Modèles de fondation pour les séries temporelles (TSFM)
Objectifs pédagogiques
- Comprendre les principes des modèles de fondation pour les séries temporelles (TSFM)
- Savoir mettre en œuvre des TSFM sur des séries réelles
Programme détaillé
Cette journée de formation propose une introduction concrète et accessible aux Time Series Foundation Models (TSFMs), une nouvelle génération de modèles capables de prédire des séries temporelles sans entraînement spécifique sur les données de l’utilisateur (zero-shot forecasting). Après avoir présenté les apports des TSFMs, la session explore l’écosystème actuel avant de guider les participants dans la réalisation d’une première prédiction simple. Un atelier pratique permet de manipuler directement un modèle sur des données réelles.
Introduction 30 minutes
- Pourquoi la prévision de séries temporelles est stratégique
- Exemples d’applications : énergie, logistique, retail, finance
Les TSFMs 1h30
- Limites des approches classiques (ARIMA, LSTM, Prophet…)
- Principes d’un Time Series Foundation Model (TSFM)
- Le concept du zero-shot forecasting
Panorama des modèles & outils 1h
- Exemples (Chronos, TimesFM, TimeGPT…)
- Accès aux TSFMs : bibliothèques Python, API cloud
- Comparatif rapide : accessibilité, simplicité, usage
Atelier pratique : première prédiction zero-shot 2h
- Préparation des données (format, fréquence, horizon).
- Démonstration avec un modèle simple
Options avancées & limites 1h
- Ajout de covariables
- Prédictions probabilistes et incertitude
- Cas d’usage pertinents et limites d’application des TSFMs
- Stratégie d’intégration
Public visé
Prévisionnistes, data scientists.
Prérequis
Connaissances de base en séries temporelles.
Approche pédagogique
Calculés à partir de 19 avis recueillis depuis 03/12/2025, lors de 4 sessions de cette formation.
Modèles de fondation pour les séries temporelles : d'ARIMA à la prévision zero-shot
Depuis l’ouvrage de George Box et Gwilym Jenkins (1970), la prévision suit la même démarche : pour chaque série, on choisit un modèle et on l’estime sur l’historique de cette série. Les modèles de fondation pour les séries temporelles (TSFM) renversent cette logique : pré-entraînés une fois pour toutes sur des milliards de points issus de séries très variées, ils prévoient une série qu’ils n’ont jamais vue, sans réentraînement. C’est la prévision zero-shot.
Ce que les compétitions de prévision avaient montré
Les compétitions organisées par Spyros Makridakis ont préparé le terrain. En 2018, sur les 100 000 séries de la compétition M4, les méthodes d’apprentissage automatique pures font moins bien que les méthodes statistiques ; la gagnante, conçue par Slawek Smyl chez Uber, combine lissage exponentiel et réseau de neurones récurrent. En 2020, sur les ventes de Walmart de la compétition M5, des modèles de gradient boosting entraînés sur des milliers de séries à la fois dominent. La leçon : un modèle qui apprend sur de nombreuses séries peut transférer ce qu’il a appris de l’une à l’autre.
La vague 2023-2025
En octobre 2023 paraissent TimeGPT, de la start-up Nixtla, accessible par API, et TimesFM, de Google, un modèle de 200 millions de paramètres pré-entraîné sur environ 100 milliards de points. Amazon publie Chronos en mars 2024, avec une idée directe : ramener les valeurs à une échelle commune, les répartir en 4 096 intervalles traités comme les mots d’un vocabulaire, puis entraîner une architecture de modèle de langage à prédire le « mot » suivant. Les versions récentes, Chronos-2 (octobre 2025) et TimesFM 2.5 (septembre 2025), prennent en compte des variables explicatives et produisent des prévisions probabilistes. Avec la bibliothèque Python de Chronos, une prévision à douze pas assortie d’un intervalle tient en quelques lignes :
from chronos import Chronos2Pipeline
# df : colonnes item_id (identifiant de la série), timestamp, target
pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cpu")
prevision = pipeline.predict_df(df, prediction_length=12, quantile_levels=[0.1, 0.5, 0.9])
Le résultat contient, pour chaque date future, la médiane et les quantiles 10 % et 90 % de la prévision.
Évaluer avec prudence
Comparer ces modèles est plus délicat qu’il n’y paraît. Les séries publiques qui servent à les évaluer peuvent figurer dans les corpus de pré-entraînement : une étude de 2025 (Meyer et ses coauteurs) montre que le jeu d’entraînement d’un modèle contient parfois le jeu de test d’un autre. Un modèle qui a déjà vu une série paraît meilleur qu’il ne l’est. Pour juger de l’intérêt d’un TSFM sur ses propres données, la règle est de le confronter à une méthode de référence simple, prévision naïve saisonnière ou lissage exponentiel, sur une période récente qu’aucun modèle n’a pu voir.
Les méthodes classiques de prévision, d’ARIMA au lissage exponentiel, sont l’objet de Analyse des séries temporelles avec R.
