Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 2 novembre 2026.
En bref
La prévision naïve saisonnière reprend la dernière valeur observée à la même période du cycle pour juger ce qu’apporte un modèle plus élaboré. Dans leur ouvrage de 2021, Hyndman et Athanasopoulos prennent notamment le même mois de l’année précédente comme référence. La méthode naïve ordinaire répète, elle, la toute dernière valeur connue, tandis que la méthode avec dérive prolonge le changement moyen de l’historique. Pour décider d’investir dans un modèle, nous recommandons de confronter ces références aux mêmes observations futures, sur les échéances utiles au métier. La mesure d’erreur doit distinguer la comparaison effective avec ces prévisions et la comparaison avec une échelle calculée sur le passé. Enfin, prévoir une valeur et évaluer l’incertitude autour de cette valeur demandent des contrôles distincts.
1. Que prédit une méthode naïve ?
Une méthode naïve prévoit la dernière valeur connue à toutes les échéances futures. Cette définition est celle de Hyndman et Athanasopoulos, OTexts, 2021. Une baseline désigne ici une méthode de référence exécutée sur les mêmes situations que le modèle candidat. Sa simplicité rend la règle de calcul explicable au responsable métier : à la date de prévision, elle reconduit le niveau le plus récent.
Pour constituer cette référence, la proposition du cabinet consiste à conserver la date de calcul et la valeur effectivement disponible à cette date. Il faut pouvoir retrouver cette observation dans l’historique utilisé par l’équipe. Si la donnée est corrigée ultérieurement, conserver aussi la version initiale permet de reconstituer la prévision produite avec l’information de départ.
Le MASE, ou erreur absolue moyenne mise à l’échelle, remplit une autre fonction. Dans leur manuscrit du 2 novembre 2005, Hyndman et Koehler proposent de rapporter les erreurs absolues à l’erreur absolue moyenne d’une méthode naïve calculée dans l’échantillon historique. Un MASE inférieur à 1 signifie donc que l’erreur absolue moyenne est inférieure à cette échelle historique. Cela ne démontre pas que le modèle dépasse une méthode naïve évaluée sur les mêmes dates futures.
Le dossier de décision doit conserver les prévisions de référence effectivement produites. Le détail de la métrique fait l’objet de Calculer le MASE : choisir la référence saisonnière et interpréter le résultat.
2. Comment choisir la référence saisonnière ?
La référence saisonnière reprend la dernière observation correspondant à la position prévue dans un cycle identifié. Selon Hyndman et Athanasopoulos, OTexts, 2021, toutes les prévisions d’un futur mois de février reprennent ainsi le dernier février observé. La répétition peut se poursuivre au-delà du prochain cycle : elle utilise toujours les observations connues au moment du calcul.
Le mot « saison » désigne ici une répétition dans le temps. Il faut donc préciser le cycle retenu et la fréquence des mesures. Une fréquence quotidienne décrit l’espacement des observations ; elle ne suffit pas à choisir le rythme à répéter. Dans leur chapitre sur les saisonnalités complexes, publié dans le même ouvrage de 2021, les auteurs rappellent que des données quotidiennes peuvent présenter des cycles hebdomadaires et annuels.
Pour un nouveau projet, nous recommandons de documenter le lien entre le cycle candidat et le fonctionnement de l’activité. La fiche de référence doit préciser les dates couvertes et permettre de vérifier que les valeurs à recopier existent. Un historique qui ne contient pas la période correspondante ne permet pas de produire cette prévision telle qu’elle est définie.
Si plusieurs cycles paraissent pertinents, préparez des références distinctes et nommez leur période. Cette proposition facilite la lecture des essais : chaque ligne du tableau correspond alors à une règle identifiable. Une méthode qui reconduit un cycle donné ne représente pas, à elle seule, l’ensemble des saisonnalités possibles.
3. Quand ajouter une dérive ?
Ajouter une dérive permet de tester l’hypothèse que le changement moyen de l’historique se poursuit. Dans la méthode décrite par Hyndman et Athanasopoulos, OTexts, 2021, on part de la dernière observation et on lui ajoute cette variation moyenne autant de fois que l’échéance comporte de pas de temps. Les auteurs donnent une lecture géométrique du calcul : tracer la droite entre la première et la dernière observation, puis la prolonger.
Cette construction permet de comprendre le rôle de la période historique choisie. La pente dépend de l’écart entre les valeurs aux extrémités et du nombre de pas d’observation qui les sépare. Déplacer le début de l’historique peut donc changer la prévision. Il s’agit d’une conséquence de la règle de calcul, sans présumer de son avantage sur les autres méthodes.
La pratique proposée consiste à consigner les bornes de l’échantillon avant l’évaluation. L’équipe vérifie que les observations aux extrémités sont utilisables et que l’intervalle entre les mesures est bien défini. Le responsable métier peut ensuite examiner ce que signifie le prolongement de cette variation pour l’activité concernée.
Si une autre fenêtre historique est envisagée, traitez-la comme une variante à sélectionner sur les données réservées à ce choix. Une fenêtre ajustée après lecture du résultat final ne fournit plus la même comparaison. Conservez aussi la prévision naïve sans dérive : elle permet de mesurer séparément l’intérêt du prolongement d’une tendance.
4. Comment conserver une comparaison équitable ?
Les méthodes doivent prévoir la même cible, aux mêmes dates, à partir des informations disponibles au même moment. Le principe de séparation est posé par Hyndman et Athanasopoulos, OTexts, 2021 : la qualité prédictive s’évalue sur des observations qui n’ont pas servi à ajuster la méthode. Un bon ajustement de l’historique ne suffit pas à établir cette qualité.
Dans TW3Cast, prépublication déposée sur arXiv le 16 septembre 2026, Thierry et Rochet décrivent des choix réalisés sur des fenêtres découpées dans la période d’entraînement. Les auteurs arrêtent ensuite les choix de cette table avant d’accéder aux fenêtres de test. Ce protocole décrit la version étudiée du système.
Pour appliquer ce principe aux références, la procédure proposée est de fixer une date de coupure commune et d’archiver les prévisions avant de mesurer leurs erreurs. Le choix du cycle saisonnier et celui de la fenêtre de dérive doivent être arrêtés dans la phase de sélection. La règle de calcul et les transformations éventuelles doivent accompagner chaque résultat.
Prévoyez également un état « non calculable ». Il s’applique notamment si la dernière observation nécessaire manque, si la saison à recopier est absente ou si la pente ne peut pas être définie. Si une règle de remplacement est autorisée, inscrivez-la au protocole et identifiez son emploi dans les résultats. Le protocole général est traité dans Choisir un modèle de prévision sans regarder les données de test : le backtest découpé dans la période d’entraînement.
5. Comment évaluer leur incertitude ?
Une référence qui fournit une valeur unique doit recevoir une évaluation distincte de celle d’une distribution de prévision. Dans leur chapitre consacré aux prévisions distributionnelles, OTexts, 2021, Hyndman et Athanasopoulos présentent des mesures adaptées aux quantiles et aux intervalles. Un quantile est un seuil auquel on associe une probabilité que la valeur future lui soit inférieure.
Cette définition donne une exigence concrète : l’équipe doit expliquer comment les seuils ont été obtenus et quelle probabilité leur est associée. Recopier la même prévision ponctuelle à tous les niveaux ne suffit pas à établir que l’incertitude est correctement représentée.
La prépublication TW3Cast, déposée sur arXiv le 16 septembre 2026 justifie son double critère par ce risque. Les auteurs signalent que des candidats dont tous les quantiles prévus sont identiques peuvent gagner sur le seul MASE tout en étant inutiles pour la prévision probabiliste. Le tournoi examine donc aussi un score de distribution, le CRPS, approché dans le protocole par des erreurs sur les quantiles. Ce score évalue la distribution prédite ; son emploi ne constitue pas à lui seul une garantie de calibration, c’est-à-dire d’accord entre probabilités annoncées et fréquences observées.
La proposition opérationnelle est de séparer dans le compte rendu l’erreur sur la valeur prévue et l’évaluation de l’incertitude. Si la décision métier dépend d’un intervalle ou d’un seuil de risque, demandez une méthode documentée pour le produire et un contrôle adapté. La référence ponctuelle reste utile à la comparaison de précision.
6. Que doit montrer le tableau de référence ?
Le tableau doit permettre de relier chaque résultat à une règle de prévision, à son historique et à son horizon. Le cadre ci-dessous est une proposition de travail fondée sur les définitions de Hyndman et Athanasopoulos, OTexts, 2021. Il est à renseigner avec les résultats du projet.
| Méthode | Règle à documenter | Hypothèse mise à l’épreuve | Vérification préalable |
|---|---|---|---|
| Naïve | Reprendre la dernière observation | Le niveau récent constitue une référence utile | Observation disponible à la coupure |
| Naïve saisonnière | Reprendre la dernière valeur de même saison | Le cycle retenu fournit une référence utile | Période et valeurs correspondantes identifiées |
| Avec dérive | Prolonger le changement moyen historique | La variation moyenne se poursuit | Bornes et pente calculables |
Ajoutez pour chaque méthode la cible, l’unité, les dates évaluées, l’horizon et la mesure d’erreur retenue. L’horizon désigne la distance entre la date de calcul et l’échéance prévue. Présentez les résultats par horizon utile à la décision, en indiquant les cas exclus et les remplacements effectués. Distinguez la phase de sélection de l’évaluation finale.
Dans leur chapitre sur l’évaluation, OTexts, 2021, les auteurs soulignent que des mesures différentes peuvent désigner des méthodes différentes. Il est donc utile de préciser avant l’essai quelle mesure répond à la décision et quelles mesures complémentaires seront examinées.
Pour conclure l’essai, rapprochez le résultat du modèle de celui de chaque référence sur le périmètre commun. Une décision de poursuivre le développement doit pouvoir s’appuyer sur cette comparaison conservée, avec ses conditions de calcul. Aucun gain n’est présumé pour un nouveau projet.
FAQ
Que prédit une méthode naïve ?
Elle reconduit la dernière observation disponible à toutes les échéances prévues, selon Hyndman et Athanasopoulos, 2021. Pour juger un modèle, calculez aussi les erreurs de cette référence sur les dates futures évaluées. Le MASE utilise une échelle historique qui répond à une autre comparaison.
Comment choisir la référence saisonnière ?
Précisez le cycle de l’activité et vérifiez que les observations correspondantes sont disponibles. La méthode reprend la dernière valeur de même saison, comme le décrivent Hyndman et Athanasopoulos, 2021. Plusieurs cycles candidats peuvent faire l’objet de références distinctes dans le protocole proposé.
Quand ajouter une dérive ?
Lorsque le prolongement du changement moyen constitue une hypothèse à tester. La définition de Hyndman et Athanasopoulos, 2021 relie les observations aux extrémités de l’historique. Fixez cette période avant l’évaluation finale pour conserver une règle de comparaison stable.
Comment conserver une comparaison équitable ?
Réservez des observations à l’évaluation et appliquez les méthodes aux mêmes cibles et échéances. Hyndman et Athanasopoulos, 2021 distinguent explicitement les données d’ajustement et de test. Le protocole proposé prévoit aussi de signaler les références non calculables.
Comment évaluer leur incertitude ?
Utilisez des mesures adaptées aux quantiles ou aux intervalles, présentées par Hyndman et Athanasopoulos, 2021. Documentez la manière dont ces prévisions sont produites. Un score de précision sur une valeur unique ne décrit pas toute leur qualité.
Pour aller plus loin
- Calculer le MASE : choisir la référence saisonnière et interpréter le résultat
- Résidus d’un modèle de prévision : lire l’autocorrélation avant de changer d’architecture
- DLinear : pourquoi inclure une référence linéaire dans les tests de prévision longue
Sources
- Hyndman et Athanasopoulos, OTexts, Forecasting: Principles and Practice, 2021, présentation de l’ouvrage, consulté le 9 octobre 2026.
- Hyndman et Athanasopoulos, OTexts, Some simple forecasting methods, 2021, consulté le 9 octobre 2026.
- Hyndman et Koehler, Another look at measures of forecast accuracy, manuscrit du 2 novembre 2005, consulté le 9 octobre 2026.
- Hyndman et Athanasopoulos, OTexts, Complex seasonality, 2021, consulté le 9 octobre 2026.
- Hyndman et Athanasopoulos, OTexts, Evaluating point forecast accuracy, 2021, consulté le 9 octobre 2026.
- Hyndman et Athanasopoulos, OTexts, Evaluating distributional forecast accuracy, 2021, consulté le 9 octobre 2026.
- Thierry et Rochet, TW3Cast: A Frozen Router of Lightly Fine-Tuned Foundation Models for Time-Series Forecasting on GIFT-Eval, Selected Entirely on the Training Split, prépublication déposée sur arXiv le 16 septembre 2026, version initiale, consulté le 9 octobre 2026. Texte intégral HTML ouvert et archivé.