IBM Granite: ensemble de prévision temporelle à 4 modèles

IBM a présenté Granite Timeseries Ensemble, une solution pré-entraînée de prévision des séries temporelles qui réduit la complexité du choix du modèle. Le cadre combine quatre architectures Granite déjà entraînées et renvoie une valeur centrale ainsi que des quantiles, c'est-à-dire des seuils probabilistes permettant de tracer un intervalle de prévision, sans réentraînement ni ajustement des pondérations. Il s'inspire des prévisions météo d'ensemble, où plusieurs modèles explorent différents scénarios possibles. La recette par défaut rassemble Granite PatchTST-FM-r1, un transformeur à patchs, Granite PatchTST-FM-r2, un conformer à patchs, Granite FlowState-r1.1, un modèle à espace d'états, et Granite TTM-r3, un petit réseau de mixeurs temporels. Ces modèles capturent différemment les tendances, les saisonnalités et les variations locales, ce qui peut atténuer les erreurs propres à un seul. Deux méthodes de combinaison sont proposées. L'ensemble probabiliste, recommandé, donne la même influence à chaque membre et fusionne leurs prévisions quantiles dans l'espace des probabilités. L'ensemble IQR, plus adaptatif, accorde plus de poids aux membres dont l'intervalle interquartile est plus étroit, avec une régression isotonique, une méthode de lissage qui empêche les quantiles de se croiser. Les développeurs peuvent tester les recettes via la bibliothèque Granite TSFM et charger les quatre modèles depuis Hugging Face. L'ensemble probabiliste utilise les quantiles 10 % et 90 % pour produire un intervalle de prévision nominal à 80 %. La configuration télécharge les poids des membres au démarrage et peut demander plus de temps lors du premier lancement. Dans une comparaison arrêtée au 20 octobre 2026, les recettes évaluées sur 97 configurations de GIFT-Eval dépassent les quatre modèles individuels sur le score ponctuel MASE agrégé. L'ensemble probabiliste obtient le meilleur MASE parmi les six prévisions comparées, tandis que PatchTST-FM-r2 reste meilleur sur la mesure probabiliste CRPS/MWQL agrégée. L'ensemble IQR affiche le meilleur rang moyen en CRPS/MWQL. Ces écarts modestes montrent que l'apport principal n'est pas de dominer tous les classements, mais d'offrir une valeur de départ robuste sans désigner à l'avance la meilleure architecture. Les recettes sont sous licence permissive, tandis que des extensions contenant des points de contrôle supplémentaires d'IBM Research peuvent imposer des restrictions de licence. Le système admet aussi d'autres modèles de prévision compatibles via une interface commune, permettant d'adapter le mélange de membres ou la méthode d'agrégation. Il comporte toutefois des limites: chaque canal multivarié est traité indépendamment, les quatre poids augmentent la latence et la mémoire, et aucun agrégat ne garantit une calibration parfaite face à des données inhabituelles. Les utilisateurs doivent donc évaluer les recettes par rétrospective sur leurs propres données.