MARKETIA
ConnexionInscription
N2 · Un peu de bricolageNouveau

Prédire l'évolution future d'une série temporelle sans avoir à l'entraîner spécifiquement sur ses propres données (TimesFM)

Modèle de fondation appliqué à la prévision — ventes, trafic, consommation, métriques d'usage — par Google Research

Vendu par MagicMate

Ce qu'il faut

Niveau
N2 · Un peu de bricolage — Fonctionne dans un outil que vous avez déjà, mais demande des réglages (clé d'accès, options) avant d'être opérationnel.
Serveur requis
Non
Réglages requis
Oui
Licence
Licence d'origine : voir le dépôt source. Marketia n'a pas de résumé vérifié pour cette licence ; consultez-la avant tout usage.

TimesFM prédit l'évolution future d'une série temporelle — ventes, trafic, consommation, métriques d'usage — sans avoir besoin de l'entraîner spécifiquement sur vos données, à la manière d'un modèle de fondation appliqué à la prévision plutôt qu'au texte. Les versions de poids jusqu'à 2.5 sont utilisables librement y compris en production ; la version 3.0, plus récente, est réservée à la recherche non-commerciale sauf à passer par le service managé Google Cloud. Un bon point de départ pour un outil de prévision de signaux métier qui veut éviter de construire un modèle de séries temporelles from scratch.

Limites et précautions : le README précise « not an officially supported Google product » (version open source). Il indique pip install timesfm[torch] sans dire quelle version de poids est chargée par défaut : vérifiez que ce sont des poids jusqu'à 2.5 avant un usage commercial. Des issues de qualité sont ouvertes (relevées le 2026-10-17) : #522 (prévision qui s'effondre pour les séries à faible variance), #506 (le backend MLX diverge du backend PyTorch), #502 (le paramètre use_variate_attention=False est ignoré silencieusement).

Licence et attribution : Source : https://github.com/google-research/timesfm. Licence : Apache-2.0 (code) (https://raw.githubusercontent.com/google-research/timesfm/master/LICENSE). Le code et les poids pré-entraînés jusqu'à la version 2.5 sont sous licence Apache-2.0, librement réutilisables y compris en production commerciale. Les poids de la version 3.0, plus récents, sont distribués sous une licence séparée réservée à un usage non-commercial — un usage commercial de la version 3.0 n'est possible que via le service managé Google Cloud BigQuery ML, pas via les poids auto-hébergés. Tous droits conservés par ses auteurs ; cette fiche est une présentation rédigée par Marketia.

Critique Marketia

Verdict

Bon point de départ pour la prévision sans entraînement, à condition d'épingler explicitement les poids 2.5 ou antérieurs pour un usage commercial, et de tester la qualité sur ses propres séries : le classement « n°1 » est une revendication de l'éditeur.

Pour qui (PME française)

  • Une équipe data qui veut un prévisionniste de ventes, trafic ou consommation sans entraînement, avec les poids 2.5.
  • Pas pour un usage commercial des poids 3.0 auto-hébergés ; pour 3.0 en commercial, il faut passer par Google Cloud (BigQuery ML).

Points forts prouvés

  • Code Apache 2.0 ; poids 2.5 Apache 2.0 (README).
  • 2.5 : contexte jusqu'à 16 000 points, horizon continu jusqu'à 1 000 avec une tête de quantiles optionnelle (README).
  • Activité : commits humains les 2026-09-15 et 2026-09-29 ; mises à jour du README datées du 2026-07 au 2026-09 (README).
  • Le mainteneur a répondu dans #501 (2026-09-07) : « The commercial license only applies to the weights » ; aucun poids commercial prévu (« Nothing planned yet on this front ») ; une mention sera ajoutée à la carte du modèle.

Limites et risques

  • 160 issues ouvertes (page lue). #503 (exemple de covariables 3.0 obsolète), #443 (jax[cuda] casse les installations CPU), #500 (quatre fichiers qui devraient être des pointeurs Git LFS).
  • Les exigences matérielles ne sont pas données ; les exemples utilisent device="cuda" ; le backend MLX cible Apple Silicon.
  • Activité de publication : dernière mise à jour PyPI timesfm=2.0.2 le 2026-07-02 (README) ; le lien entre ce numéro de paquet et les poids 3.0 n'est pas expliqué dans le README lu.

Effort d'installation réel

Court pour un essai. Estimation : une heure ; non mesuré.

Alternatives

  • Darts (au catalogue, solution-previsions-series-temporelles-darts, qui peut tirer TimesFM 3.0 : voir l'avertissement de licence de cette fiche) ; modèles statistiques classiques (non évalués ici).

Licence et attribution

Avertissement de licence : « Imposer/épingler le checkpoint 2.5 (ou antérieur) ; interdire 3.0 auto-hébergé dans le produit. Texte complet de la licence non commercial NON LU (carte seulement). » Le README dit que 3.0 est « restricted to non-commercial, non-production use » et que l'usage commercial est « fully permitted through authorized Google Cloud services ».

Ce que nous n'avons pas testé

Aucune installation, aucune prévision, aucun test de précision sur des séries françaises, aucune vérification de la version de poids chargée par défaut, aucune lecture du texte complet de la licence non commerciale.

Sources (lues le 2026-10-17)

Usage commercial non couvert pour certains modèles

Attention : certains modèles, options ou données associés à ce produit sont publiés sous une licence qui n'autorise pas l'usage commercial sans accord de leur éditeur. Le code seul est utilisable ; n'utilisez pas ces modèles ou données dans un contexte commercial sans autorisation écrite de l'éditeur. Consultez la licence de chaque composant avant tout usage professionnel.

Aller plus loin