Modèles de base pour les séries temporelles: cas d'utilisation et avantages

mis à jour le 12 juin 2026

Les modèles de base pour les séries temporelles (TSFMs) s'appuient sur les avancées des modèles de base issues du traitement du langage naturel et de la vision par ordinateur. En utilisant des architectures basées sur les transformateurs et des données d'entraînement à grande échelle, ils atteignent des performances en mode zero-shot et s'adaptent à divers secteurs tels que la finance, la vente au détail, l'énergie et la santé.

Découvrez l'architecture, les cas d'utilisation, l'adoption dans les industries, les avantages, les défis et les comparaisons des modèles de base pour les séries temporelles avec les modèles existants :

Que sont les modèles de base pour les séries temporelles ?

Les modèles de base pour les séries temporelles (TSFMs) sont des modèles préentraînés à grande échelle conçus pour gérer des données de séries temporelles dans divers domaines et applications.

Inspirés par le succès des modèles de base dans le traitement du langage naturel (NLP) et la vision par ordinateur, les TSFMs étendent le paradigme de représentation des modèles de base à la prévision et à l'analyse séquentielle. Les principaux TSFMs sont :

Amazon Chronos-2 est un modèle uniquement encodeur dérivé de l'architecture encodeur T5 et a atteint des dizaines de millions de téléchargements sur Hugging Face.¹

Salesforce Moirai-2 utilise une architecture de transformateur uniquement décodeur entraînée sur le jeu de données LOTSA de 27 milliards d'observations.

Sundial, développé par des chercheurs de l'Université Tsinghua, obtient des résultats leaders sur le marché sur le jeu de données TimeBench.

TimesFM-2.5

TimesFM-2.5 est le dernier modèle de Google dans la série TimesFM. C'est un modèle préentraîné avec environ 200M de paramètres et une longueur de contexte de 16k, entraîné sur un corpus de points de données de séries temporelles réels. ² Comparé aux grands modèles de langage (LLMs), il offre une taille compacte, une inférence rapide et une focalisation sur les données de séries temporelles.

Architecture et entraînement

TimesFM emprunte l'architecture de transformateur uniquement décodeur aux modèles de langage : des couches d'attention auto-causale empilées et des couches feedforward génèrent la sortie suivante conditionnée uniquement par le contexte passé.

Contrairement au texte, le modèle représente une séquence comme des patches de points temporels contigus ; chaque patch est intégré (via un bloc résiduel MLP plus des encodages positionnels) et traité comme un token. Un choix de conception clé consiste à prédire une longueur de patch de sortie plus longue que le patch d'entrée, ce qui réduit les étapes itératives lors de l'inférence et limite l'accumulation d'erreurs sur les horizons longs.

Pour l'entraînement du modèle, Google mélange des données synthétiques (pour enseigner la « grammaire » temporelle de base) avec un grand ensemble de données diversifié de séries réelles (par exemple, Google Trends et Wikipedia Pageviews) pour améliorer le transfert. L'échelle totale de préentraînement est de l'ordre de 100B points temporels.

Graphique montrant l'architecture des modèles de base pour les séries temporelles TimesFM.

Figure 1 : Graphique montrant l'architecture de TimesFM.³

Évaluation et résultats

Google a évalué TimesFM en mode purement zero-shot sur des benchmarks publics. Sur l'archive de prévision Monash, TimesFM surpasse la plupart des modèles statistiques (par exemple, ARIMA, ETS) et égale ou dépasse plusieurs bases de référence d'apprentissage profond entraînées sur la série cible.

Sur les tâches à long horizon (par exemple, les jeux de données ETT), la précision zero-shot de TimesFM rivalise avec les bases de référence supervisées (par exemple, PatchTST entraîné par jeu de données) et bat les prévisionnistes basés sur des prompts LLM. Les métriques incluent l'erreur absolue moyenne (MAE) mise à l'échelle et des résumés de moyenne géométrique sur les jeux de données.⁴

Caractéristiques clés et architecture des TSFMs

L'architecture de transformateur des TSFMs utilise l'attention auto, les connexions résiduelles et les couches linéaires pour modéliser les dépendances à long terme et les motifs de saisonnalité. Les patches d'entrée sont transformés via un perceptron multicouche en intégrations, tandis que les encodages positionnels préservent l'ordre temporel.

Par rapport aux autres modèles de base, ces architectures sont adaptées aux tâches de prévision, plutôt qu'au texte ou au traitement d'images.

Figure 2 : Diagramme montrant différentes techniques d'adaptation.⁵

Quels sont les principaux cas d'utilisation ?

Prévision

La prévision consiste à prédire les points futurs d'une série temporelle étant donné les motifs historiques. Les TSFMs abordent cela en générant des prévisions ponctuelles ou des sorties de prévision probabiliste de séries temporelles, selon les besoins.

Contrairement aux modèles de prévision de séries temporelles univariées ou aux modèles statistiques, ils intègrent plusieurs signaux, y compris des variables exogènes comme la météo ou les promotions. Cette flexibilité les rend adaptés à la planification de la demande dans la vente au détail, à la prévision de la charge énergétique et à l'analyse des marchés financiers.

Classification

Dans la classification, l'objectif est d'étiqueter ou de catégoriser les motifs au sein d'une fondation de série. Les TSFMs utilisent des modèles basés sur des transformateurs pour reconnaître des structures caractéristiques telles que les arythmies dans les données médicales ou les pics de demande inhabituels dans la vente au détail.

Imputation

L'imputation comble les lacunes dans les séquences manquantes. Les TSFMs reconstruisent les intervalles manquants en exploitant les motifs appris à partir de jeux de données diversifiés lors de l'entraînement unifié.

Contrairement à l'interpolation simple, ils conservent la cohérence avec la saisonnalité et les tendances. Les applications incluent le remplissage des lacunes dans les journaux d'utilisation énergétique ou les données de surveillance médicale, où les informations manquantes peuvent affecter les tâches de prévision en aval.

Anomaly détection

Les TSFMs identifient les écarts par rapport aux motifs attendus en comparant les signaux actuels à leur représentation apprise du comportement normal.

Leur capacité à généraliser à travers les domaines améliore les performances zero-shot, même dans les cas où les anomalies sont rares. Cela est pertinent pour la détection de fraude, la maintenance prédictive et la surveillance de la cybersécurité. Par rapport aux travaux antérieurs en détection d'anomalies, les TSFMs intègrent la prévision de séries temporelles avec la classification, fournissant une détection consciente du contexte.

Industries adoptant les TSFMs

Vente au détail

Les détaillants s'appuient fortement sur les modèles de prévision pour la gestion des stocks et la planification des ventes.

Les modèles statistiques traditionnels échouent souvent à capturer les influences externes telles que les vacances, les promotions ou les changements économiques. Les TSFMs intègrent des variables exogènes et s'adaptent grâce à quelques ajustements few-shot.

Par exemple, un détaillant mondial peut appliquer un modèle entraîné sur un jeu de données diversifié et obtenir des prévisions fiables dans plusieurs régions.

Finance

Les systèmes financiers nécessitent à la fois des projections d'horizon de prévision et une détection d'anomalies. Les modèles de régression ou les modèles d'apprentissage profond ajustés pour des marchés spécifiques ont souvent du mal avec les changements structurels.

Les TSFMs fournissent une prévision zero-shot pour de nouveaux instruments et s'adaptent à la volatilité grâce à l'apprentissage par transfert. Les cas d'utilisation incluent la prévision des prix des actions, la modélisation des risques de portefeuille et la détection de fraude.

Santé

La Santé produit des données de séries temporelles continues à partir de dispositifs de surveillance. Les approches traditionnelles de détection d'anomalies dans les signes vitaux reposent sur des seuils fixes. Les TSFMs apprennent plutôt à partir de données cliniques et de données synthétiques, permettant des systèmes d'alerte précoce qui s'adaptent aux bases de référence spécifiques aux patients. Au-delà de la surveillance, ils soutiennent la découverte de connaissances dans les essais cliniques en identifiant des motifs temporels subtils à travers de grands jeux de données.

Énergie

Les systèmes énergétiques génèrent des séries temporelles à partir de capteurs et de compteurs. Contrairement aux méthodes traditionnelles qui supposent des motifs saisonniers fixes, les TSFMs gèrent des conditions variables telles que la génération renouvelable.

Ils combinent les historiques de consommation avec des variables exogènes comme la température et la vitesse du vent, produisant des sorties de prévision probabiliste de séries temporelles pour l'équilibrage du réseau. L'efficacité computationnelle est pertinente ici, car de petits mélangeurs temporels fournissent des prévisions localisées à moindre coût. Explorez les applications d'IA pour la durabilité pour plus d'informations.

Transport

Les réseaux de transport dépendent de la prévision pour le flux de trafic et la logistique. Les modèles d'apprentissage automatique antérieurs nécessitaient un entraînement de modèle séparé pour chaque ville ou itinéraire. Les TSFMs entraînés sur des jeux de données diversifiés peuvent transférer entre les régions avec un minimum d'adaptation fine.

Des exemples concrets incluent la prévision de la congestion dans les zones urbaines et l'optimisation des itinéraires de livraison dans la logistique.

Fabrication

Dans la fabrication, la maintenance prédictive est un cas d'utilisation central. Les modèles de régression traditionnels entraînés sur des données de machines uniques manquent souvent de transférabilité. Les TSFMs gèrent les dépendances à long terme entre les capteurs et les cycles de production, améliorant la détection précoce des pannes.

Lorsqu'ils sont affinés avec des données spécifiques à l'installation, ils obtiennent des performances améliorées dans la réduction des temps d'arrêt et l'assurance du contrôle qualité.

Météo et climat

La modélisation météorologique et climatique nécessite la gestion de multiples horizons de prévision, de quelques heures à plusieurs années. Les modèles statistiques et les méthodes traditionnelles échouent souvent à capturer la variabilité multi-échelle.

Les TSFMs, grâce à leur architecture de transformateur et leurs mécanismes d'attention auto, peuvent modéliser à la fois les dépendances locales et globales. Les exemples incluent la prévision des précipitations à court terme et les prévisions de cycles climatiques. La prévision probabiliste de séries temporelles aide à quantifier l'incertitude dans ces sorties.

Informatique urbaine

Les villes intelligentes s'appuient sur des données de séries temporelles provenant des transports, des services publics et des infrastructures. Les modèles existants sont actuellement cloisonnés par tâche. Les TSFMs les unifient sous un seul modèle qui peut être déployé dans différents domaines, s'adaptant avec un minimum de données d'entraînement supplémentaires.

Les exemples incluent l'optimisation de l'utilisation de l'énergie dans les bâtiments, la prévision de la congestion du trafic et la gestion des systèmes d'approvisionnement en eau.

Avantages des modèles de base pour les séries temporelles

Les avantages clés des TSFMs par rapport aux modèles existants incluent :

Performances zero-shot : Fournir de solides résultats sur des jeux de données non vus sans adaptation fine.
Réduction des coûts d'entraînement : Réutilisation d'un modèle à travers les domaines au lieu d'entraîner des modèles séparés.
Généralisation de domaine : Un modèle s'adapte à divers contextes avec l'apprentissage par transfert et les apprenants few-shot.
Efficacité computationnelle : Plus petits que les grands modèles de base en NLP tout en fournissant des performances améliorées.
Polyvalence : Gestion d'horizons de prévision divers, de granularités et de longueurs de patch de sortie.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

Défis

Défis techniques

Rareté des données d'entraînement : Contrairement au texte pour les modèles de langage, les jeux de données publics disponibles pour les données de séries temporelles sont plus petits. Cependant, il existe maintenant des jeux de données comme Large-scale Open Time Series Archive (LOTSA) avec des milliards d'observations à travers plusieurs domaines.⁶

Manque de structure universelle : Pas d'équivalent de vocabulaire ou de grammaire.

Dynamiques temporelles complexes : Motifs de saisonnalité et historiques divers.

Spécificité du domaine : Différents taux d'échantillonnage et comportements entre les industries.

Défis pratiques

Problèmes de confidentialité dans la collecte de jeux de données divers.
Exigences élevées d'efficacité computationnelle pour l'entraînement du modèle.
Changement de distribution dans des environnements évolutifs.
Interprétabilité et transparence dans les applications réelles.
Intégration dans les systèmes hérités et les pipelines de travail connexes.

Modèles de base pour les séries temporelles : facteurs de développement et de conception

Approche	Effort de configuration	Besoins en données d'entraînement	Architecture
TimesFM (modèle de base uniquement décodeur)	Minime ; forte prévision zero-shot à travers les domaines sans réentraînement	Préentraîné sur environ 100B points temporels provenant de jeux de données divers (données réelles + synthétiques)	Transformateur uniquement décodeur avec tokenisation par patch, attention auto, longueur de patch de sortie plus longue
Méthodes traditionnelles (ARIMA, ETS, etc.)	Modéré ; nécessite une sélection manuelle du modèle, un ajustement, des hypothèses de stationnarité	Utilise uniquement la série temporelle cible ; pas de préentraînement	Modèles statistiques avec hypothèses linéaires et saisonnières
Modèles d'apprentissage profond supervisés (PatchTST, Informer, etc.)	Élevé ; entraînement de modèle par jeu de données et ajustement des hyperparamètres	Nécessite de grands ensembles de données d'entraînement étiquetés pour chaque domaine	Architectures basées sur des transformateurs ou hybrides CNN/RNN
Prompting basé sur LLM (GPT, etc.)	Faible à l'inférence ; nécessite un formatage soigné du texte des séquences numériques	Entraîné sur des corpus de texte, pas sur des données de séries temporelles	Grands modèles de langage ; tokenisation conçue pour le texte, pas pour les dépendances numériques

Modèles de base pour les séries temporelles : résultats et facteurs opérationnels

Approche	Performance sur les benchmarks	Adaptabilité	Efficacité
TimesFM (modèle de base uniquement décodeur)	Égale ou dépasse les bases de référence supervisées en zero-shot ; meilleur que les modèles statistiques et le prompting LLM	Généralise à travers la finance, l'énergie, la vente au détail, la santé ; prend en charge l'apprentissage par transfert et les ajustements few-shot	Compact (~200M paramètres) ; besoins d'efficacité computationnelle inférieurs aux grands modèles de base
Méthodes traditionnelles (ARIMA, ETS, etc.)	Solide sur les séries stables à court horizon ; faible sur les données irrégulières ou multivariées	Peu ou pas de transfert entre les domaines ; doit être réajusté par jeu de données	Léger, rapide ; fonctionne sur du matériel limité
Modèles d'apprentissage profond supervisés (PatchTST, Informer, etc.)	Souvent la précision la plus élevée lorsqu'entraînés sur des données suffisantes ; solide sur les tâches spécifiques au domaine	Mauvaise généralisation ; nécessite un réentraînement par jeu de données	Intensif en ressources (>1B paramètres) ; plus lent à entraîner et déployer
Prompting basé sur LLM (GPT, etc.)	Plus faible que TimesFM ; lutte avec les horizons de prévision longs et la précision numérique	Adaptable en principe, mais fortement dépendant de l'ingénierie de prompt	Très coûteux à l'inférence ; inefficace en raison de l'échelle et de la longueur des tokens

Différences avec les autres modèles de base

Les TSFMs divergent des modèles de langage et des modèles fondamentaux de vision de plusieurs manières :

Modalité des données : Données numériques séquentielles plutôt que texte ou images.
Architecture : Architectures basées sur des transformateurs adaptées avec patching et normalisation (par exemple, normalisation d'instance réversible).
Approche d'entraînement : Intégration de données synthétiques et de corpus réels, comme les jeux de données de recherche de Google.
Échelle : Plus petits en taille que les grands modèles de base, tout en fournissant des prévisions ponctuelles de haute qualité.
Évaluation : Benchmarké sur des tâches de prévision, de détection d'anomalies et d'imputation plutôt que sur la compréhension du texte.

Conclusion

Les modèles de base pour les séries temporelles représentent un changement par rapport aux modèles statistiques spécifiques au domaine, aux modèles de régression et à l'apprentissage profond supervisé vers un modèle unifié pour les séries temporelles. En appliquant des architectures basées sur des transformateurs et en exploitant des modèles préentraînés, ils offrent des solutions évolutives pour les tâches de prévision, la détection d'anomalies et d'autres applications dans divers secteurs.

Bien que des défis subsistent en matière de disponibilité des données d'entraînement, d'interprétabilité et d'intégration dans les flux de travail existants, les avantages en matière de prévision zero-shot, d'apprentissage par transfert et d'adaptabilité inter-domaine positionnent les TSFMs comme une étape clé vers une prévision à usage général. À mesure que la recherche progresse et que les modèles de base open source s'étendent, l'adoption devrait croître à la fois dans les milieux académiques et réels.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

Sıla Ermut (2026) - "Modèles de base pour les séries temporelles: cas d'utilisation et avantages". Publié en ligne sur AIMultiple.com. Consulté le 12 Juin 2026, à : https://aimultiple.com/time-series-foundation-models [Ressource en ligne]

Ermut, S. (2026, 12 Juin). Modèles de base pour les séries temporelles: cas d'utilisation et avantages. AIMultiple. https://aimultiple.com/time-series-foundation-models

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Modèles de base pour les séries temporelles: cas d'utilisation et avantages}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/time-series-foundation-models}},
  note   = {AIMultiple. Consulté le 12 Juin 2026}
}

Liens de référence

amazon/chronos-2 · Hugging Face

GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting. · GitHub

A decoder-only foundation model for time-series forecasting

https://arxiv.org/pdf/2403.14735v3

MOMENT: A Family of Open Time-series Foundation Models

Sıla Ermut

Analyste du secteur

Suivre

Sıla Ermut est analyste chez AIMultiple, spécialisée dans le marketing par e-mail et les vidéos de vente. Auparavant, elle travaillait comme recruteuse dans des cabinets de conseil et de gestion de projets. Sıla est titulaire d'un master en psychologie sociale et d'une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.