時系列基盤モデル(TSFM)とは？主要モデル比較と選び方・活用事例まで解説

時系列基盤モデル（TSFM：Time Series Foundation Model）は、大量・多様な時系列データで事前学習された「時系列版のLLM」とも呼ばれる予測基盤です。追加学習なしに需要・センサー値・金融指標・観測メトリクスを予測できるゼロショット性能が最大の特徴です。

2025年下半期から2026年にかけて、Google TimesFM 2.5・Amazon Chronos-2・Salesforce Moirai 2.0・Datadog Toto 2.0・IBM Granite・Nixtla TimeGPT 2 family・NVIDIA NV-Tesseractが相次いで刷新され、時系列予測は「モデルを学習する問題」から「モデルを選ぶ問題」に変質しつつあります。

本記事では、時系列基盤モデルの定義とゼロショット/ファインチューニング/埋め込みの3能力、2026年時点の主要7モデルの位置づけ、decoder-only化とスケーリング法則の成立という技術転換点、ARIMA/Prophetなど従来モデルとの違い、GIFT-Evalベンチマークとモデル選定軸、BigQuery・SageMaker・watsonx等の導入経路、日立×シーメンス工場予知保全やMTEC×大和総研の金融VaR推定などの活用事例、実用化を阻む3つの壁と対処方針までを、2026年7月時点で体系的に解説します。

時系列基盤モデル(TSFM)とは？時系列版のLLMとして再定義された予測基盤

時系列基盤モデル（TSFM：Time Series Foundation Model）とは、大量・多様な時系列データで事前学習しておくことで、追加学習なしにさまざまな時系列データの未来を予測できる汎用モデルです。

英語圏では Time Series Foundation Model の略称としてTSFMがそのまま用いられ、日本語圏では大和総研が「時系列基盤モデル」の訳語で解説を進めています。

2026年現在、時系列基盤モデルは統計モデルや個別業務用の予測モデルの延長にとどまらず、「時系列版のLLM」として汎用ツール化された予測基盤として再定義されつつあります。

Google・Amazon・Salesforce・Datadog・IBM・Nixtla・NVIDIAが相次いで自社モデルを刷新してきたことが、この潮流を象徴しています。

時系列基盤モデルの現代的な位置づけ——ゼロショット・ファインチューニング・埋め込みの3能力

2020年代後半に入り、時系列基盤モデルは企業にとって「大規模言語モデル（LLM）の時系列版」という性格を帯びてきました。

もともとは経済指標・天候・IoTセンサー・小売販売実績など多様なドメインの時系列データを事前学習しておき、未知の系列に対しても予測を返せる、というアイデアです。

• ゼロショット予測
  未知の時系列でも、履歴データを渡すだけで即座に予測できる。新商品・新店舗のようにデータの少ない対象にも適用可能
  
  

• ファインチューニング
  自社データで微調整することで、ドメイン固有の精度を上げられる。TimesFM 2.5では2026年4月にLoRA fine-tuningのサンプル実装がGitHubリポジトリに追加された
  
  

• 埋め込み表現の作成
  時系列を低次元のベクトルに変換し、異常検知や分類、類似検索の共通入力として使える

ここでのポイントは、時系列予測が「モデルを1から学習する問題」から「事前学習済みモデルをどう選び、どう当てるかの問題」へと変質した、という点です。

以前は業務ごとにARIMA・Prophet・LSTM等のモデルを用意して、データ量が確保できるまで待つ必要がありました。時系列基盤モデルはこの前提を変え、データが少なくても「まず予測を出せる」ラインを大幅に引き下げます。

---

時系列基盤モデルの主要ラインナップ（2026年時点）

時系列基盤モデルの分野では、2025年下半期から2026年にかけて主要プレイヤーが相次いでモデルを刷新しました。

現時点で本命として押さえておくべきは、Google・Amazon・Salesforce・Datadog・IBM・Nixtla・NVIDIAが提供する7系統のモデルです。

7モデルの一覧比較

以下の表で、2026年7月時点の主要な時系列基盤モデルを整理しました。提供元・発表時期・アーキテクチャ・ライセンスがそれぞれ大きく異なるため、選定の入り口として役立ちます。

モデル	提供元	発表時期	アーキテクチャ	主な特徴	ライセンス
TimesFM 2.5	Google	2025年9月	decoder-only Transformer（200M）	16Kコンテキスト・確率分位点予測・BigQuery統合	Apache 2.0
Chronos-2	Amazon	2025年10月	encoder-only + group attention	多変量・共変量ネイティブ対応	Apache 2.0
Moirai 2.0	Salesforce	2025年8月	decoder-only Transformer（単変量特化）	Moirai 1.0-Large比で約30倍のサイズ縮小	CC BY-NC 4.0（研究用・商用は要問い合わせ）
Toto 2.0	Datadog	2026年5月	decoder-only（4M〜2.5B）	スケーリング法則が成立・observability特化	Apache 2.0
Granite TimeSeries	IBM	2026年3月 TTM-r3／FlowState-r1.1／PatchTST-FM-r1	TTM・SSM（FlowState）・PatchTST-FM	CPU推論・超軽量	Apache 2.0（Granite）
TimeGPT 2 family	Nixtla	2025年10月 TimeGPT 2.0／2025年12月 TimeGPT 2.1（初の多変量）	Transformer系	2.0=Mini/Std/Pro／2.1=cross-learned多変量	private preview（招待制）
NV-Tesseract	NVIDIA	2026年4月〜（HF公開）	Forecasting=MOMENT+DARR／AD=Diffusion	産業用途・Cognite統合	Apache 2.0

この比較から分かるのは、単一モデルが支配する時代ではなく、用途と制約でモデルが分かれる構図に入っているという点です。

Chronos-2は多変量、Moirai 2.0は軽量・高速、Toto 2.0はスケール、Granite は極小・CPUと、それぞれ強みの軸が違います。

TimesFM 2.5（Google）——BigQueryからSQLで呼べる汎用モデル

TimesFM 2.5は、Googleが2025年9月に公開した第3世代の時系列基盤モデルです。

前世代のTimesFM 2.0（500Mパラメータ）から60%小型化して200Mパラメータへ、最大コンテキスト長は8倍拡張して16,384時点までカバーします。

2.5公開時点で30MパラメータのオプションQuantile Headによる最大1,000ステップ先までの確率分位点予測に対応し、さらに2025年10月29日には共変量（XReg）サポートが復活しています。

企業運用面では、BigQueryのAI.FORECASTとAI.EVALUATE関数が2025年11月にGAし、SQL経由でTimesFMの予測を呼び出せる状態になっています。

BigQuery←TimesFM→AlloyDBの接続経路（AI.FORECAST／AI.EVALUATE／AI.DETECT_ANOMALIES＋ADK／Gemini CLI／MCP Toolbox）（出典：Google Cloud Blog）

BigQueryとAlloyDBの両方から同じTimesFMモデルを呼び出せる構成になっており、ML基盤を持たない業務チームがSQLだけで時系列予測を組み込める点が最大の実務的な意味を持ちます。

Chronos-2（Amazon）——group attentionで多変量ネイティブ対応

Chronos-2は、Amazonが2025年10月20日にリリースした後継モデルです。

前世代のChronos-Bolt（離散トークン化＋クロスエントロピー損失）とは設計思想が異なり、encoder-only Transformerに「group attention」機構を組み合わせた新アーキテクチャを採用しています。

group attentionは、系列内の時間軸に沿ったself-attentionと、複数系列を横断するcross-series attentionを層ごとに交互配置する構造です。この設計により、単変量・多変量・共変量あり予測を1つのモデルで扱えるようになりました。

Amazonは公表資料で、Chronos-Boltに対する勝率90%超、GIFT-Evalで事前学習済モデル1位・TimesFM 2.5とTiRexを大きく上回るとしています。

Chronos-2のパイプライン——TRANSFORMER STACKでTIME ATTENTIONとGROUP ATTENTIONが交互配置される構造（出典：Amazon Science Blog）

同じTransformerブロックの中で時間軸のself-attentionと系列横断のcross-attentionが交互配置されており、多変量・共変量ネイティブ対応が構造レベルで組み込まれている点が読み取れます。

Moirai 2.0（Salesforce）——30倍小型化のdecoder-only（単変量特化）

Moirai 2.0は、Salesforceが2025年8月に発表した第2世代モデルです。

Moirai 1.0のmasked encoder+multi-patch inputs+mixture-distribution outputという複雑な構成を、シンプルなdecoder-only Transformer+single patch+quantile lossに再設計しました。

結果として、Moirai 1.0-Large比で**約2倍の推論高速化・約30倍のサイズ縮小（Small版11.4M）**を達成しつつ、発表当時（2025年8月）はGIFT-Eval非リーク条件下でMASE首位を獲得しました（arXiv論文v3時点では他モデルの登場によりMASE 5位・CRPS 6位に順位変動）。

一方で、Moirai 2.0は多変量・共変量サポートを明示的に落とし、多変量予測を「独立した単変量タスクの集合」として扱う設計に切り替えています。学習コーパスは36M系列・約295B観測点で、GIFT-Eval Pretrain・KernelSynth合成データ・Salesforce CloudOpsの匿名テレメトリなど複数ソースを組み合わせています。

Moirai 2.0は2025年8月発表時点でGIFT-Eval非リーク条件のMASE 1位（0.73）——現在は論文v3で5位に順位変動（出典：Moirai 2.0 arXiv論文）

TimeCopilot・Toto・sundial・TabPFN-TSといった同期の主要TSFMを揃って上回っていた点で、Moirai 2.0のdecoder-only設計と軽量化の効きが実測値でも裏付けられました。ただしGIFT-Evalは頻繁に更新され、その後のIBM FlowState-r1.1やCastStarといった新モデルが上位を塗り替えています。

Toto 2.0（Datadog）——時系列モデルで初めてスケーリング法則が成立

Toto 2.0は、Datadogが2026年5月14日に公開した時系列モデルです。

同モデルの特筆点は、4M・22M・313M・1B・2.5Bという5サイズを同一レシピで学習し、モデルサイズとともに性能が単調改善することを実証した点にあります。

これはLLMの世界では常識になっているスケーリング法則が、時系列基盤モデルでも成立することを初めて示した結果です。ベンチマーク面では、observabilityメトリクス向けのBOOM・汎用のGIFT-Eval・リーク耐性のあるTIMEすべてで首位ないし上位を獲得しています。

Granite Time Series（IBM）——CPU推論可能な超軽量シリーズ

IBMのGranite Time Seriesは、Tiny Time Mixer（TTM）・TSPulse・FlowState・PatchTST-FMの4系統から成る超軽量モデルファミリーです。

TTMは1Mパラメータから始まる史上最小クラスの時系列基盤モデルで、Hugging Faceでのダウンロード数は3,700万を超え、他社の10倍規模のモデルを上回るゼロショット精度を報告しています。

2025年11月にはwatsonx.aiのCustom Foundation Models機能がGranite TimeSeriesを正式サポートし、微調整済みモデルをwatsonx.aiに持ち込んで運用できる経路が整いました。

そして2026年3月31日にはIBM Researchが FlowState-r1.1・PatchTST-FM-r1・TTM-r3 の3モデルを同時リリースし、単変量に特化した状態空間モデル（SSM）であるFlowState-r1.1はGIFT-Evalポイント予測部門で首位を獲得しました。TTM-r3は競合の10〜50倍高速なCPU推論を、PatchTST-FM-r1は128〜8,192タイムポイントの確率的予測を提供します。

TimeGPT 2 family（Nixtla）——2.0の3ラインナップに加え、2.1で初の多変量対応

NixtlaのTimeGPT 2.0は、2025年10月に**private preview（招待制のearly access）**として発表された次世代モデルです。Mini・Standard・Proの3ラインアップに分かれており、それぞれ「リソース制約環境向け」「精度と計算コストの最適バランス」「最大精度のフラグシップ」という位置づけです。前世代TimeGPT-1比で最大60%の精度改善が公表されています。

続いて2025年12月10日には、TimeGPT 2 familyの最新メンバーとしてTimeGPT 2.1が発表されました。TimeGPT 2.1は同ファミリー初の多変量モデルで、cross-learned予測（複数系列を横断して学習した予測）が可能になり、外生変数の扱い改善・最小サンプル数の低減・ファインチューニング高速化・需要予測向けの非負出力保証など、エンタープライズ運用に必要な機能が拡張されています。

TimeGPT 2 familyは全体としてprivate previewの段階で、GA前段階です。パイロット参加希望者はNixtlaに個別問い合わせる形になります。オンプレデプロイも設計思想に含まれており、機密データを外に出せない業務での利用経路が想定されていますが、料金体系・SLAは公開されていません。

NV-Tesseract（NVIDIA）——予測はMOMENT+DARR、異常検知はDiffusionの用途別ハイブリッド

NVIDIAのNV-Tesseractは、DGX Cloud上で開発された時系列モデル群で、予測・異常検知・分類の3系統をモジュラー構成で提供します。

技術的な特徴は用途ごとに異なり、予測モデル（Forecasting）はMOMENT-1-largeベースのTransformerに DARR（Domain-Aware Representation and Retrieval：kNN検索で類似履歴を参照する仕組み）を組み合わせた構成、異常検知モデル（AD）はDiffusion＋curriculum learning＋adaptive thresholding という別系統アーキを組み合わせている点です。

特に異常検知用のNV-Tesseract-ADは、ノイズの多い高次元信号や希少事象の検出に強く設計されています。

産業界での実装が先行しており、Cogniteが2026年3月にNV-Tesseractの予測モデルを重工業向けCognite AI Data Platformに統合、続いて同3月23日に異常検知モデルも統合しました。現在はNVIDIA公式GitHub（初回リリース2026年7月7日）とHuggingFace（Forecastingは2026年4月7日公開、AD Diffusionは同年6月29日公開）でApache 2.0の下で公開されています。

モデルファミリーとしては分類（Classification）も位置付けられていますが、現時点で公開済みの実装はForecastingとAD Diffusionが中心です。

詳細な仕様はNVIDIA Developer Blogで公開されています。

---

時系列基盤モデルで起きている3つの技術転換点

7モデルの並列比較だけを見ると「似たようなモデルが林立している」印象を受けますが、実際には2025年下半期から2026年にかけて3つの技術転換点が同時進行しています。

これらは「これまでの時系列予測モデルの延長」では説明できない構造変化で、選定の意思決定にも直接効いてきます。

decoder-only化——LLMと同じアーキ選択に収束

第1の転換点は、主要モデルがdecoder-only Transformerに揃い始めたことです。

Moirai 2.0はMoirai 1.0のmasked encoderからdecoder-onlyへ切り替え、Toto 2.0もdecoder-only設計、TimesFMは初代からdecoder-onlyでした。Chronos-2は例外的にencoder-onlyのgroup attention構造を採用しています。

decoder-onlyの利点は、LLMと同じくautoregressiveな予測生成に自然にフィットすることと、パラメータあたりの学習効率が高いことです。Moirai 2.0が「1回のステップで複数トークンを予測する」設計により、推論スループットと安定性を同時に上げられたのは、この構造転換の恩恵と言えます。

つまり、時系列予測の世界でもLLMの成功パターンを時系列に持ち込む方向性が本命ルートになりつつあります。

スケーリング法則の成立——「モデルを大きくすれば良くなる」がついに成り立った

第2の転換点は、時系列基盤モデルでスケーリング法則が初めて明確に成立した点です。

LLMの世界では、「モデルサイズ・学習データ・計算量を増やせば、性能が予測可能な形で改善する」というスケーリング法則が2020年前後に確立しました。ところが時系列モデルではこの法則の成立が長年不明瞭で、「サイズを上げても精度が伸びない」壁が指摘されてきました。

DatadogのToto 2.0はこの壁を明確に破ったモデルとして注目されています。4M・22M・313M・1B・2.5Bの5サイズを同一レシピで学習した結果、モデルサイズが大きくなるほど単調に性能が改善し、BOOM・GIFT-Eval・TIMEの3ベンチマーク横断で首位を獲得しました。

この意味は大きく、予測精度を一段上げるための投資先が、データ量とアルゴリズムの職人技から、モデルサイズと計算リソースへとシフトすることを示唆します。今後は基盤モデルベンダー間のスケール競争が本格化する見込みです。

Toto 2.0公式ブログのヒーロー画像（実測グラフではなく発表イメージ）——4M〜2.5Bの5サイズを装飾的に表現（出典：Datadog Blog）

LLMで見慣れた「モデルを大きくすれば良くなる」曲線が時系列モデルでも成立したという意味で、TSFM分野のスケール投資の判断軸が今後変わっていく可能性を示しています。

多変量・共変量ネイティブ対応——プロモ・祝日・価格を素直に入れられる

第3の転換点は、多変量および共変量（XReg）をモデルの中でネイティブに扱う設計が本命化した点です。

初代のTSFMは単変量ゼロショット予測に主眼があり、複数系列や外生変数（祝日フラグ、価格、天候など）を入れるのは後付けの拡張でした。Chronos-2はこの制約を根本から解消しています。

AmazonのChronos-2は group attention 機構により、単変量・多変量・共変量あり予測をすべて同一モデルで扱える設計です。TimesFM 2.5も共変量サポート（XReg）を2025年10月の更新で復活させています。一方でMoirai 2.0は逆に多変量・共変量サポートを落とし、多変量予測は「独立した単変量タスクの集合」として扱う設計に舵を切りました。

これは予測精度に最も効くのはモデルの複雑さではなく外生変数の入力設計、という実務の観察と、モデル側の設計が合流した瞬間です。プロモーション・祝日・イベント・天候といったビジネスの現場で扱う情報を素直に投入できるようになりつつあります。

Transformer以外のアーキ登場——DiffusionとSSMという別ルート

補足として、Transformer一辺倒ではないアーキテクチャも実用段階に入りつつあります。

• Diffusionモデル
  NVIDIAのNV-Tesseract-ADは、Diffusion＋curriculum learningの構成で異常検知に強みを出している（同シリーズの予測モデルはMOMENT+DARRのTransformer構成）
  
  

• 状態空間モデル（SSM）
  IBMのFlowState-r1.1は2026年3月更新で GIFT-Evalポイント予測部門で首位を記録した。SSMは長系列を効率的に扱えるアーキテクチャとして注目されている

これらの別系統モデルは、Transformer系が苦手とする「長期依存の効率的モデリング」や「レアイベント検出」で強みを発揮するため、用途別モデルの選択肢がさらに広がっています。

---

時系列基盤モデルと従来の時系列予測モデル（ARIMA/Prophet/N-BEATS/LSTM）の違い

時系列基盤モデルを検討するとき、多くの企業がまず気になるのが「ARIMA・Prophet・LSTMなど従来モデルとの違い」です。

結論から言うと、両者は学習の前提／必要データ量／多系列への展開／ゼロショット可否の4点で根本的に異なります。

前提となる学習方式の違い

以下の表で、時系列基盤モデルと従来モデルの学習方式の違いを整理しました。

種類	代表例	学習方式	対応データ量	予測対象の追加コスト
統計モデル	ARIMA、Holt-Winters、SARIMA	対象系列だけで係数推定	数十〜数百点で足りる	系列ごとにモデル再学習
時系列に強い機械学習	Prophet、LightGBM、XGBoost	対象系列＋特徴量で学習	数百〜数千点が目安	系列ごとにモデル再学習
ディープラーニング	LSTM、N-BEATS、TFT	ドメイン特化データで学習	数万点以上を推奨	系列ごとにモデル再学習
時系列基盤モデル	TimesFM、Chronos、Moirai等	大量の多ドメインデータで事前学習	ゼロショットならデータ不要	系列ごとの追加学習は原則不要

この比較から分かるのは、時系列基盤モデルは「事前学習でモデルを作っておき、推論時に対象データを渡すだけで予測が返る」ワンショット運用ができるという点です。

従来モデルのように、系列ごとにトレーニングパイプラインを組む必要がありません。

コールドスタート問題への対処——新商品・新店舗でも予測できる

時系列基盤モデルの実務価値が最も出るのは、過去データが十分に蓄積されていない対象への予測です。

新商品の需要予測、新規オープン店舗の売上予測、初期立ち上げ工場のセンサーモニタリングなど、従来モデルなら「データが揃ってから」を待つしかなかった領域が、TSFMなら類似カテゴリの事前学習で得た知識をゼロショットで転用できます。

大和総研の解説やSORACOM公式ブログでも、この「気軽に予測が返ってくる」感触が最大の実用価値として繰り返し強調されています。

スケール性——数百万SKUの需要予測を一気に回せる

もう一つの違いは、同時にカバーできる系列数のスケールです。

従来モデルでは系列ごとに個別モデルを学習・保守する必要があるため、SKU数が増えると運用工数が指数的に膨らみます。時系列基盤モデルは1つのモデルで数十万〜数百万系列に予測を返せるため、SCM・小売・SREなどで全商品・全店舗・全メトリクスに予測を貼る運用が現実的になります。

一方、従来モデル（特にARIMA・Prophet）は特定系列における統計的な整合性・説明可能性で依然として優位な場面があります。金融・監査・行政のような場面では、モデルの挙動が説明できることが要件になるため、TSFMだけで置き換えるのではなく併用が本命ルートです。

---

時系列基盤モデルの選定軸——GIFT-Evalとモデル選び

7モデルの中からどれを選ぶかは、ベンチマーク成績だけでは決めきれません。GIFT-Eval のランキングは頻繁に入れ替わり、用途・データ量・多変量要否・SLA・オンプレ要件などの実務条件が判断を左右します。

GIFT-Evalベンチマークの位置づけ

GIFT-Evalは、Salesforceが2024年に公開した汎用時系列予測のベンチマークです。

144K以上の系列、23のデータセットグループ、7ドメイン、10の周期を横断して評価する点で、現時点で最も網羅性の高い時系列予測ベンチマークとして機能しています。

コミュニティ集計版のtsfm.aiのGIFT-Evalリーダーボードは、公式リーダーボードから104モデル以上を12時間ごとに集約しており、ランキングを俯瞰する用途に便利です。

ただし注意点として、ゼロショット・ファインチューニング・Ensemble提出で首位モデルが分かれること、非リーク条件で結果が変わること、BOOMやTIME等の別ベンチマークでは順位が変動することの3点が重要です。単純に「1位モデル＝ベストチョイス」ではありません。

5つの選定軸

以下の5軸で、実務でどのモデルを選ぶかを判断するのが現実的です。

• 予測対象と粒度
  需要予測（小売・SCM）ならChronos-2やTimesFM 2.5、observabilityメトリクスならToto 2.0、産業設備の異常検知ならNV-Tesseract-AD、金融時系列ならMoirai 2.0が本命候補
  
  

• 多変量・共変量の要否
  プロモ・祝日・価格などの外生変数を入れたいならChronos-2が最も設計上の整合性がある。単変量だけならTimesFM 2.5・Moirai 2.0で十分
  
  

• モデルサイズと推論環境
  GPU前提でクラウド運用ならToto 2.0の1B〜2.5Bやモデル階層の大きいものを選べる。CPU推論・エッジ運用ならGranite TTMやFlowstateの数百万〜数千万パラメータ級が現実解
  
  

• SLA・レイテンシ・スループット要件
  BigQuery/SageMakerでバッチ運用するか、リアルタイム推論を要求するかで、選ぶモデルと基盤が変わる。Moirai 2.0は前世代比で約2倍の高速化と大幅な小型化を達成し、リアルタイム系にも耐える設計
  
  

• オンプレ・機密制約
  金融・医療・製造の一部業務では、データを外部APIに送れない。この場合はTimeGPT 2 familyのオンプレ展開、Granite TTMの watsonx.ai on-prem、あるいはApache 2.0で公開されているTimesFM・Chronos-2・Toto 2.0の自社GPU実行が選択肢になる（Moirai 2.0はCC BY-NC 4.0で研究用途限定のため、業務利用には別途Salesforce個別問い合わせが必要）

実務では、「まずGIFT-Eval上位から2〜3モデルをショートリスト化」→「自社データでゼロショット精度をPoC評価」→「制約に合う運用経路が選べるか確認」の3段階で選定するのが失敗が少ない流れです。

---

時系列基盤モデルの導入経路と料金モデル

主要な時系列基盤モデルは、Hugging Faceでの直接ダウンロードだけでなく、主要クラウドのマネージドサービスやDWH経由で呼び出せる状態が整いつつあります。

導入経路の選択によって、必要なMLOps工数と実効コストが大きく変わります。

5つの導入経路の比較

以下の表で、時系列基盤モデルの主な導入経路と対応モデル、料金モデルを整理しました。

導入経路	主な対応モデル	特徴	料金の考え方
BigQuery AI.FORECAST	TimesFM 2.5	SQL関数として呼び出せる。BigQueryスキャン量に比例	クエリ処理料金＋モデル利用料
Amazon SageMaker	Chronos系（AWS公式ガイドあり）、Apache 2.0公開の他TSFMも実行可 ※Moirai 2.0は研究用ライセンスのため商用利用は要確認	Pipelinesと組み合わせてMLOpsに統合	インスタンス時間課金
Amazon Bedrock（今後）	検証中	マネージドで呼び出せる可能性	未公開
IBM watsonx.ai	Granite TimeSeries	Custom Foundation Models機能で微調整済モデルを持ち込める	プラン別＋インスタンス課金
Hugging Face直接ダウンロード	Apache 2.0公開モデル（TimesFM／Chronos-2／Toto 2.0／Granite）※Moirai 2.0はCC BY-NC 4.0で研究用限定	GPUがあれば自社環境で運用可	GPU実行コスト＋ライセンス条件の事前確認
Nixtla TimeGPT 2 family	TimeGPT 2.0/2.1	private preview（招待制）。オンプレデプロイ想定あり	未公表（招待制）
NVIDIA DGX Cloud＋Cognite	NV-Tesseract	産業向けにマネージドで組み込み済み	Cognite・DGX Cloud側のライセンス

実務の判断として重要なのは、モデルの推論コストだけでなくMLOps工数・データ移動コスト・監査要件を含めて総合評価するという点です。

BigQuery AI.FORECAST——SQLで呼べる汎用ルート

Google BigQueryのAI.FORECAST関数は、2025年11月19日にTimesFM 2.5と組み合わせてGA（一般提供）に移行しました。

BigQuery内のテーブルに対してSQLクエリ1本で時系列予測を返せるため、ML基盤を持たないビジネスチームやアナリストが直接使える点が大きな価値です。同時にAI.EVALUATE関数で精度評価もSQLで可能、AI.DETECT_ANOMALIES（プレビュー）で異常検知も加わっています。

Google WorkspaceのConnected SheetsからBigQuery ML経由でTimesFMを呼べる連携も2026年2月に追加され、スプレッドシート運用のチームからのアクセスも可能になっています。

Amazon SageMaker——ChronosとMLOpsを統合

AWSのAmazon SageMaker Pipelinesにおいて、Chronosを時系列予測モデルとして組み込む公式ガイドが公開されています。

Pipelinesと組み合わせることで、データ取得→前処理→Chronos推論→評価→再学習の一連のMLOpsをスケーラブルに運用できます。既存のSageMakerユーザーには最も自然な経路です。

watsonx.ai——Granite TimeSeriesを企業ガバナンス下で運用

IBM watsonx.aiのCustom Foundation Models機能は、2025年11月19日にGranite TimeSeriesを正式サポートしました。

社内で微調整したTTMモデルをwatsonx.aiにインポートし、監査ログ・ロールベースアクセス制御・コンプライアンスチェックを備えたエンタープライズ運用が可能です。金融・医療・製造の一部業務など、ガバナンス要件が厳しい業界での本命ルートになっています。

コスト構造の考え方——モデル代よりMLOps代が支配的

導入コストを試算するときの原則として、モデル自体の推論コストより、MLOpsパイプライン構築・監視・再学習のコストの方が支配的になるケースが多い点を押さえておくと良いです。

TSFMがOSSで無料でも、データ整備・パイプライン構築・監視・SLA担保・監査要件対応に工数がかかります。この観点で「SQL関数1本で呼べるBigQuery経由」や「マネージドで運用できるwatsonx.ai経由」は、モデル利用料以上の価値があります。

---

時系列基盤モデルの活用事例

時系列基盤モデルは、2026年に入って実運用フェーズに入りつつあります。ここでは、公表されている代表的な4事例を整理します。

日立×シーメンス——工場予知保全での時系列基盤モデル導入

工場予知保全での実装事例として、日立デジタルサービス（HDS）とシーメンスの取り組みが公表されています。

日経xTECHが2026年4月3日に報じたところによると、HDSはパブリックな時系列基盤モデルをファインチューニングする、あるいはOpenTSLM（Stanfordが公開した医療特化TSFM）のような特化モデルを採用する柔軟なアプローチで、工場設備の予知保全に時系列基盤モデルを組み込んでいます（具体的な削減効果の数値は同記事本文を参照）。

ポイントは、湿度センサー値の上昇のような単一シグナルの解釈で、「工場設備の不具合」か「外部で雨が降っているせい」かを、時系列基盤モデルが複数ドメインを横断した学習知識で切り分けられる点にあります。従来の統計モデルでは、この横断的な意味付けが困難でした。

MTEC×大和総研——金融リスク管理VaR推定

金融領域の代表事例が、MTEC（三菱UFJトラスト投資工学研究所）と大和総研共同のJSAI2025発表「時系列基盤モデルを活用した金融リスク推定方法の検討」です。

田代・山口・鈴木（MTEC）と亀田・宮沢（データアナリティクスラボ）による研究で、Salesforce Moiraiを用いてTOPIX（東証株価指数）の2001〜2024年データからValue at Risk（VaR）を推定しました。

Moiraiを選定した理由は、混合分布（複数の分布を組み合わせた出力）に対応しており、リスクのばらつきを含む予測が可能である点です。評価は「フィット」「安定性」「保守性」の3指標で行われ、フィット面で既存のデルタ法・ヒストリカルシミュレーション（HS）法より優れる期間があった一方、安定性は既存手法に劣るという結果が公表されています。

つまり、金融リスク管理では時系列基盤モデルの単独運用ではなく、既存手法との併用が現時点の実務ラインです。

Cognite×NVIDIA——重工業向け予測・異常検知

重工業向けの実運用として、CogniteがNVIDIA NV-Tesseractを自社プラットフォームに統合しました。

2026年3月16日には予測モデル、同3月23日には異常検知モデルをCognite AI Data Platformで運用開始したことが発表されています。

ノルウェーのエネルギー大手Aker BPを含む重工業ユーザー向けに、設備予知保全と生産最適化の予測を大規模に展開する構成です。DGX Cloud上での学習と、実運用環境での推論を組み合わせた形になっています。

Cognite・NVIDIA・Aker BPの3社連携によるNV-Tesseract実運用（出典：Cognite公式プレス）

プラットフォーム提供（Cognite）・モデル提供（NVIDIA）・運用事業者（Aker BP）の3層構造が明示された連携で、時系列基盤モデルを重工業に持ち込む際の体制設計のひな型として参照できます。

Datadog Toto——observabilityメトリクスの標準予測エンジン

Datadogが自社のobservability製品（Metrics・APM）に組み込んでいるのが、Toto 2.0を用いたリアルタイムのメトリクス予測です。

CPU使用率、レスポンス時間、エラー率などのメトリクスに対して、将来値予測と異常検知を組み合わせて表示することで、SRE（Site Reliability Engineering）チームが発生後の対応から兆候を捉えて先回りする運用にシフトできる設計です。

Datadogは公表ブログで「BOOM（observability特化ベンチマーク）で5サイズすべてが競合モデルを上回った」としており、この用途では現時点で最も実績のある選択肢です。

小売・SCM——新商品と全SKUの需要予測

具体名の公表事例は限られていますが、小売業とSCMは時系列基盤モデルとの相性が最も良いドメインとして、日経xTECHや大和総研などが繰り返し指摘しています。

特に既存の需要予測AIツールを補完する用途として、時系列基盤モデルをまずベースラインに置く運用が増えています。

主な用途は以下の3つです。

• 新商品・新店舗のコールドスタート需要予測（履歴データ不足でもゼロショットで見立てを出す）
• 数十万SKUに対する需要予測の一括更新（全商品に予測を貼る運用）
• プロモ・祝日・イベントを共変量として入れた実効的な需要予測（Chronos-2の多変量ネイティブ対応が効く領域）

実務の観察として、AI総研の支援現場でも「予測モデルを個別に育てる工数」を削るために、時系列基盤モデルをまずベースラインに置き、既存モデルとの精度差分を測る運用が増えつつあります。

---

時系列基盤モデル実用化を阻む3つの壁と対処方針

時系列基盤モデルは急速に進化していますが、実務投入には依然として障壁があります。

日経xTECHが「金融リスク分析で実証」の記事で整理した3つの壁——精度・説明可能性・安定性——は、2026年時点でも解消しきれていません。

###　1.精度——万能ではない

第1の壁は、時系列基盤モデルが常にドメイン特化モデルを上回るわけではないという現実です。

GIFT-Eval等の汎用ベンチマークでは基盤モデル上位のスコアが並びますが、金融ボラティリティ予測のように特定領域では既存の統計手法（Log-HAR等）を大きく上回るとは限らないという研究結果もあります。ARIMA・Prophet・独自の統計モデルが依然として競合し得る領域は残ります。

対処方針としては、PoC段階で「基盤モデル単独」「既存手法単独」「両者アンサンブル」の3パターンを並列評価するのが現実的です。基盤モデルを本命に据えつつ、既存モデルをベンチマークとして残しておく運用が、意思決定リスクを下げます。

2.説明可能性——なぜそう予測したかが説明しにくい

第2の壁は、予測根拠を業務担当者に説明することが難しいという点です。

Transformer系のTSFMは、内部で何が起きているかを外から見通しにくいブラックボックス的な側面があります。金融VaR・保険料算定・電力需給計画のように「なぜこの予測になったか」を監査・当局説明する必要がある業務では、この説明可能性の欠如が実装のボトルネックになります。

対処方針として現実的なのは、以下の3層構成です。

• 予測層 時系列基盤モデルで予測値を出す
• 説明層 SHAP・LIME・共変量寄与度・分位点予測などで「根拠らしきもの」を提示する
• 監査層 説明可能性が本当に要件になる部分（VaR最終値、保険料算定）は既存モデルで検証・上書きする

時系列基盤モデルを「意思決定の唯一の入力」に据えるのではなく、「複数入力の1つ」として運用設計に組み込むことで、説明可能性の要件を満たしつつ精度の恩恵を得やすくなります。

3.安定性——予測値のばらつきと再現性

第3の壁は、同じ入力に対する予測結果のばらつきと、時系列的な安定性です。

MTECのJSAI2025研究でも、MoiraiによるVaR推定の「安定性」は既存のデルタ法・HS法より劣ると報告されました。実運用で「モデルを更新するたびに予測値が跳ねる」「日ごとの結果ばらつきが監査上受け入れられない」といった問題は、金融・エネルギーなど厳密な運用が求められる業務で顕著です。

対処方針として押さえたいのは以下の3点です。

• モデルバージョンの固定 特定バージョンをロックし、更新は監査ゲート付きで運用する
• アンサンブル運用 複数モデルの平均・中央値を採用し、単一モデルの揺らぎを吸収する
• バックテストの定常化 過去期間での再現性を継続的に監視し、逸脱を早期に検知する

これらは追加のMLOps工数を要しますが、金融・重要インフラ・重工業では避けられない設計です。

【補足】日本語ドメイン特有の注意点

日本語ドメイン特有の注意点

補足として、日本語ドメインで時系列基盤モデルを運用する場合の追加論点があります。

主要TSFMの事前学習データは、Google Trends・Wikipedia Pageviews・NOAA気象・金融時系列など多くが欧米中心です。

日本のカレンダー（祝日・年度制・和暦・GW/お盆）、日本の商習慣（月末月初集中・四半期決算・年度末納品）、日本のシーズナリティ（花粉症・梅雨・台風）は、事前学習に十分に含まれていない可能性があります。

このため日本国内向けの運用では、LoRAファインチューニングまたは共変量による日本カレンダー情報の明示的な投入が精度向上の鍵になります。

TimesFM 2.5のGitHubリポジトリで2026年4月にLoRA fine-tuningのサンプル実装が追加された意味は、この点でも大きいと言えます。

!

---

時系列予測を業務アクションまで届けるなら

TimesFM 2.5・Chronos-2・NV-Tesseractのような時系列基盤モデルは、予測精度そのものを大きく引き上げる有力な選択肢です。ただし、予測結果を発注・在庫調整・アラート起票・取引制限といった業務アクションまで届けないと、「予測は当たるが業務は動かない」構造で止まりがちです。

ここで効いてくるのが、自社Azureテナント内で動くエンタープライズAIエージェント基盤 AI Agent Hub です。TSFMが返した予測を、Teamsから呼び出す業務Agentに橋渡しし、権限・実行ログ・監査までを1つのプラットフォームで完結させます。

• TSFMの予測結果をTeamsから業務アクションに接続
  需要予測は発注・在庫調整、異常検知はアラート・チケット起票、金融リスクは取引制限といった業務判断のトリガーに、Teamsから呼び出す業務Agentが橋渡しします。「予測は当たるが動かない」ギャップを業務Agentの実行導線で埋める設計です。
  
  
• 説明可能性・安定性の壁を管理ダッシュボードで統制
  本記事で扱った精度・説明可能性・安定性の3つの壁のうち、後段2つは運用側の統制で緩和できます。Agent単位のアクセス権限・不変の実行ログ・承認ゲートを1画面に集約し、金融・重要インフラでも監査対応可能な運用設計に落とせます。
  
  
• 既存モデルとTSFMの併用構成を自社Azureテナント内で回す
  本記事で扱った「金融・重要インフラでは既存モデルと併用が現実解」に沿って、複数モデルの予測をAgent側でハンドリングします。全て自社Azureテナント内で完結する構成で、機微データを外に出さない前提を保ちながら業務側の自動化まで拡張できます。

AI総合研究所の専任チームが、Microsoft MVP・Solution Partner認定の実績をもとに、時系列基盤モデルとAgent Hubを組み合わせた業務設計から運用まで伴走支援します。AI Agent HubのLPで、時系列予測を業務アクションに載せる進め方をご確認ください。

---

まとめ

時系列基盤モデル（TSFM）は、時系列予測を「モデルを1から学習する問題」から「事前学習済みモデルを選び、当てる問題」へと変質させた予測基盤です。

2026年時点の本命は、Google TimesFM 2.5・Amazon Chronos-2・Salesforce Moirai 2.0・Datadog Toto 2.0・IBM Granite TimeSeries・Nixtla TimeGPT 2 family・NVIDIA NV-Tesseractの7モデルで、それぞれ用途・アーキ・ライセンス・強みの軸が異なります。

背後では、decoder-only化・スケーリング法則の成立・多変量ネイティブ対応という3つの技術転換点が同時進行しており、汎用ベンチマークGIFT-Evalの首位モデルも短期間で入れ替わりが続いています。

導入経路はBigQuery AI.FORECASTのSQL経由から、Amazon SageMaker、IBM watsonx.ai、Hugging Face直接、NVIDIA DGX Cloud＋Cognite統合まで揃い、SQLだけで時系列予測を呼べる時代に入りました。

実務価値としては、日立×シーメンスの工場予知保全（日経xTECH報道）、MTEC×大和総研の金融VaR推定（JSAI2025）、Datadog Toto によるobservability予測、Cognite×NVIDIAの重工業予測といった、業界横断の実装成果が公表されつつあります。

一方で、精度・説明可能性・安定性の3つの壁と、日本語ドメインでの追加調整という課題は残ります。金融・重要インフラ・重工業では、時系列基盤モデルの単独運用ではなく、既存モデルとの併用・アンサンブル・監査ゲート付き運用が現時点の実務ラインです。

自社で時系列予測をこれから設計するなら、まずGIFT-Eval上位の2〜3モデルをショートリスト化し、自社データでゼロショット精度を測定するところから始めるのがおすすめです。そのうえで、基盤モデルをどのレイヤーに置き、既存モデルとどう組み合わせるかを、業務要件と監査要件から逆算して決めていく——それが2026年時点の時系列予測プロジェクトの現実的な進め方です。