Séquence de valeurs numériques ordonnées dans le temps, où la dépendance temporelle entre les observations est une caractéristique fondamentale à modéliser. Les séries temporelles présentent souvent une tendance (hausse ou baisse à long terme), une saisonnalité (pattern récurrent sur une période fixe : semaine, mois, année) et un résidu. Les modèles classiques (ARIMA, SARIMA) capturent ces composantes statistiquement ; Prophet (Meta) les modélise de façon additive et est robuste aux données manquantes et aux jours fériés. Les réseaux de neurones (LSTM, Temporal Fusion Transformer) excellent sur des séries longues avec des patterns complexes. Le partage de données entre train et test doit respecter l'ordre temporel (pas de leakage).