La prévision de séries temporelles est une technique d'apprentissage automatique et d'analyse statistique qui utilise des données historiques pour inférer les tendances ou états futurs. Cette technique exploite généralement les enregistrements de données temporelles et analyse les tendances, la périodicité, la saisonnalité et les anomalies afin de construire des modèles prédictifs qui estiment les variations potentielles des données sur une période future. La prévision de séries temporelles est largement utilisée en analyse économique, en gestion de l'énergie, en prévision météorologique, en surveillance industrielle et en allocation des ressources.

Le développement de la prévision des séries temporelles a une longue histoire, et ses fondements théoriques remontent aux méthodes d'analyse statistique des séries temporelles, telles que les modèles autorégressifs (AR), les modèles à moyenne mobile (MA) et ARIMA. Ces méthodes prédisent les états futurs en identifiant des tendances statistiques dans l'évolution des données au fil du temps. Avec l'avènement de l'apprentissage automatique et de l'apprentissage profond, les chercheurs ont commencé à utiliser des réseaux de neurones pour appréhender des dépendances temporelles non linéaires plus complexes, faisant ainsi évoluer la prévision des séries temporelles d'une modélisation statistique vers des méthodes basées sur les données.

En 2021, des chercheurs de l'Université d'aéronautique et d'astronautique de Pékin, de l'Université de Californie à Berkeley et d'autres institutions ont publié un article... Informer : Au-delà du transformateur efficace pour la prévision de séries temporelles longues Cet article propose le modèle Informer, qui s'attaque aux difficultés liées au coût de calcul élevé et à la complexité de la modélisation des dépendances à longue distance dans les tâches de prédiction de séries temporelles longues, en utilisant le modèle Transformer. Il introduit des méthodes telles que l'attention ProbSparse et des mécanismes de distillation afin d'améliorer l'efficacité du Transformer pour le traitement des tâches sur de longues séquences. Cette recherche constitue l'un des travaux les plus importants et représentatifs dans le domaine de la prédiction de séries temporelles longues basée sur le modèle Transformer.

Les modèles modernes de prévision de séries temporelles apprennent généralement les tendances, les saisonnalités, les variations cycliques et les relations entre les variables à partir de données historiques. Selon la tâche, ces modèles peuvent utiliser des méthodes statistiques, des méthodes d'apprentissage automatique, des réseaux de neurones récurrents (RNN), des réseaux de neurones convolutifs (CNN), des transformeurs et, plus récemment, des modèles fondamentaux de séries temporelles à grande échelle. La prévision de séries temporelles vise principalement à estimer les états futurs des systèmes dynamiques, permettant ainsi aux ordinateurs d'effectuer des analyses et de prendre des décisions à partir des données existantes. Actuellement, cette technologie est largement utilisée dans l'analyse des marchés financiers, les prévisions météorologiques, les prévisions de consommation d'énergie, les prévisions de trafic routier, la gestion de la chaîne d'approvisionnement et la maintenance des équipements industriels, fournissant des données essentielles à la planification et à l'optimisation des systèmes complexes.