Des réseaux déjà entraînés sur des millions de séries temporelles, qui prévoient votre série sans aucun entraînement : on leur donne l'historique, ils rendent une prévision et une fourchette. Chronos (Amazon), TimesFM (Google) ou Moirai (Salesforce) servent à obtenir en quelques minutes une prévision correcte sur des milliers de séries.
Un prévisionniste qui a vu des millions de courbes dans sa carrière. On lui montre la vôtre pour la première fois : il reconnaît le cycle, la tendance, le niveau de bruit, et prolonge sans rien apprendre de plus.
Le modèle apprend à prolonger des millions de séries variées : ventes, énergie, trafic, météo, plus des séries synthétiques. Comme un LLM apprend la langue sur des milliards de phrases.
On lui fournit l'historique récent, mis à l'échelle automatiquement. Le Chronos d'origine transforme les valeurs en symboles, comme des mots ; Chronos-Bolt et TimesFM lisent la série par morceaux de quelques points.
Aucun poids n'est modifié : c'est la prévision zéro-shot. Le modèle rend plusieurs quantiles, donc une fourchette et pas seulement un chiffre.
Sur un portefeuille de séries propre à l'entreprise, un réentraînement léger (fine-tuning) améliore souvent la précision.
Les dernières heures de température d'une machine, avec son cycle de 24 h. Dans un parc réel, des centaines de capteurs, sans équipe pour entraîner et suivre un modèle par capteur.
Une prévision médiane heure par heure et une bande 10-90 %. Un relevé qui sort de la bande déclenche une vérification avant la panne.
On cache les 48 dernières heures et on compare à une référence naïve : répéter la dernière journée. On vérifie aussi que le réel tombe dans la bande 10-90 % environ 8 heures sur 10.
Il n'y a presque rien à régler. Les décisions portent sur le modèle et sur ce qu'on lui donne.
Chronos-Bolt (tiny à base), TimesFM, Moirai : les petites versions tournent sur CPU. Tester deux ou trois modèles sur vos séries avant de choisir.
L'historique fourni. Il doit couvrir plusieurs cycles : au moins quelques jours pour un cycle de 24 h, deux ou trois ans pour une saison annuelle. Chaque modèle a un maximum (2 048 points pour Chronos-Bolt).
Au-delà de l'horizon d'entraînement du modèle (64 pas pour Chronos-Bolt), la qualité baisse. Prévoir par blocs plutôt que très loin d'un coup.
Zero-shot pour démarrer. Un fine-tuning sur vos séries, si le gain mesuré sur une période cachée justifie l'effort.
# Température machine : modèle fondation Chronos en Python
import numpy as np
import pandas as pd
import torch
from chronos import BaseChronosPipeline
capteurs = pd.read_csv("capteurs_machine.csv")
temperature = capteurs["temperature"].values
historique, reel = temperature[:-48], temperature[-48:] # on cache les 48 dernières heures
# Modèle public pré-entraîné Chronos-Bolt (petite taille), téléchargé depuis Hugging Face
pipeline = BaseChronosPipeline.from_pretrained("amazon/chronos-bolt-small", device_map="cpu")
# Aucun entraînement : on fournit l'historique récent, le modèle rend des quantiles
quantiles, moyenne = pipeline.predict_quantiles(torch.tensor(historique[-512:], dtype=torch.float32),
prediction_length=48, quantile_levels=[0.1, 0.5, 0.9])
p10, mediane, p90 = quantiles[0, :, 0].numpy(), quantiles[0, :, 1].numpy(), quantiles[0, :, 2].numpy()
# Référence : répéter les 24 dernières heures connues
naif = np.tile(historique[-24:], 2)
print("Erreur moyenne Chronos (°C) :", round(float(np.mean(np.abs(mediane - reel))), 2))
print("Erreur moyenne naïf 24 h :", round(float(np.mean(np.abs(naif - reel))), 2))
print("Heures dans la fourchette 10-90 % :", round(float(np.mean((reel >= p10) & (reel <= p90))), 2))Les modèles fondation temporels (Chronos, TimesFM) se pratiquent en Python avec PyTorch : pas d'équivalent R courant.
C'est prévoir une série que le modèle n'a jamais vue, sans l'entraîner dessus. Le modèle s'appuie sur ce qu'il a appris de millions d'autres séries. On gagne le temps d'entraînement et de réglage, au prix d'un contrôle moindre sur le résultat.
Les deux sont ouverts et leurs résultats publiés sont proches. Chronos (Amazon) existe en plusieurs tailles et sa version Bolt est rapide sur CPU. TimesFM (Google) gère de longs contextes. Le seul critère fiable est un test sur vos propres séries, avec une période cachée.
Pas systématiquement. Sur une série régulière bien connue, un ARIMA ou un Holt-Winters bien réglé fait souvent aussi bien, avec une prévision qui s'explique. Le modèle fondation brille quand il y a beaucoup de séries, peu de temps et peu d'historique par série.
Un lissage à tendance et saison, entraîné en une seconde par série. La base de comparaison obligée.
Voir la fiche → entraîné sur vos donnéesUn réseau de prévision qu'on entraîne soi-même. Plus de travail, parfois plus précis sur un portefeuille homogène.
Voir la fiche → la même recettePré-entraîner un grand modèle sur un corpus massif, puis l'utiliser sans réentraînement. Ici sur des courbes plutôt que du texte.
Voir la fiche →Dataistudio forme les équipes au machine learning et à l'IA, sur des cas concrets.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus