Prévision collective avec les modèles de séries temporelles IBM Granite

Quatre modèles ouverts de Granite, une interface de prévision extensible, et moins de débats sur lequel modèle utiliser.

Modèles de séries temporelles pré-entraînés peuvent prédire sans avoir été entraînés sur votre jeu de données, mais il est encore nécessaire de choisir un modèle. Un modèle qui fonctionne bien avec des signaux industriels réguliers peut avoir des difficultés avec une demande de commerce de détail bruyante ou un horizon saisonnier long, et le meilleur choix dépend de la série et de la tâche.

L’ensemble de séries temporelles Granite réduit cette option à une valeur par défaut raisonnable. Une méthode combine quatre architectures Granite complémentaires et fournit des prévisions médianes et quantiles, sans nécessiter de réentraînement ni de poids d’ensemble ajustés. Commencez par l’ensemble probabiliste (répartition de probabilité uniforme), comparez l’ensemble Inter Quartile Range adaptatif, et étendez cette même interface avec des prévisionnistes compatibles. La méthode d’ensemble et ses membres Granite par défaut sont licenciés de manière permissive.

L’idée sera familière avec la prévision météorologique. Les prévisions d’ensemble explorent une série de scénarios possibles, et des systèmes tels que le North American Multi-Model Ensemble combinent différents modèles pour la prédiction saisonnière. La prévision de séries temporelles bénéficie de manière similaire : les modèles complémentaires offrent des perspectives différentes sur ce qui va se passer, et un ensemble les combine en une seule prévision.

Essayer le Granite Timeseries Ensemble

Installer Granite TSFM et charger directement la recette de quatre modèles recommandée depuis Hugging Face :

pip install "granite-tsfm>=0.3.11"

import pandas as pd

from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster

df = pd.read_csv(
    "https://raw.githubusercontent.com/zhouhaoyi/ETDataset/main/ETT-small/ETTh1.csv",
    parse_dates=["date"],
)

ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
)

result = ensemble(
    df.tail(1024),
    timestamp_column="date",
    target_columns=["OT"],
    context_length=1024,
    prediction_length=24,
)

print(result.prediction_outputs) # point forecast
print(result.quantile_outputs)   # quantiles

La recette stocke l’ensemble de la configuration plutôt que les poids du modèle fusionné. Elle télécharge les quatre checkpoints des membres au moment de l’exécution, afin de donner un peu plus de temps pour la première exécution. Pour obtenir toute la configuration, les checkpoints des membres, les détails d’évaluation et les limites, veuillez consulter la carte du modèle.

result.prediction_outputs contient la prévision à points, tandis que result.quantile_outputs contient les prévisions par quantiles, qui, par défaut, se situent entre 0,1 et 0,9. Les applications peuvent utiliser la valeur à points comme prévision centrale et les quantiles choisis pour exprimer les intervalles de prévision. Par exemple, les quantiles de 0,1 et 0,9 définissent un intervalle de prévision central avec une couverture nominale de 80 %.

Les membres de l’ensemble

Le recette par défaut combine quatre modèles Granite pré-entraînés à différentes architectures :

Pour des informations de base, voir le paper PatchTST-FM-r1, aperçu de l’architecture PatchTST-FM-r2, paper FlowState, et paper Tiny Time Mixers.

Ces architectures capturent les tendances, la saisonnalité et les variations locales de différentes manières, de sorte que leurs erreurs ne doivent pas coïncider. Une revue de 50 ans sur les combinaisons de prévisions décrit comment l’association des prévisions peut réduire le risque de choisir le mauvais modèle unique, tout en soulignant que la qualité et la diversité des membres restent importantes.

Deux façons de combiner les prévisions

Chaque membre fournit des prévisions quantiles. Les deux méthodes principales utilisent des règles différentes pour transformer ces prévisions en une distribution prédictionnelle et en sa médiane.

Ensemble probabiliste : la configuration par défaut recommandée

L’Ensemble Probabiliste (pooling de probabilité uniforme) attribue à chaque membre une influence égale, regroupe leurs prévisions quantiles dans l’espace de probabilité, et extrait les quantiles demandés à partir des valeurs combinées. Comme les poids sont fixes, il n’y a pas de phase d’ajustement ni d’hyperparamètres de pondération à ajuster pour une nouvelle série.

énigme de combinaison de prévisions offre une motivation utile : dans la prévision de points, des combinaisons de poids égal sont souvent efficaces face aux méthodes utilisant des poids estimés. Cette méthode applique la même idée de même influence aux prévisions probabilistes. C’est la valeur par défaut utilisée dans l’exemple ci-dessus.

>IQR Ensemble : une alternative adaptative

L’ensemble IQR attribue des poids aux membres en fonction de leur écart de prévision, ce qui donne plus d’influence aux intervalles plus étroits. Il approximativement le intervalle interquartile de chaque membre à partir des quantiles les plus proches disponibles autour des 25e et 75e percentiles. Les poids varient en fonction de l’échantillon, de la cible et de l’échelon d’horizon ; tout comme pour l’ensemble probabiliste, rien n’est ajusté sur la base des erreurs historiques de prévision. La régression isotonique empêche que les quantiles combinés se croisent.

Un intervalle plus étroit ne signifie pas nécessairement une prévision plus précise ou mieux calibrée, et la pondération IQR peut favoriser un membre trop confiant. Si vous voulez expérimenter, la recette indique une réglage de température (des valeurs plus élevées font bouger les poids vers une uniformité) ainsi qu’une limite optionnelle sur le poids de chaque membre individuel.

Charger la recette IQR évaluée en modifiant uniquement le sous-dossier :

ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
    subfolder="recipes/granite-iqr",
)

Quel méthode devrais-je utiliser ?

Commencer par l’Ensemble Probabiliste. Si l’évolution des prévisions semble pertinente pour votre application, comparez l’Ensemble IQR avec elle sur des données représentatives, car la précision et la calibration dépendent de la série et de l’horizon temporel.

L’ensemble améliore-t-il les membres ?

Nous avons évalué les deux recettes sur 97 configurations de jeu de données GIFT-Eval. Les modèles prévoient sans ajustement fin, et les objectifs d’essai n’ont pas été utilisés pour choisir ou ajuster la méthode d’agrégation. Ici, nous comparons les résultats officiels de la soumission de l’ensemble avec les quatre modèles constitutifs, en utilisant les scores et classements publiés au 20 octobre 2026.

Les rapports GIFT-Eval indiquent MASE pour les prévisions de points et CRPS/MWQL (la métrique mean_weighted_sum_quantile_loss du benchmark) pour les prévisions probables. Les scores sont normalisés en mode Naïf saisonnier et moyennés géométriquement selon les configurations. Plus bas, mieux.

★ Le meilleur résultat parmi les prévisions présentées. Un niveau plus bas est meilleur.

Colonne de classement : moyenne des classements par configuration par rapport au tableau de bord complet de GIFT-Eval, et non seulement ces six prévisions ; ainsi, les valeurs de classement peuvent varier à mesure que de nouvelles entrées sont ajoutées au tableau de bord.

Les deux ensembles surpassent tous les quatre membres individuels en termes de MASE global et de classement moyen de MASE. L’Ensemble Probabiliste atteint le plus bas MASE parmi ces six prévisions : 0,683, contre 0,685 pour PatchTST-FM-r2. Un classement moyen de MASE plus faible indique une performance relative plus forte en matière de prévision de points sur les diverses configurations de jeu de données de GIFT-Eval. Ensemble, ces résultats soutiennent l’ensemble en tant que point de départ pratique, sans nécessiter que les développeurs choisissent à l’avance la structure architecturale la plus performante. La marge de MASE par rapport au meilleur membre unique est faible, donc l’avantage principal réside dans la robustesse : on obtient une précision globale comparable ou meilleure sans devoir savoir à l’avance quelle structure s’adapte à ses données.

PatchTST-FM-r2 conserve le score cumulé le plus bas de CRPS/MWQL. L’Ensemble IQR atteint le classement moyen le plus bas de CRPS parmi ces six prévisions, tandis que l’Ensemble Probabiliste se classe en arrière par rapport à PatchTST-FM-r2 sur cette mesure. L’erreur globale et le classement moyen favorisent donc des choix différents.

Dans la comparaison du 20 octobre 2026, l’approche d’ensemble se classe en 3e position parmi les systèmes éligibles dans le MASE Rank et le CRPS Rank. La figure ci-dessous montre les deux méthodes, ainsi que les dix meilleurs systèmes de référence éligibles par métrique. Certains systèmes, incluant ceux exclués en tant que finitionné ou non licenciés de manière autorisée, obtiennent des scores supérieurs à aucune méthode, de sorte que la valeur de l’ensemble ne lui permet pas de figurer en tête du classement. C’est un seul paramètre par défaut qui donne des résultats forts et cohérents pour de nombreuses séries, sans nécessiter que vous choisissiez un membre particulier.

Figure : Classement moyen GIFT-Eval le 20 octobre 2026, montrant les ensembles Granite ainsi que les dix meilleurs systèmes de référence conformes à la métrique. Les systèmes éligibles disposent d’un code de réplication et ne présentent aucune fuite de données de test déclarée ; les entrées ajustées et les systèmes ayant des licences non autorisées ou des dépendances envers des membres sont exclues. Les valeurs de classement sont tirées directement du tableau de bord global publié ; le filtrage modifie simplement les systèmes affichés, mais pas leurs valeurs de classement.

Étendre la recette à d’autres prévisionnistes

La recette par défaut utilise quatre modèles Granite, mais l’interface Forecaster courante accepte également des modèles externes compatibles. Vous pouvez changer la composition des membres ou la méthode d’agrégation, tout en conservant le même format de prévision downstream, sans aucune fusion ni réentraînement des points de contrôle des membres. Cela permet de placer l’ensemble dans une stack de prévision existante, et d’ajouter des modèles de prévision adaptés à votre domaine à mesure que vos besoins évoluent.

Le répertoire comprend également des recettes étendues qui intègrent les points de contrôle de IBM Research. Ces recettes ont des conditions de licence distinctes, incluant des restrictions d’utilisation non commerciale et de recherche, donc il est nécessaire de vérifier la carte modèle de chaque élément avant son utilisation.

Pour toute nouvelle combinaison, vérifiez la compatibilité avec les prévisions, l’exactitude, la calibration, le temps de latence et les licences.

Évaluer la recette pour votre application

GIFT-Eval est un indicateur de performance large, mais les gains cumulés ne signifient pas que toutes les séries bénéficient, et les classements moyens ne déterminent pas la calibration. La manière de déterminer comment les stratégies se comportent pour votre application est de les tester en backtest sur des données représentatives :

• Adaptez votre cas d'usage. Utilisez des fenêtres de prévision historiques qui reflètent les données disponibles à chaque source de prévision, l’horizon nécessaire et la série que vous espérez servir.
• Comparaison comme il se doit. Exécutez l’Ensemble Probabiliste, l’Ensemble IQR et un membre individuel fort (comme PatchTST-FM-r2) sur les mêmes fenêtres.
• Regardez au-delà de l’erreur de point. Évaluez la perte de quantiles en même temps que le MASE, et vérifiez la couverture empirique de l’intervalle de 0,1 à 0,9 par rapport à son 80 % nominal.
• Mettez en œuvre la mesure des coûts. Enregistrez le temps de fonctionnement et l’utilisation de la mémoire pour déterminer si l’avantage lié à la combinaison de quatre modèles justifie cette mise en œuvre pour votre charge de travail.

Tenez compte de deux limites. La recette actuelle prédit les canaux multivariés indépendamment, sans utiliser d'informations entre canaux, et elle charge quatre points de contrôle, ce qui augmente le temps et la mémoire de l’inférence par rapport à un seul point de contrôle. Les limites du contexte des membres, les horizons, le prétraitement et la gestion des valeurs manquantes diffèrent également, et aucune méthode d’agrégation ne garantit la calibration ou la robustesse en cas de déplacement de distribution, donc continuez à surveiller les prédictions après le déploiement.

Essayer sur vos données

Le point de départ recommandé est la recette par défaut à quatre modèles :

• Ensemble de séries temporelles Granite sur Hugging Face
• Notebook pour débuter
• Repositorie Granite TSFM
• Benchmark GIFT-Eval

Charger la recette par défaut pour obtenir des prévisions médianes et quantiles pour les quatre architectures Granite en une seule appel, et adapter la recette en fonction des besoins évolutifs.

Références

• ECMWF : Prévision météorologique en ensemble

• NOAA : North American Multi-Model Ensemble

• FlowState : Prévision de séries temporelles équivalentes à la fréquence d’échantillonnage

• Tiny Time Mixers (TTMs) : Modèles pré-entraînés rapides pour une prévision multi-multivectorale améliorée avec peu ou aucun échantillon

• Revisitant le Transformer Général : Déconstruire une Base Solide pour les Modèles de Fondation de Séries Temporelles

• Combinations de prévisions : une revue sur plus de 50 ans

• Smith et Wallis (2009), Une explication simple du puzzle de la combinaison de prévisions