Au-delà du point : choisir une prévision probabiliste

Une prévision est aussi une incertitude

Une valeur centrale ne dit pas si l'erreur est symétrique, si un événement rare est plausible ou si l'intervalle est utilisable pour une décision. Ce survey propose une carte des méthodes de prévision probabiliste, des ensembles et modèles bayésiens aux approches conformes, génératives et aux foundation models temporels.

Ce que les auteurs rapportent

La taxonomie distingue les méthodes qui introduisent l'incertitude par le modèle de celles qui la calibrent après coup. Elle met en regard calibration, netteté, précision prédictive et coût de calcul. L'étude empirique couvre univarié, multivarié et spatio-temporel avec Air Passengers, PEMS-SF et les cas de COVID-19 en Belgique.

Les auteurs concluent qu'aucun paradigme ne domine partout. Dans l'exemple univarié, NHITS avec quantile conformal obtient les meilleurs scores de plusieurs métriques, tandis que la couverture seule peut être trompeuse : un intervalle très large peut couvrir toutes les observations tout en étant peu utile. Les méthodes et fondations génératives peuvent aussi payer un coût d'entraînement ou d'inférence supérieur.

Lecture éditoriale : choisir une métrique avant un modèle

La question « quel modèle est le meilleur ? » doit être remplacée par « quelle erreur coûte cher ici ? ». Une équipe peut avoir besoin d'une couverture contrôlée, d'une distribution complète, d'une bonne performance sur les extrêmes ou d'une latence faible. Ces objectifs ne se résument pas au même score.

Un comparatif éditorial devrait donc afficher au minimum la métrique, la couverture, la largeur des intervalles et le coût de calcul. Une couverture de 100 % n'est pas une recommandation si elle vient d'intervalles inutilisablement larges.

Limites et statut de la source

L'étude utilise des jeux de données et des configurations par défaut qui ne représentent pas tous les domaines. Les résultats ne constituent pas un classement permanent des modèles. Le survey signale encore des difficultés ouvertes sur les dépendances spatiales, les contraintes physiques, les événements extrêmes et les données de comptage. Le document est un preprint.

Source

« Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data », ArXiv 2609.13345v1 : résumé et preprint, PDF.