Forecasting : prévision de séries temporelles avec l'IA

Prédire combien d'unités seront vendues au prochain trimestre, quelle sera la demande électrique demain à vingt heures ou quand une machine tombera en panne sont des problèmes de prévision de séries temporelles (forecasting). Contrairement à un modèle de classification ordinaire, les données arrivent ici ordonnées dans le temps et portent des dépendances : la valeur d'aujourd'hui dépend de celle d'hier, de la saison de l'année et, souvent, de variables externes. Cet article parcourt les modèles classiques comme ARIMA et SARIMA, les approches fondées sur les réseaux de neurones, les bonnes métriques pour les évaluer et les erreurs méthodologiques qui invalident une prévision apparemment irréprochable.

Composantes d'une série temporelle

Toute série temporelle peut se décomposer en quatre composantes. La tendance est la direction de long terme (croissance soutenue des ventes). La saisonnalité est le motif qui se répète à période fixe (plus de glaces en été, plus d'électricité à la tombée de la nuit). La composante cyclique recueille les oscillations de durée variable liées à l'économie. Et le bruit, ou composante irrégulière, est la part imprévisible. Comprendre cette décomposition n'est pas un exercice académique : elle détermine quel modèle est approprié et comment transformer les données avant de modéliser.

Un concept central est la stationnarité : une série est stationnaire si ses propriétés statistiques (moyenne, variance, autocorrélation) ne changent pas dans le temps. La plupart des modèles classiques exigent la stationnarité, que l'on obtient en différenciant la série (en soustrayant la valeur précédente) et, parfois, en appliquant des transformations logarithmiques pour stabiliser la variance. Le test de Dickey-Fuller augmenté (ADF) permet de vérifier statistiquement si une série est stationnaire.

Modèles classiques : ARIMA et SARIMA

Le modèle ARIMA (AutoRegressive Integrated Moving Average) est la pierre angulaire de la statistique des séries temporelles. Il se paramètre comme ARIMA(p, d, q) : p est l'ordre autorégressif (combien de valeurs passées influent), d est le degré de différenciation nécessaire pour rendre la série stationnaire, et q est l'ordre de la moyenne mobile (combien d'erreurs passées sont incorporées). Les graphiques d'autocorrélation (ACF) et d'autocorrélation partielle (PACF) guident le choix de ces paramètres.

Lorsque la série présente une saisonnalité — le cas habituel en entreprise —, on utilise SARIMA, qui ajoute un bloc saisonnier (P, D, Q)m où m est la longueur du cycle (12 pour des données mensuelles à saisonnalité annuelle). SARIMA permet d'incorporer des régresseurs externes (variantes SARIMAX), par exemple les jours fériés, les prix ou la température, qui améliorent souvent nettement la prévision de la demande. Son grand avantage face aux réseaux de neurones est l'interprétabilité et le fait qu'il fonctionne bien avec peu de données, un atout décisif lorsqu'on ne dispose que de deux ou trois ans d'historique.

Approches modernes : de Prophet aux réseaux de neurones

Pour les équipes sans spécialiste en économétrie, Prophet propose un modèle additif qui sépare tendance, saisonnalité et effets des jours fériés avec une configuration minimale, en tolérant les trous et les valeurs aberrantes. C'est un excellent point de départ et une ligne de référence difficile à dépasser.

Lorsqu'il y a de grands volumes de données et des relations non linéaires, les réseaux de neurones récurrents entrent en jeu, en particulier les LSTM (Long Short-Term Memory), conçus pour capturer les dépendances de long terme sans subir l'évanouissement du gradient des RNN simples. Plus récemment, les architectures fondées sur les Transformers (des modèles comme Temporal Fusion Transformer ou N-BEATS) ont démontré des résultats remarquables dans les compétitions de prévision à grande échelle, surtout lorsqu'elles sont entraînées sur des milliers de séries liées à la fois (forecasting global). Le prix à payer est plus élevé : elles nécessitent beaucoup de données, sont coûteuses à entraîner et leur interprétabilité est limitée, ce qui compte dans les secteurs réglementés.

Tableau comparatif des approches

Ingénierie des caractéristiques temporelles

Au-delà du choix du modèle, ce qui fait le plus bouger l'aiguille dans un projet réel est généralement l'ingénierie des caractéristiques. À partir de l'horodatage, on dérive des variables de calendrier (jour de la semaine, mois, jour férié, veille de jour férié, fin de mois) qui capturent des motifs que le modèle n'infère pas seul. Les variables lag (la valeur d'il y a 1, 7 ou 365 périodes) et les moyennes mobiles apportent une mémoire explicite. Pour les modèles qui gèrent mal la saisonnalité de façon native, les encodages cycliques avec sinus et cosinus représentent l'heure ou le mois comme une variable continue qui respecte la circularité (23 h 00 est proche de 00 h 00). Et les variables exogènes — prix, campagnes de marketing, météorologie, indicateurs macroéconomiques — expliquent souvent la variance que la série elle-même ne contient pas.

Il convient de traiter avec soin les valeurs aberrantes et les trous. Un pic provoqué par une promotion unique ou un incident doit être marqué comme événement, et non appris comme un motif récurrent. Les trous se comblent avec discernement (interpolation, dernière valeur connue ou modèle spécifique), jamais en les remplissant par des zéros que le modèle interpréterait comme une demande réelle nulle.

Prévision probabiliste : l'incertitude compte

Un chiffre isolé — « nous vendrons 4 200 unités » — est presque inutile pour décider. Ce dont l'entreprise a besoin, c'est d'une prévision probabiliste : un intervalle avec son niveau de confiance (« entre 3 800 et 4 600 unités avec une probabilité de 90 % ») ou, mieux encore, des centiles complets. La planification des stocks, par exemple, ne se fait pas sur la moyenne mais sur un centile élevé afin de garantir le niveau de service sans surstock. Des modèles comme SARIMA et Prophet fournissent des intervalles de façon native ; pour les réseaux de neurones, on les obtient par régression quantile ou par des techniques d'estimation de l'incertitude. Ignorer l'incertitude et planifier uniquement avec la valeur moyenne est l'une des causes silencieuses des ruptures de stock et de l'excès de capital immobilisé.

Comment évaluer correctement une prévision

L'évaluation est l'endroit où le plus de projets échouent en silence. On ne peut pas recourir à la validation croisée aléatoire : il faut respecter l'ordre temporel avec un backtesting à fenêtre glissante (entraîner sur le passé, valider sur le futur immédiat, puis avancer). Les métriques habituelles sont le MAE (erreur absolue moyenne), le RMSE (qui pénalise davantage les grandes erreurs) et le MAPE (erreur en pourcentage, intuitive mais instable avec des valeurs proches de zéro). Pour comparer des séries d'échelles différentes, le MASE convient, car il mesure l'erreur par rapport à un modèle naïf de référence. Une prévision n'est bonne que si elle bat la baseline naïve (répéter la dernière valeur ou celle de la même période de l'année précédente) ; on serait surpris de voir combien de modèles complexes n'y parviennent pas.

Mise en œuvre par phases

Un projet de forecasting bien gouverné suit une séquence claire : (1) définir l'horizon et la granularité de la prévision selon la décision métier qu'elle va alimenter ; (2) nettoyer les données en traitant trous, valeurs aberrantes et changements de calendrier ; (3) établir une ligne de référence naïve comme étalon de mesure ; (4) tester d'abord un modèle classique interprétable (SARIMA ou Prophet) ; (5) passer aux réseaux de neurones uniquement si le volume de données et l'amélioration mesurée le justifient ; et (6) surveiller le drift en production, car toute série change de régime tôt ou tard et le modèle doit être réentraîné.

Cadre réglementaire et usage responsable

Lorsque la prévision alimente des décisions qui touchent des personnes — planification des horaires, fixation dynamique des prix, octroi de crédit —, le Règlement européen sur l'intelligence artificielle (AI Act) entre en jeu ; il classe les systèmes par niveau de risque et exige transparence et supervision humaine pour ceux à haut risque. Si le modèle traite des données personnelles (par exemple, la prévision de consommation individuelle), le RGPD s'applique en outre, avec ses principes de minimisation et de limitation de la finalité. Documenter quelles données entrent, comment on entraîne et quelle marge d'erreur a la prévision n'est pas de la bureaucratie : c'est le fondement de la confiance et de la défense face à un audit.

Erreurs courantes à éviter

La plus grave est la fuite de données temporelle (data leakage) : utiliser de l'information du futur pour prédire le passé, généralement en normalisant avec des statistiques calculées sur l'ensemble complet. La deuxième est d'ignorer la ligne de référence et de célébrer un modèle qui, en réalité, ne la dépasse pas. La troisième est de surajuster à des événements non reproductibles (une promotion unique, une pandémie) sans les marquer comme aberrants. La quatrième est de déployer le modèle puis de l'oublier : sans surveillance de l'erreur en production, la dégradation passe inaperçue jusqu'à provoquer une mauvaise décision coûteuse.

Questions fréquentes

Combien de données historiques me faut-il pour une bonne prévision ?

Pour les modèles saisonniers, il convient d'avoir au moins deux ou trois cycles complets (deux ou trois ans en données mensuelles). Avec moins, les modèles classiques restent plus fiables que les réseaux de neurones, qui exigent de grands volumes.

ARIMA ou réseaux de neurones : que choisir ?

Commencez toujours par le plus simple. SARIMA ou Prophet résolvent la majorité des cas métier avec une bonne interprétabilité. Les réseaux de neurones ne valent la peine que lorsqu'il y a beaucoup de données, des relations non linéaires claires et une amélioration mesurée sur la ligne de référence.

Pourquoi ne puis-je pas utiliser la validation croisée classique ?

Parce qu'elle mélangerait passé et futur, donnant une estimation optimiste et irréaliste de l'erreur. En séries temporelles, on utilise le backtesting à fenêtre glissante, qui respecte l'ordre chronologique.

À quelle fréquence dois-je réentraîner le modèle ?

Cela dépend de la vitesse de changement de l'activité, mais il convient de surveiller l'erreur en continu et de réentraîner lorsqu'elle dépasse un seuil ou lorsqu'un changement de régime est détecté, et non selon un calendrier fixe arbitraire.

Conclusion

Le forecasting ne consiste pas à trouver l'algorithme le plus sophistiqué, mais à bien formuler le problème, à respecter le temps dans l'évaluation et à battre honnêtement une ligne de référence naïve. Un SARIMA bien spécifié dépasse souvent un réseau de neurones mal validé, et une prévision accompagnée de son intervalle de confiance explicite est infiniment plus utile pour décider qu'un chiffre unique sans incertitude. Le véritable avantage concurrentiel réside dans la boucle complète : données propres, modèle interprétable, backtesting rigoureux et surveillance du drift en production. Chez Summum Marketing, nous construisons des systèmes de prévision en partant de la décision métier vers l'amont — quel horizon, quelle granularité, quelle marge d'erreur est tolérable — au lieu de commencer par le modèle, car une prévision que personne ne sait utiliser n'est qu'un joli chiffre dans un tableau de bord.