Quand on sort des modèles classiques (ARIMA, etc.), on cherche surtout à gérer plus de complexité réelle : plusieurs séries, des structures hiérarchiques, ou des relations non linéaires.
Multivariate time series#
Jusqu’ici, on a souvent une seule série (ex : ventes).
En pratique, les séries sont rarement isolées :
- ventes + prix
- ventes + marketing
- trafic + météo
👉 On parle alors de séries temporelles multivariées.
L’idée :
- modéliser plusieurs variables ensemble
- capturer les relations entre elles dans le temps
Exemples :
- VAR (Vector AutoRegression)
- modèles ML avec variables exogènes
💡 Intuition : une variable seule est rarement suffisante pour expliquer le futur.
Hierarchical forecasting#
Dans beaucoup de cas, les données sont structurées en hiérarchie :
total entreprise
pays
région
- magasin
Problème :
si on forecast chaque niveau séparément → incohérences
- ex : somme des régions ≠ total national
👉 Le hierarchical forecasting consiste à :
- faire des prévisions cohérentes entre les niveaux
- réconcilier les prédictions (top-down, bottom-up, middle-out)
💡 Très utilisé en retail, supply chain, finance.
Modèles Machine Learning (XGBoost, Random Forest…)#
On peut reformuler le forecasting comme un problème de régression supervisée.
On crée des features :
- lags (t-1, t-7…)
- rolling mean
- variables externes
Puis on applique :
- XGBoost
- LightGBM
- Random Forest
Avantages :
- capture des relations non linéaires
- flexible
- souvent très performant en pratique
Limites :
- dépend fortement du feature engineering
- ne “comprend” pas naturellement la structure temporelle
💡 En pratique, c’est souvent un excellent baseline (voire mieux que du deep learning).
Deep Learning (LSTM, TFT, N-BEATS…)#
Ici, on laisse le modèle apprendre directement les patterns temporels.
Quelques approches :
- LSTM / GRU → séquences temporelles
- Temporal Fusion Transformer (TFT) → multi-séries + variables externes
- N-BEATS → très performant sur forecasting pur
Avantages :
capture automatiquement :
- dépendances longues
- interactions complexes
moins de feature engineering manuel
Limites :
- besoin de beaucoup de données
- plus difficile à interpréter
- plus coûteux à entraîner
💡 À utiliser quand :
- beaucoup de données
- problème complexe (multi-séries, signaux riches)
À retenir#
On passe de modèles simples → à des modèles qui gèrent la complexité du réel
Le choix dépend surtout de :
- la quantité de données
- la structure du problème
- le besoin business (performance vs interprétabilité)
👉 En pratique :
- ML (type XGBoost) = souvent le meilleur compromis
- Deep learning = utile mais pas toujours nécessaire
- Multivarié & hiérarchique = quasi incontournables en contexte réel
