BigQuery 发布了 TimesFM 3.0 的预览版，把多变量时间序列预测带进 SQL 工作流。此前 AI.FORECAST 由 TimesFM 2.0 和 2.5 支持零样本预测，但只处理单变量时序：预测未来值时只看单一序列自身的历史。实际操作中，大多数预测问题都是多变量的，相关目标和天气、促销、节假日等外部驱动因素会共同影响结果。

TimesFM 3.0 由 Google Research 开发，是一个 3.3 亿参数 的基础模型，在 GIFT-Eval、FEV-Bench、TIME 三个主要公开时间序列榜单上均排名第一，在协变量和多变量预测任务上取得最佳零样本精度。它同时可以作为单变量预测和异常检测的升级替代：现有工作流只需把 model 参数改为 TimesFM 3.0，就能用上更高基准精度的能力。

相比 2.x 版本，核心变化是预测范围从仅单变量扩展到单变量加多变量；目标列从一个扩展到单个或多个；协变量方面，此前完全不支持，现在既支持只有过去值的协变量，也支持过去和未来都有值的协变量。也就是说，过去需要为每个指标分别跑模型的事情，现在可以在一次调用里完成。

文章用纽约 Citi Bike 公开数据演示：预测未来 7 天（2016-06-01 至 2016-06-07）的每日通勤骑行量 subscriber_trips 和休闲骑行量 casual_trips。输入采用单表格式，包含两类行——历史观测行（2016-01-01 到预测截止日，目标指标、过去协变量、已知未来协变量全部填好）和未来预测行（目标列和过去协变量设为 NULL，只填已知未来协变量）。

示例展示了 TimesFM 3.0 支持的多变量预测三维度：target_cols 可以把两个相互关联的目标并列传入，模型能捕捉两类骑行之间共享的天气敏感性和周末出行模式的差异；past_covariate_cols 用来吃进像平均骑行时长这类只在历史中存在的信号，帮助区分暂时冲击与潜在趋势；future_covariate_cols 则把周末标识这类未来也能预知的事件传入模型，让预测直接基于接下来的日历事件。

输出上，AI.FORECAST 对每个目标列返回一个结构，包含点预测值以及预测区间的上下界。以 6 月 1 日为例，通勤骑行量点预测为 44699.64，区间为 32590.76 至 55723.44；休闲骑行量点预测为 4581.32，区间为 1727.91 至 9189.31。time_series_type、confidence_level 和 ai_forecast_status 等字段也一并返回。

此外，BigQuery Conversational Analytics 支持直接使用自然语言做多变量预测。用户描述预测目标、历史数据范围、过去协变量和未来协变量后，系统自动生成并执行底层 AI.FORECAST 查询，返回结果摘要、带预测区间的交互式图表和关键预测洞察。

整体来看，这项更新意味着复杂的互联企业数据集可以直接在 BigQuery 内完成预测，无需迁移数据、搭建自定义特征工程管道或专门托管模型。官方也给出了后续路径：查看 Google Research 博客和 TimesFM 文档、跟着教程做多变量预测，也可以直接在 BigQuery Studio 中试用 AI.FORECAST、AI.DETECT_ANOMALIES、AI.EVALUATE 并指定模型为 TimesFM 3.0。