🏗️Exemple concret
Prévision des ventes d'une chaîne retail sur 1 300 magasins, 12 semaines à l'avance, avec effets promotions et jours fériés. ARIMA : MAPE 18%. Prophet : MAPE 12%. LightGBM ML (features lag) : MAPE 9%. Temporal Fusion Transformer : MAPE 7.2%. Chronos (zero-shot) : MAPE 8.5% sans entraînement spécifique.
∑ Concept clé
TFT : sortie = Σ w_t × V_t (attention temporelle) + skip connection. SMAPE = 200% × |y-ŷ| / (|y| + |ŷ|)
🎯Quand l'utiliser ?
✓Prévision de ventes, stocks, trafic, consommation d'énergie
✓Séries avec saisonnalité multiple (hebdomadaire + annuelle)
✓Forecasting sur de nombreuses séries simultanément (hierarchical)
✓Quand les modèles ARIMA classiques sont insuffisants
✅ Avantages
+Les modèles de fondation (Chronos) fonctionnent sans données d'entraînement
+Prophet gère automatiquement les jours fériés
+TFT fournit des intervalles de confiance et des importances de features
⚠️ Limites
−TFT nécessite beaucoup de données d'entraînement
−Interprétabilité réduite vs ARIMA
−Sélection du bon modèle non triviale
🛠️ Outils principaux
Prophet (Meta)
Nixtla (StatsForecast, NeuralForecast)
Amazon Chronos
GluonTS (AWS)
Darts (Python)
Séries temporellesPrévisionProphetTFTForecasting