Prévision par ensemble avec les modèles de séries temporelles IBM Granite
Le Granite Timeseries Ensemble d'IBM combine quatre prévisionnistes Granite pré-entraînés, d'architectures différentes, pour produire des prévisions ponctuelles et par quantiles sans réentraînement. Sur GIFT-Eval, l'ensemble probabiliste obtient le meilleur MASE parmi six prévisions comparées, avec une faible marge.
Ce que dit l'article
IBM Research a publié le 22 octobre 2026, sur le blog de Hugging Face, Granite Timeseries Ensemble : une recette de prévision qui combine quatre modèles de séries temporelles Granite préentraînés (PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 et TTM-r3). Elle évite d'avoir à choisir un seul modèle pour une série donnée et ne nécessite ni réentraînement ni poids d'ensemble à ajuster.
La recette renvoie une prévision médiane et des quantiles, de 0,1 à 0,9 par défaut. Deux méthodes d'agrégation existent : probabiliste (recommandée) et IQR, qui pondère selon la dispersion. Sur GIFT-Eval (97 configurations), les deux ensembles surpassent chacun des quatre modèles sur le MASE agrégé. Les auteurs signalent des limites : canaux multivariés traités séparément, temps et mémoire d'inférence accrus, calibration non garantie. Ils recommandent un test sur données représentatives avant usage.
Lire l'article officiel Fiche AnnuIA
Résumé rédigé par AnnuIA avec ses propres mots, d'après la page officielle de Hugging Face. Le contenu et les droits appartiennent à l'éditeur : consultez l'article d'origine.