Modèles de Fondation pour les Séries Temporelles (TFSM) 
Prochaine session
3 décembre 2025
Prochaines sessions et informations pratiques
- Comprendre les principes des modèles de fondation pour les séries temporelles (TFSM)
- Savoir mettre en œuvre des TFSM sur des séries réelles
- Comprendre les principes des modèles de fondation pour les séries temporelles (TFSM)
- Savoir mettre en œuvre des TFSM sur des séries réelles

Connaissances de base en séries temporelles.
Connaissances de base en séries temporelles.
Prévisionnistes, data scientists.
Prévisionnistes, data scientists.
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
- Pourquoi la prévision de séries temporelles est stratégique
- Exemples d’applications : énergie, logistique, retail, finance
Les TSFMs
- 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
- Exemples (Chronos, TimesFM, TimeGPT…)
- Accès aux TSFMs : bibliothèques Python, API cloud
- Comparatif rapide : accessibilité, simplicité, usage
Atelier pratique : première prédiction zero-shot
- Préparation des données (format, fréquence, horizon).
- Démonstration avec un modèle simple
Options avancées & limites
- Ajout de covariables
- Prédictions probabilistes et incertitude
- Cas d’usage pertinents et limites d’application des TSFMs
- Stratégie d’intégration
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
- Pourquoi la prévision de séries temporelles est stratégique
- Exemples d’applications : énergie, logistique, retail, finance
Les TSFMs
- 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
- Exemples (Chronos, TimesFM, TimeGPT…)
- Accès aux TSFMs : bibliothèques Python, API cloud
- Comparatif rapide : accessibilité, simplicité, usage
Atelier pratique : première prédiction zero-shot
- Préparation des données (format, fréquence, horizon).
- Démonstration avec un modèle simple
Options avancées & limites
- Ajout de covariables
- Prédictions probabilistes et incertitude
- Cas d’usage pertinents et limites d’application des TSFMs
- Stratégie d’intégration
Ce que vous approfondirez au cours de cette formation sur les Time Series Foundation Models
Cette journée de formation a pour objectif de vous donner une compréhension approfondie et concrète des Time Series Foundation Models (TSFMs), une avancée majeure dans le domaine de la prévision des séries temporelles.
Vous découvrirez comment ces modèles, pré-entraînés sur de très larges ensembles de données, permettent de réaliser des prédictions immédiates sans entraînement spécifique (zero-shot forecasting). Une approche particulièrement utile lorsque les données locales sont limitées ou difficiles à annoter.
Durant la formation, vous serez amené à :
- Identifier les limites des approches classiques (ARIMA, LSTM, Prophet) et comprendre dans quels contextes les TSFMs peuvent constituer une alternative pertinente.
- Explorer différents modèles récents tels que TimesFM, TimeGPT ou Chronos, et comparer leurs fonctionnalités, accessibilité et modalités d’intégration (API, bibliothèques Python).
- Préparer et manipuler des données temporelles réelles lors d’un atelier pratique, afin de réaliser une première prédiction zero-shot et d’appréhender les étapes clés : préparation des données, choix de l’horizon, prise en compte des covariables.
- Aborder les options avancées, comme la gestion de l’incertitude via des prévisions probabilistes ou l’ajout de variables explicatives supplémentaires.
- Discuter des cas d’usage stratégiques (énergie, logistique, finance, distribution) et des limites actuelles des TSFMs, afin de mieux situer leur potentiel et leurs contraintes dans un cadre professionnel.
À l’issue de cette journée, vous disposerez d’une vision claire et nuancée des modèles de fondation appliqués aux séries temporelles, ainsi que des outils pratiques pour évaluer leur intégration dans vos projets ou vos analyses.
Ce que vous approfondirez au cours de cette formation sur les Time Series Foundation Models
Cette journée de formation a pour objectif de vous donner une compréhension approfondie et concrète des Time Series Foundation Models (TSFMs), une avancée majeure dans le domaine de la prévision des séries temporelles.
Vous découvrirez comment ces modèles, pré-entraînés sur de très larges ensembles de données, permettent de réaliser des prédictions immédiates sans entraînement spécifique (zero-shot forecasting). Une approche particulièrement utile lorsque les données locales sont limitées ou difficiles à annoter.
Durant la formation, vous serez amené à :
- Identifier les limites des approches classiques (ARIMA, LSTM, Prophet) et comprendre dans quels contextes les TSFMs peuvent constituer une alternative pertinente.
- Explorer différents modèles récents tels que TimesFM, TimeGPT ou Chronos, et comparer leurs fonctionnalités, accessibilité et modalités d’intégration (API, bibliothèques Python).
- Préparer et manipuler des données temporelles réelles lors d’un atelier pratique, afin de réaliser une première prédiction zero-shot et d’appréhender les étapes clés : préparation des données, choix de l’horizon, prise en compte des covariables.
- Aborder les options avancées, comme la gestion de l’incertitude via des prévisions probabilistes ou l’ajout de variables explicatives supplémentaires.
- Discuter des cas d’usage stratégiques (énergie, logistique, finance, distribution) et des limites actuelles des TSFMs, afin de mieux situer leur potentiel et leurs contraintes dans un cadre professionnel.
À l’issue de cette journée, vous disposerez d’une vision claire et nuancée des modèles de fondation appliqués aux séries temporelles, ainsi que des outils pratiques pour évaluer leur intégration dans vos projets ou vos analyses.