↓ Aller au contenu
Kwak Jazz
  1. Tags/

Conformal Prediction

Modèles de fondation pour séries temporelles : prévoir la consommation électrique du lendemain de 3 517 bâtiments tertiaires

Modèles de fondation pour séries temporelles : prévoir la consommation électrique du lendemain de 3 517 bâtiments tertiaires

··3761 mots
Séries Temporelles Forecasting Modèles De Fondation Chronos-2 LightGBM Énergie Backtest Conformal Prediction Dagster MLflow Python
La veille TSFM appliquée à un responsable d’équilibre fictif, sur données publiques réelles : LightGBM, Chronos-2 et leur mélange contre la prévision J-1 de RTE, publiée et débiaisée. Un MAPE de 2,7 % sur le portefeuille contre 5,6 % sans modèle, un router qui ne bat pas le mélange, un cold-start à la naïve, Timestral et TimesFM 3.0 en addendum, un service Dagster et sa surveillance rejouée.
Les modèles de fondation pour séries temporelles : zero-shot contre spécialiste

Les modèles de fondation pour séries temporelles : zero-shot contre spécialiste

·6752 mots·32 mins
Veille Séries Temporelles Forecasting Modèles De Fondation Chronos Zero-Shot Backtest MASE Intervalles De Prévision Conformal Prediction Statsforecast Python
Quand un modèle de fondation utilisé sans entraînement bat-il un modèle ajusté sur la série ? Ce que j’ai observé sur un an de charge électrique française, avec la couverture des intervalles et pas seulement l’erreur moyenne, puis en reconstruisant un routeur entre les deux sur 50 séries.