Présentation

IBM Granite propose un ensemble de prévision dédié aux séries temporelles. Le paquet granite-tsfm (≥ 0.3.11) inclut quatre modèles pré‑entraînés aux architectures différentes : PatchTST‑FM‑r1, PatchTST‑FM‑r2, FlowState et Tiny Time Mixers. Aucun entraînement supplémentaire n’est requis ; les poids des modèles sont téléchargés à l’exécution, ce qui implique un temps de démarrage plus long pour la première utilisation.

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

Mécanisme d’ensemble

Deux recettes sont proposées. La Probabilistic Ensemble applique un uniform probability pooling : chaque modèle contribue de façon égale, les quantiles sont agrégés dans l’espace de probabilité puis reconvertis en quantiles du mélange. Aucun poids n’est ajusté, ce qui élimine tout hyper‑paramètre de calibration.

L’IQR Ensemble pondère les membres selon l’étendue inter‑quartile (IQR) de leurs prévisions. Un intervalle plus étroit reçoit un poids plus important, ce qui favorise les modèles les plus confiants. Les poids sont calculés à chaque horizon, cible et pas de temps, et un réglage de température permet de lisser la distribution des poids vers l’uniformité. Un iso‑régression garantit que les quantiles combinés ne se croisent pas.

Évaluation expérimentale

Les deux recettes ont été testées sur 97 configurations du benchmark GIFT‑Eval (octobre 2026). Les métriques utilisées sont le MASE pour les prévisions ponctuelles et le CRPS/MWQL pour les prévisions probabilistes, toutes deux normalisées par rapport à un modèle naïf saisonnier.

Le Probabilistic Ensemble obtient un MASE moyen de 0,683, légèrement inférieur au meilleur modèle individuel (PatchTST‑FM‑r2 : 0,685). Cette amélioration marginale indique que l’ensemble offre une robustesse accrue : il atteint une précision comparable voire meilleure sans connaître à l’avance le modèle le plus adapté à la série.

En ce qui concerne les scores probabilistes, le modèle PatchTST‑FM‑r2 conserve le meilleur CRPS/MWQL agrégé, tandis que l’IQR Ensemble obtient le meilleur rang moyen de CRPS parmi les six prévisions testées. Ainsi, le choix entre les deux recettes dépend du critère privilégié : précision ponctuelle (Probabilistic) ou calibration probabiliste (IQR).

Limites et perspectives

Les gains de l’ensemble restent modestes sur le point‑forecasting, ce qui suggère que la diversité des architectures n’est pas suffisante pour compenser des erreurs communes. De plus, le poids basé sur l’IQR peut favoriser des modèles sur‑confiants, surtout si leurs intervalles sont artificiellement étroits. Aucun ajustement n’est réalisé à partir des erreurs historiques, ce qui simplifie le déploiement mais empêche d’exploiter des informations de performance spécifiques à un domaine.

Les développeurs peuvent toutefois étendre l’interface en ajoutant d’autres prévisionneurs compatibles, ou en combinant les deux recettes via un réglage de température. La licence permissive des modèles facilite l’intégration dans des pipelines industriels où la rapidité de mise en production prime sur l’optimisation fine des poids.