Mistralが時系列予測モデル「Timestral」発表
原題: Timestral: Mistral's time-series foundation models
なぜ重要か
LLMで培った事前学習の知見を時系列予測へ展開する動きが加速しており、エネルギー・製造・金融などの基幹業務への大規模AI適用が現実味を帯びてきた。
Mistralは2026年10月15日、時系列予測に特化したFoundation Modelファミリー「Timestral」を発表した。最大モデルは209Mパラメータで、GIFT-Eval・TIME・fev-benchの主要3ベンチマーク全てで1位を獲得。5M・28M・123M・209Mの4サイズ展開で、ゼロショット予測に対応し、CPU上でも効率的に動作する。
Mistralが発表した「Timestral」は、同社初の時系列Foundation Modelファミリーだ。最大モデルの209Mパラメータ版は、GIFT-Eval・TIME・fev-benchという時系列予測分野の主要3公開ベンチマーク全てで首位を獲得した。注目すべき点は、従来の最高水準モデルのわずか3分の2のパラメータ数でこの成績を達成していることだ。
モデルは5M・28M・123M・209Mの4サイズで提供される。各サイズで予測精度とモデル規模のPareto最前線上に位置するよう設計されており、用途に応じた最適な選択が可能だ。確率的・多変量予測に対応し、過去の共変量と将来既知の共変量の両方をサポートする。
時系列データは企業において最も一般的なデータ形式の一つで、センサーのテレメトリーから可観測性メトリクスまで幅広く存在する。工場ではプロセスセンサーの予測や設備障害の事前検知、製造計画などに活用され、金融機関ではキャッシュフローや取引量の予測、ヘッジ戦略の策定に用いられる。
従来のARIMAや線形回帰は単一時系列のみを学習対象とする。PatchTSTなどのDeep Learningモデルは複数の関連系列にわたる非線形パターンの学習が可能だが、データセットごとにゼロから訓練するため知識の転移は難しかった。Timestralは大規模かつ多様なコーパスによる事前学習を通じてパターンを汎化し、未知のドメインでもゼロショット予測を実現する。
技術的には合成データによる事前学習、共変量を考慮したAttentionメカニズム、長文脈学習を組み合わせている。ドメイン適応のためのファインチューニングはMistral Forgeを通じて提供される。ベンチマーク結果はGIFT-EvalおよびTIMEリーダーボードに提出済みだ。