Modèles de fondation de séries temporelles: cas d'utilisation et avantages

Les modèles de fondation de séries temporelles (TSFM) sont des modèles pré-entraînés qui prévoient, classent, imputent et détectent les anomalies dans les données de séries temporelles sans nécessiter un modèle distinct pour chaque dataset ou secteur. Les TSFM utilisent des architectures basées sur des transformers et des datasets de séries temporelles à grande échelle pour généraliser à travers des domaines tels que la finance, le commerce de détail, l’énergie et la santé.

Découvrez l’architecture, les cas d’utilisation, l’adoption dans les secteurs, les avantages, les défis et les comparaisons des modèles de fondation de séries temporelles avec les modèles existants :

Que sont les modèles de fondation de séries temporelles ?

Les TSFM appliquent des méthodes d’entraînement de modèles de fondation à des données numériques séquentielles, en utilisant des architectures capables d’apprendre des motifs temporels à partir de grandes collections de séries temporelles. Au lieu d’entraîner un modèle distinct pour chaque problème de prévision, ils peuvent être adaptés à des tâches telles que la prévision, la détection d’anomalies, l’imputation et la classification.

Les principaux TSFM sont :

Amazon Chronos-2

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

Salesforce Moirai-2

Salesforce Moirai-2 utilise une architecture de transformers à décodeur uniquement entraînée sur le dataset LOTSA de 27 milliards d’observations.

Sundial

Sundial, développé par des chercheurs de l’université Tsinghua, obtient des résultats parmi les meilleurs du marché sur le dataset TimeBench.

TimesFM-2.5

TimesFM-2.5 est le dernier modèle de Google dans la série TimesFM. Il s’agit d’un modèle pré-entraîné doté d’environ 200M paramètres et d’une longueur de contexte de 16k, entraîné sur un corpus de points de données de séries temporelles réelles. 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 transformers à décodeur uniquement aux modèles de langage : des couches empilées d’auto-attention causale et de type feedforward génèrent la sortie suivante conditionnée par le contexte passé.

Contrairement au texte, le modèle représente une séquence sous forme de 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 de longs horizons.

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

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

Évaluation et résultats

Google a évalué TimesFM en mode zéro-shot pur sur des benchmarks publics. Sur le Monash Forecasting Archive, TimesFM surpasse la plupart des modèles statistiques (par ex., ARIMA, ETS) et égale ou dépasse plusieurs références de deep learning entraînées sur la série cible.

Sur les tâches à long horizon (par ex., les datasets ETT), la précision zéro-shot de TimesFM rivalise avec les références supervisées (par ex., PatchTST entraîné par dataset) et dépasse les prévisionnistes basés sur des prompts LLM. Les métriques incluent la MAE mise à l’échelle et des résumés de moyenne géométrique sur les datasets.³

Caractéristiques clés et architecture des TSFM

L’architecture de transformers des TSFM utilise l’auto-attention, les connexions résiduelles et les couches linéaires pour modéliser les dépendances à longue distance et les motifs de saisonnalité. Les patches d’entrée sont transformés via un perceptron multicouche en embeddings, tandis que les encodages positionnels préservent l’ordre temporel.

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

Figure 2 : Diagramme montrant différentes techniques d’adaptation.⁴

Quels sont les principaux cas d’utilisation ?

Prévision

Les TSFM utilisent des valeurs historiques de séries temporelles et, lorsque le modèle prend en charge, des entrées supplémentaires telles que la météo, les promotions, les jours fériés ou d’autres variables. Cela leur permet de modéliser des relations entre plusieurs signaux plutôt que de dépendre d’une seule série cible.

Classification

Les TSFM utilisent des modèles basés sur des transformers pour reconnaître des structures caractéristiques telles que les arythmies dans les données médicales ou les pics de demande inhabituels dans le commerce de détail.

Imputation

Les TSFM reconstruisent les intervalles manquants en exploitant des motifs appris à partir de datasets diversifiés lors d’un entraînement unifié.

Contrairement à une simple interpolation, ils conservent la cohérence avec la saisonnalité et les tendances. Les applications incluent le comblement des lacunes dans les journaux de consommation d’énergie ou les données de suivi médical, où les informations manquantes peuvent affecter les tâches de prévision en aval.

Anomaly détection

Les TSFM peuvent prendre en charge la détection d’anomalies en convertissant leurs représentations apprises des séries temporelles ou leurs sorties de reconstruction en scores d’anomalie. Par exemple, MOMENT utilise une configuration basée sur la reconstruction dans laquelle l’erreur quadratique moyenne entre la série temporelle observée et prédite est utilisée comme critère d’anomalie.⁵

Cette approche peut réduire le besoin d’étiquettes d’anomalies spécifiques à la tâche, mais elle doit toujours être comparée, via des benchmarks, aux méthodes traditionnelles de détection d’anomalies pour chaque dataset.

Secteurs qui adoptent les TSFM

Commerce de détail

Dans le commerce de détail, les TSFM sont principalement pertinents pour la prévision de la demande au niveau des SKU ou des magasins, où les schémas de vente peuvent évoluer en raison des jours fériés, des prix, des promotions, des ruptures de stock et de la saisonnalité régionale.

Leur utilité dépend de la capacité du modèle à prendre en charge des variables externes. Par exemple, TimeGPT peut utiliser des variables exogènes telles que les prix, les promotions et les indicateurs de jours fériés.⁶

Un autre exemple, Lag-Llama, est conçu comme un modèle de prévision probabiliste univarié. Cela signifie que les TSFM ne doivent pas être décrits comme une classe unique intégrant toujours des facteurs spécifiques au commerce de détail.⁷

Un cas d’utilisation plus pratique dans le commerce de détail consiste à tester les TSFM comme bases de prévision réutilisables sur des datasets de demande, puis à les comparer aux modèles de prévision statistiques, de machine learning ou spécifiques au domaine existants avant le déploiement.

Finance

Dans les séries temporelles financières, les TSFM sont surtout pertinents pour les tâches où les données historiques sont limitées, bruitées ou affectées par des changements de régime. Cela inclut la prévision d’actifs nouvellement cotés, l’estimation de la volatilité à court terme et l’identification de transactions ou de schémas de marché inhabituels.

Les modèles mono-marché tels qu’ARIMA, GARCH ou les prévisionnistes basés sur LSTM peuvent devenir moins fiables lorsque la distribution des données change après des modifications de taux d’intérêt, des chocs de liquidité, des annonces macroéconomiques ou des événements de stress de marché. Les TSFM remédient à cette limite en transférant des motifs appris à partir de datasets de séries temporelles plus larges, mais leurs sorties nécessitent tout de même un backtesting car les données financières sont fortement non stationnaires.

Les cas d’utilisation potentiels en finance incluent la prévision des prix d’actifs, la prévision de la volatilité, le suivi du risque de portefeuille et la détection de fraudes ou d’anomalies de transactions.

Santé

Les TSFM apprennent à partir de données cliniques et de données synthétiques, ce qui permet des systèmes d’alerte précoce qui s’adaptent aux références spécifiques à chaque patient. Au-delà du suivi, ils soutiennent la recherche et la découverte dans les essais médicamenteux en identifiant des motifs temporels subtils dans de grands datasets.

Énergie

Contrairement aux méthodes traditionnelles qui supposent des schémas saisonniers fixes, les TSFM gèrent des conditions variables telles que la production renouvelable.

Ils combinent les historiques de consommation avec des variables exogènes telles que la température et la vitesse du vent, produisant des sorties probabilistes de prévision de séries temporelles pour l’équilibrage du réseau. L’efficacité computationnelle est ici pertinente, car de petits time mixers fournissent des prédictions localisées à moindre coût. Explorez les applications d’IA pour la durabilité pour plus d’informations.

Transport

Les TSFM entraînés sur des datasets diversifiés peuvent se transférer d’une région à l’autre avec une adaptation fine minimale. Les exemples concrets incluent la prévision de la congestion dans les zones urbaines et l’optimisation des itinéraires de livraison dans la logistique.

Industrie manufacturière

Les TSFM gèrent les dépendances à longue distance entre les capteurs et les cycles de production, améliorant ainsi la détection précoce des défaillances.

Lorsqu’ils sont fine-tunés avec des données spécifiques à l’installation, ils obtiennent de meilleures performances en réduisant les temps d’arrêt et en garantissant le contrôle qualité.

Météo et climat

La modélisation météorologique et climatique nécessite de gérer 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 TSFM, grâce à leur architecture de transformers et à leurs mécanismes d’auto-attention, peuvent modéliser à la fois les dépendances locales et globales. Les exemples incluent la prévision des précipitations à court terme et les prédictions des cycles climatiques. La prévision probabiliste de séries temporelles aide à quantifier l’incertitude dans ces sorties.

Avantages des modèles de fondation de séries temporelles

Les principaux avantages des TSFM par rapport aux modèles existants incluent :

• Performance zéro-shot : offrir de solides résultats sur des datasets inédits sans adaptation fine.
• Coûts d’entraînement réduits : réutilisation d’un seul modèle dans plusieurs domaines au lieu d’entraîner des modèles distincts.
• Généralisation de domaine : un modèle s’adapte à des contextes variés grâce au transfer learning et à des apprenants few-shot.
• Efficacité computationnelle : plus petits que les grands modèles de fondation en NLP tout en offrant des performances améliorées.
• Polyvalence : gestion de divers horizons de prévision, granularités et longueurs de patches de sortie.

Défis des TSFM

Défis techniques

Rareté des données d’entraînement : contrairement au texte pour les modèles de langage, les datasets publics disponibles pour les données de séries temporelles sont plus réduits. Cependant, il existe désormais des datasets comme le Large-scale Open Time Series Archive (LOTSA) avec des milliards d’observations dans de nombreux domaines.⁸

Absence de structure universelle : pas d’équivalent de vocabulaire ou de grammaire.

Dynamiques temporelles complexes : diversité des motifs de saisonnalité et des historiques.

Spécificité de domaine : différents taux d’échantillonnage et comportements selon les secteurs.

Défis pratiques

• Problèmes de confidentialité lors de la collecte de datasets diversifiés.
• Exigences élevées en matière d’efficacité computationnelle pour l’entraînement des modèles.
• Changement de distribution dans des environnements évolutifs.
• Interprétabilité et transparence dans les applications réelles.
• Intégration dans les systèmes existants et les pipelines de travaux connexes.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Modèles de fondation de séries temporelles : facteurs de développement et de conception

Modèles de fondation de séries temporelles : résultats et facteurs opérationnels

Différences par rapport aux autres modèles de fondation

Les TSFM diffèrent des modèles de langage et des modèles fondamentaux de vision de plusieurs manières :

• Modalité de données : données numériques séquentielles plutôt que texte ou images.
• Architecture : architectures adaptées basées sur des transformers avec patching et normalisation (par ex., normalisation d’instance réversible).
• Approche d’entraînement : intégrer à la fois des données synthétiques et des corpus réels, comme les datasets de Google Research.
• Échelle : plus petits que les grands modèles de fondation, tout en fournissant des prévisions ponctuelles de haute qualité.
• Évaluation : évalués via des benchmarks sur les tâches de prévision, la détection d’anomalies et l’imputation au lieu de la compréhension de texte.

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.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Modèles de fondation de 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

1.

amazon/chronos-2 · Hugging Face

2.

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

3.

A decoder-only foundation model for time-series forecasting

4.

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

5.

MOMENT: A Family of Open Time-series Foundation Models

6.

https://arxiv.org/pdf/2310.03589

7.

https://arxiv.org/pdf/2310.08278

8.

Salesforce/lotsa_data · Datasets at Hugging Face

Salesforce AI Research

Sıla Ermut

Analyste sectoriel

Suivre

Sıla Ermut est une analyste sectorielle chez AIMultiple couvrant les modèles d'IA, l'infrastructure d'IA, la gouvernance de l'IA et les applications d'IA en entreprise. Ses recherches se concentrent principalement sur l'utilisation de l'IA dans le marketing, la santé, les chaînes d'approvisionnement et la durabilité. Elle a précédemment travaillé comme recruteuse dans des sociétés de gestion de projet et de conseil. 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.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire