de liquidez, anúncios macroeconômicos ou eventos de estresse do mercado. Os TSFMs abordam essa limitação transferindo padrões aprendidos de datasets de séries temporais mais amplos, mas seus resultados ainda exigem backtesting porque os dados financeiros são altamente não estacionários.
Os possíveis casos de uso em finanças incluem previsão de preços de ativos, previsão de volatilidade, monitoramento de risco de portfólio e detecção de anomalias em fraudes ou transações.
Saúde
Os TSFMs aprendem tanto com dados clínicos quanto com dados sintéticos, permitindo sistemas de alerta precoce que se adaptam a baselines específicas de cada paciente. Além do monitoramento, eles apoiam a pesquisa e a descoberta em ensaios clínicos ao identificar padrões temporais sutis em grandes datasets.
Energia
Ao contrário dos 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 probabilísticas de previsão de séries temporais para o balanceamento da rede. A eficiência computacional é relevante aqui, pois tiny time mixers fornecem previsões localizadas a um custo menor. Explore aplicações de IA para sustentabilidade para obter mais informações.
Transporte
Os TSFMs treinados em datasets diversos podem ser transferidos entre regiões com adaptação fine-tuned mínima. Exemplos do mundo real incluem previsão de congestionamento em áreas urbanas e otimização de rotas de entrega na logística.
Manufatura
Os TSFMs lidam com dependências de longo alcance entre sensores e ciclos de produção, melhorando a detecção precoce de falhas.
Quando fine-tuned com dados específicos da instalação, eles alcançam desempenho aprimorado na redução do tempo de inatividade e na garantia do controle de qualidade.
Tempo e clima
A modelagem de tempo e clima exige gerenciar múltiplos horizontes de previsão, de horas a anos. Statistical models e métodos tradicionais frequentemente não conseguem capturar a variabilidade em múltiplas escalas.
Os TSFMs, por meio de sua arquitetura transformer e mecanismos de self-attention, 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.
Benefícios dos time series foundation models
As principais vantagens dos TSFMs em comparação com as abordagens existentes incluem:
- Desempenho zero-shot: Apresentando resultados fortes em datasets não vistos sem adaptação fine-tuned.
- Custos de treinamento reduzidos: Reutilização de um model entre domínios em vez de treinar models separados.
- Generalização de domínio: Um model se adapta a contextos variados com transfer learning e few-shot learners.
- Eficiência computacional: Menor do que os large foundation models em NLP, ainda assim com desempenho aprimorado.
- Versatilidade: Lida com diversos horizontes de previsão, granularidades e comprimentos de patch de saída.
Desafios dos TSFMs
Desafios técnicos
Escassez de dados de treinamento: Ao contrário do texto para language models, os datasets públicos disponíveis para dados de séries temporais são menores. No entanto, agora existem datasets como o Large-scale Open Time Series Archive (LOTSA) com bilhões de observações em vários domínios.8
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 setores.
Desafios práticos
- Preocupações com privacidade na coleta de datasets diversos.
- Altos requisitos de eficiência computacional para o treinamento do model.
- Mudança de distribuição em ambientes em evolução.
- Interpretabilidade e transparência em aplicações do mundo real.
- Integração em sistemas legados e pipelines de trabalho relacionados.
Adicionar como fonte preferencialTime series foundation models: Fatores de desenvolvimento e design
Time series foundation models: Resultados e fatores operacionais
Diferenças em relação a outros foundation models
Os TSFMs divergem dos language models e dos vision foundation models em vários aspectos:
- Modalidade de dados: Dados numéricos sequenciais em vez de texto ou imagens.
- Arquitetura: Arquiteturas adaptadas baseadas em transformer com patching e normalização (por exemplo, normalização reversível de instância).
- Abordagem de treinamento: Incorpora tanto dados sintéticos quanto corpora do mundo real, como os datasets do Google Research.
- Escala: Menor em tamanho do que large foundation models, porém entregando previsões pontuais de alta qualidade.
- Avaliação: Avaliado por benchmark em tarefas de previsão, detecção de anomalias e imputação em vez de compreensão de texto.
Conclusão
Os time series foundation models representam uma mudança de statistical models específicos de domínio, regression models e supervised deep learning em direção a um model unificado para séries temporais. Ao aplicar arquiteturas baseadas em transformer e aproveitar pre-trained models, eles oferecem soluções escaláveis para tarefas de previsão, detecção de anomalias e outras aplicações entre setores.
Embora permaneçam desafios na disponibilidade de dados de treinamento, interpretabilidade e integração nos fluxos de trabalho existentes, as vantagens em previsão zero-shot, transfer learning e adaptabilidade entre domínios posicionam os TSFMs como um passo fundamental em direção à previsão de propósito geral.
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{ermut2026,
author = {Ermut, Sıla},
title = {{Time Series Foundation Models: 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
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.