Google BigQuery เพิ่ม TimesFM 3.0 พยากรณ์หลายตัวแปรพร้อมปัจจัยอย่างโปรโมชันได้ด้วย SQL
Google Cloud เพิ่ม TimesFM 3.0 ใน BigQuery เมื่อ 7 ต.ค. 2026 ฟังก์ชัน AI.FORECAST พยากรณ์หลายอนุกรมพร้อมปัจจัยอย่างโปรโมชันได้ด้วย SQL โดยไม่ต้องเทรนโมเดลเอง
โดย กองบรรณาธิการ THAI DATA อ่าน 5 นาที
สรุปประเด็นสำคัญ
- Google Cloud ประกาศใน release notes ของ BigQuery วันที่ 7 ตุลาคม 2026 ว่าเพิ่มโมเดล TimesFM 3.0 สำหรับพยากรณ์อนุกรมเวลา โดยยังอยู่ในสถานะ Preview
- ฟังก์ชัน AI.FORECAST พยากรณ์แบบหลายตัวแปร (multivariate) ได้เป็นครั้งแรก รับเป้าหมายหลายคอลัมน์ ปัจจัยที่รู้เฉพาะในอดีต และปัจจัยที่รู้ล่วงหน้า เช่น วันหยุดหรือแผนโปรโมชัน
- Google Research ระบุว่า TimesFM 3.0 มี 330 ล้านพารามิเตอร์ ฝึกล่วงหน้าด้วยข้อมูลกว่า 1 ล้านล้านจุดเวลา และพยากรณ์แบบ zero-shot ได้โดยไม่ต้องเทรนกับข้อมูลขององค์กร
- ใน BigQuery โมเดลใหม่พยากรณ์ล่วงหน้าได้ 1–1,024 จุด และอ่านข้อมูลย้อนหลังสูงสุด 2,048 จุด ต่ออนุกรม ขณะที่ TimesFM 2.5 ยังเป็นโมเดลตั้งต้น
- ช่วง Preview คิดเงินตามสล็อตหรือปริมาณไบต์ที่ประมวลผล และเอกสารระบุว่าจะเปลี่ยนเป็นคิดตามโทเคนตั้งแต่ 12/01/2026
Google Cloud เพิ่มโมเดล TimesFM 3.0 ใน BigQuery เมื่อวันที่ 7 ตุลาคม 2026 ในสถานะ Preview ทำให้ฟังก์ชัน AI.FORECAST พยากรณ์อนุกรมเวลาแบบหลายตัวแปรได้เป็นครั้งแรก นักวิเคราะห์ใส่ปัจจัยอย่างแผนโปรโมชันหรือวันหยุดลงในคำสั่ง SQL เดียวได้ โดยไม่ต้องสร้างหรือเทรนโมเดลเอง
TimesFM 3.0 พัฒนาโดย Google Research ซึ่งเปิดตัวงานวิจัยเมื่อ 31 สิงหาคม 2026 พร้อมเผยแพร่โมเดลบน GitHub และ Hugging Face ตอนนั้นทีมวิจัยระบุว่าการผนวกเข้ากับ BigQuery จะตามมาในไม่กี่สัปดาห์ บันทึกการเปลี่ยนแปลงวันที่ 7 ตุลาคมจึงเป็นจุดที่ความสามารถนี้มาถึงผู้ใช้คลาวด์จริง
TimesFM 3.0 เพิ่มอะไรให้ BigQuery
ตาม release notes โมเดลใหม่ใช้ได้กับสามฟังก์ชัน ได้แก่
- AI.FORECAST พยากรณ์ได้ทั้งแบบตัวแปรเดียวและแบบหลายตัวแปร ซึ่งพยากรณ์หลายอนุกรมพร้อมกันจากค่าในอดีตและปัจจัยประกอบ (covariate)
- AI.EVALUATE ประเมินความแม่นยำของการพยากรณ์ เฉพาะแบบตัวแปรเดียว
- AI.DETECT_ANOMALIES ตรวจหาค่าผิดปกติในอนุกรมเวลา เฉพาะแบบตัวแปรเดียว
เอกสารของฟังก์ชัน AI.FORECAST อธิบายว่าการพยากรณ์แบบหลายตัวแปรต้องระบุ model => 'TimesFM 3.0' และใส่คอลัมน์เป้าหมายเป็นอาร์เรย์ใน target_cols ปัจจัยแบ่งเป็นสองแบบ แบบแรกคือ past_covariate_cols ซึ่งรู้เฉพาะในอดีต เช่น จำนวนลูกค้าที่เข้าร้านแต่ละวัน แบบที่สองคือ future_covariate_cols ซึ่งรู้ทั้งอดีตและอนาคต เช่น วันนั้นเป็นวันหยุดสุดสัปดาห์หรือไม่ ผลลัพธ์ของแต่ละเป้าหมายเป็น STRUCT ที่มีค่ามัธยฐานของการพยากรณ์และขอบล่างขอบบนของช่วงพยากรณ์ ระดับความเชื่อมั่นตั้งต้นคือ 0.95
ตัวอย่างในเอกสารใช้ชุดข้อมูลสาธารณะ Citi Bike ของนิวยอร์ก พยากรณ์จำนวนเที่ยวและระยะเวลาเฉลี่ยต่อเที่ยวล่วงหน้า 30 วันในคำสั่งเดียว อีกตัวอย่างใช้ระยะเวลาเดินทางเฉลี่ยเป็นปัจจัยในอดีต และใช้ธงวันหยุดสุดสัปดาห์เป็นปัจจัยที่รู้ล่วงหน้า
TimesFM 3.0 ทำงานอย่างไร
Google Research ระบุว่า TimesFM 3.0 มี 330 ล้านพารามิเตอร์ ฝึกล่วงหน้าด้วยข้อมูลอนุกรมเวลาทั้งของจริงและข้อมูลสังเคราะห์รวมกว่า 1 ล้านล้านจุดเวลา โมเดลแบ่งข้อมูลเป็นชิ้นละ 32 จุดเวลา แล้วสลับใช้ attention สองแบบ แบบแรกมองย้อนตามเวลาภายในอนุกรมเดียวกันเท่านั้นเพื่อกันข้อมูลอนาคตรั่วเข้ามา แบบที่สองมองข้ามอนุกรมในจุดเวลาเดียวกัน ทำให้เรียนรู้ได้ว่าโปรโมชันของสินค้าหนึ่งกระทบยอดขายของอีกสินค้าอย่างไร
รุ่นก่อนหน้าสร้างผลพยากรณ์ทีละช่วง ส่วน TimesFM 3.0 สร้างผลทั้งช่วงในการคำนวณรอบเดียว และให้ค่าควอนไทล์ 9 ระดับ ตั้งแต่เปอร์เซ็นไทล์ที่ 10 ถึง 90 ในตัวอย่างการพยากรณ์ยอดขายไอศกรีม Google แสดงว่าเมื่อใส่ตารางโปรโมชันเป็นปัจจัยที่รู้ล่วงหน้า โมเดลคาดว่ายอดขายจะเพิ่มราว 20% ในวันที่มีโปรโมชัน ขณะที่การพยากรณ์แบบตัวแปรเดียวมองไม่เห็นผลนี้
Google Research รายงานว่าบนชุดทดสอบสาธารณะ GIFT-Eval, FEV-Bench และ Time โมเดลได้อันดับเฉลี่ยดีที่สุดในกลุ่มโมเดลพื้นฐานที่ฝึกล่วงหน้า เทียบกับ Chronos-2, ตระกูล Toto 2.0 และ TimesFM 2.5 ตัวเลขชุดนี้เป็นผลที่ Google วัดเอง องค์กรควรทดสอบกับข้อมูลของตัวเองก่อนตัดสินใจ
ข้อจำกัดและค่าใช้จ่ายช่วง Preview
| หัวข้อ | TimesFM 2.5 | TimesFM 3.0 |
|---|---|---|
| สถานะใน BigQuery | โมเดลตั้งต้น | Preview |
| ประเภทการพยากรณ์ | ตัวแปรเดียว | ตัวแปรเดียวและหลายตัวแปร |
| ปัจจัยประกอบ | ไม่มี | ปัจจัยในอดีตและปัจจัยที่รู้ล่วงหน้า |
| ช่วงพยากรณ์ (horizon) | 1–10,000 จุด | 1–1,024 จุด |
| ข้อมูลย้อนหลังสูงสุด | 15,360 จุด | 2,048 จุด |
ข้อมูลที่เกิน 2,048 จุดล่าสุดจะถูกตัดทิ้งโดยไม่นำเข้าโมเดล และเมื่อใช้ปัจจัยที่รู้ล่วงหน้า ทุกคอลัมน์ต้องมีข้อมูลครอบคลุมทั้งช่วงข้อมูลย้อนหลังและช่วงที่จะพยากรณ์ อนุกรมที่มีข้อมูลน้อยกว่า 3 จุดจะพยากรณ์ไม่ได้ ฟังก์ชันนี้ใช้ได้ในทุก location ที่ BigQuery ML รองรับ
ด้านราคา ช่วง Preview ผู้ใช้รุ่น Enterprise และ Enterprise Plus จ่ายตามสล็อต ผู้ใช้แบบ on-demand จ่ายตามปริมาณไบต์ที่ประมวลผล เอกสารระบุว่า TimesFM 3.0 จะเปลี่ยนเป็นคิดค่าโทเคนที่โมเดลใช้ตั้งแต่ 12/01/2026 (ตามรูปแบบวันที่ของสหรัฐฯ คือ 1 ธันวาคม 2026) บวกค่าสล็อตหรือไบต์ของส่วนอื่นในคำสั่ง ฟีเจอร์ Preview ยังอยู่ภายใต้เงื่อนไข Pre-GA ของ Google Cloud ซึ่งให้บริการตามสภาพและอาจมีการสนับสนุนจำกัด
ทำไมเรื่องนี้สำคัญ
ก่อนหน้านี้ การพยากรณ์หลายตัวแปรใน BigQuery ML ต้องสร้างและเทรนโมเดล ARIMA_PLUS_XREG ด้วยคำสั่ง CREATE MODEL ส่วนโมเดลตระกูล TimesFM ที่ใช้แบบ zero-shot ได้ ทำได้เพียงพยากรณ์ตัวแปรเดียว Google Research เองยอมรับว่าโจทย์จริงส่วนใหญ่เป็นแบบหลายตัวแปร การที่ TimesFM 3.0 เข้ามาใน BigQuery จึงทำให้งานพยากรณ์ที่ต้องคำนึงถึงโปรโมชัน วันหยุด หรือสินค้าที่ขายเกี่ยวเนื่องกัน ทำได้ด้วย SQL บนข้อมูลที่อยู่ใน data warehouse อยู่แล้ว
ตลาดโมเดลพื้นฐานสำหรับอนุกรมเวลากำลังแข่งกันในจุดนี้ Google Research เทียบ TimesFM 3.0 กับ Chronos-2 และ Toto 2.0 ซึ่งรองรับหลายตัวแปรเช่นกัน ความต่างของ BigQuery คือเรียกโมเดลได้จากฟังก์ชัน SQL โดยตรง ทีมข้อมูลจึงไม่ต้องตั้งเซิร์ฟเวอร์โมเดลแยก
ผลต่อองค์กรไทย
- ค้าปลีกและสินค้าอุปโภคบริโภค ลองใช้ปฏิทินโปรโมชัน วันหยุดนักขัตฤกษ์ และวันจ่ายเงินเดือนเป็นปัจจัยที่รู้ล่วงหน้า แล้วเทียบผลกับวิธีพยากรณ์ที่ใช้อยู่ ก่อนนำไปวางแผนสต็อก
- เตรียมตารางปฏิทินให้ครบ ปัจจัยที่รู้ล่วงหน้าต้องมีข้อมูลครอบคลุมทั้งอดีตและช่วงที่จะพยากรณ์ ทีมข้อมูลควรสร้างตารางวันหยุดและแผนแคมเปญที่ดูแลต่อเนื่อง
- ทดสอบย้อนหลังเอง AI.EVALUATE ยังประเมินได้เฉพาะแบบตัวแปรเดียว การวัดผลแบบหลายตัวแปรจึงควรกันข้อมูลช่วงท้ายไว้เทียบกับผลพยากรณ์
- คุมค่าใช้จ่ายก่อนเปลี่ยนวิธีคิดเงิน ประเมินปริมาณการเรียกใช้ตั้งแต่ตอนนี้ เพราะราคาจะเปลี่ยนเป็นแบบโทเคนตั้งแต่ 12/01/2026 และยังไม่ควรผูกงานสำคัญกับฟีเจอร์ Preview
ดูข่าวด้านฐานข้อมูลของ Google Cloud อย่าง Spanner queues และข่าวอื่นได้ที่หมวดข้อมูล
คำถามที่พบบ่อย
TimesFM 3.0 ใน BigQuery คืออะไร?
TimesFM 3.0 คือโมเดลพื้นฐานสำหรับพยากรณ์อนุกรมเวลาของ Google Research ที่ BigQuery เพิ่มเป็นโมเดลในตัวเมื่อ 7 ตุลาคม 2026 ในสถานะ Preview เรียกใช้ผ่านฟังก์ชัน AI.FORECAST ด้วย SQL ได้ทั้งแบบตัวแปรเดียวและหลายตัวแปร โดยไม่ต้องสร้างหรือเทรนโมเดลเอง
พยากรณ์แบบหลายตัวแปรต่างจากแบบตัวแปรเดียวอย่างไร?
แบบตัวแปรเดียวใช้เพียงค่าในอดีตของอนุกรมนั้น ส่วนแบบหลายตัวแปรพยากรณ์หลายอนุกรมพร้อมกันและนำปัจจัยอื่นมาร่วมคำนวณ เช่น จำนวนลูกค้าเข้าร้านในอดีต หรือวันหยุดและแผนโปรโมชันที่รู้ล่วงหน้า ใน BigQuery ความสามารถนี้ต้องใช้โมเดล TimesFM 3.0
TimesFM 3.0 ต่างจาก TimesFM 2.5 ใน BigQuery อย่างไร?
TimesFM 2.5 ยังเป็นโมเดลตั้งต้นและพยากรณ์ได้เฉพาะแบบตัวแปรเดียว แต่อ่านข้อมูลย้อนหลังได้ถึง 15,360 จุดและพยากรณ์ล่วงหน้าได้ถึง 10,000 จุด ส่วน TimesFM 3.0 รองรับหลายตัวแปรและปัจจัยประกอบ แต่จำกัดข้อมูลย้อนหลังที่ 2,048 จุดและพยากรณ์ได้ไม่เกิน 1,024 จุด
ใช้ TimesFM 3.0 ใน BigQuery มีค่าใช้จ่ายอย่างไร?
ช่วง Preview ผู้ใช้ BigQuery รุ่น Enterprise หรือ Enterprise Plus จ่ายตามสล็อตที่ใช้ ส่วนผู้ใช้แบบ on-demand จ่ายตามปริมาณไบต์ที่ประมวลผล เอกสารของ Google ระบุว่า TimesFM 3.0 จะเปลี่ยนเป็นคิดตามโทเคนตั้งแต่ 12/01/2026 บวกค่าสล็อตหรือไบต์ของส่วนอื่นในคำสั่ง
แหล่งอ้างอิง
- BigQuery release notes — Google Cloud Documentation
- The AI.FORECAST function — Google Cloud Documentation
- TimesFM-3: A zero-shot foundation model for multivariate forecasting — Google Research
พบข้อมูลคลาดเคลื่อน? แจ้งกองบรรณาธิการ