Normaliser des séries temporelles avec des valeurs aberrantes : la recette de TW3Cast et ses limites

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 27 octobre 2026.

En bref

Comprendre la préparation des données vous aide à vérifier que des mesures extrêmes ne pèsent pas trop sur l’apprentissage d’un modèle de prévision. Dans TW3Cast, prépublication déposée sur arXiv le 16 septembre 2026, TW3 Partners décrit une transformation des valeurs avant cet apprentissage. Elle mesure les écarts par rapport au milieu des valeurs observées, puis les ramène à une échelle commune. Les écarts ainsi transformés sont ensuite limités entre −20 et 20. L’annexe rattache ce choix à la stabilité de l’apprentissage. Ce réglage reste lié aux données étudiées. Avant de le reprendre, faites préciser à l’équipe comment elle traite les périodes où toutes les valeurs sont identiques.

1. Quel problème d’échelle la normalisation cherche-t-elle à traiter ?

La normalisation choisit une origine et une échelle numériques pour présenter les valeurs à l’apprentissage. Dans TW3Cast, prépublication de TW3 Partners déposée sur arXiv le 16 septembre 2026, les auteurs expliquent que des séries d’amplitude atypique, issues de capteurs défaillants ou d’unités mélangées, peuvent dominer le gradient. Autrement dit, elles peuvent peser de façon disproportionnée dans les ajustements du modèle pendant l’entraînement.

Le papier distingue le nettoyage du corpus de la transformation des valeurs dans les fenêtres d’apprentissage. Le premier filtre les séries dégénérées et tronque les segments corrompus. La seconde exprime les écarts au centre du contexte dans une échelle commune, puis borne leur amplitude. Pour superviser cette préparation, nous recommandons de documenter séparément les séries conservées et la transformation qui leur est appliquée.

La documentation scikit-learn de StandardScaler, état du 9 octobre 2026, expose un problème voisin : pour certains estimateurs, une variable dont la variance dépasse largement celle des autres peut dominer l’objectif d’apprentissage. Elle cite notamment les modèles linéaires régularisés et certains modèles à noyau. Ce constat porte sur ces mécanismes précis. La même documentation signale la sensibilité de StandardScaler aux valeurs aberrantes : ramener les données à une échelle commune demande donc aussi de choisir les statistiques qui définissent cette échelle.

2. Pourquoi centrer sur la médiane du contexte ?

Le centrage par médiane exprime chaque valeur relativement au milieu des valeurs du contexte. La documentation NumPy, état du 9 octobre 2026, définit la médiane comme la valeur centrale des données ordonnées lorsque leur nombre est impair, et comme la moyenne des deux valeurs centrales lorsqu’il est pair.

Dans la formule de TW3Cast, TW3 Partners, 16 septembre 2026, le numérateur s’écrit x − médiane(c). Le symbole c désigne le contexte utilisé pour calculer le centre. Le résidu est ici l’écart de la valeur x à ce centre ; une erreur de prévision comparerait, elle, une prévision à sa réalisation. Cette distinction aide à lire la transformation avant de discuter de la qualité des prévisions.

La comparaison avec les bibliothèques sert à lire la formule publiée. Dans leur documentation au 9 octobre 2026, StandardScaler soustrait la moyenne des données d’ajustement, tandis que RobustScaler soustrait leur médiane. Scikit-learn présente cette dernière, associée à l’écart interquartile, comme une statistique robuste aux valeurs aberrantes.

Notre lecture de la notation du papier est donc locale : le centre dépend du contexte considéré. Conservez cette dépendance dans la description du traitement. Écrire seulement « les données sont centrées » laisse ouverte une décision essentielle : sur quelles observations le centre a-t-il été calculé ?

3. À quoi servent l’écart interquartile et le plancher relatif ?

L’écart interquartile fournit l’échelle principale ; le plancher prend le relais lorsque cette échelle devient faible par rapport à l’étendue. Selon scikit-learn, documentation RobustScaler au 9 octobre 2026, l’IQR est la différence entre les quartiles correspondant aux quantiles 75 % et 25 %. L’étendue désigne l’écart entre maximum et minimum, conformément à la définition NumPy au 9 octobre 2026.

La formule de TW3Cast, TW3 Partners, 16 septembre 2026, se lit dans cet ordre :

s(c) = max(IQR(c), 0,05 × étendue(c))

z = (x − médiane(c)) / s(c)

On calcule l’IQR et l’étendue sur le même contexte. On conserve ensuite la plus grande valeur entre l’IQR et la fraction de l’étendue fixée par le papier. Enfin, on divise l’écart à la médiane par cette échelle. L’annexe attribue le coefficient 0,05 à la stabilité de l’entraînement.

Par lecture mathématique de cette formule, le cabinet distingue les situations suivantes. Si l’IQR dépasse le plancher, il détermine le dénominateur. S’il devient inférieur au plancher, l’étendue intervient dans l’échelle retenue. Un IQR nul accompagné d’une étendue positive conserve ainsi un dénominateur positif. Un contexte constant présente au contraire un IQR et une étendue nuls : la formule laisse alors une division par zéro.

Cette lecture explique aussi pourquoi « robuste » demande une définition précise. Les quartiles caractérisent la partie centrale des valeurs ; le plancher dépend des extrêmes par l’intermédiaire de l’étendue. Nous recommandons donc d’examiner ces statistiques conjointement lorsqu’une équipe décrit les valeurs aberrantes de ses séries. Le filtrage des séries dégénérées, décrit séparément dans le papier, reste une étape à documenter.

4. Que change l’écrêtage des résidus normalisés ?

L’écrêtage limite l’amplitude après le changement d’échelle. Dans le rapport technique de TW3 Partners, révision du 21 septembre 2026, la description précise l’ordre : normalisation du résidu, puis écrêtage avec une valeur absolue au plus égale à 20.

Par lecture de cette opération, le cabinet en déduit qu’une valeur normalisée dépassant la borne supérieure est ramenée à cette borne, et qu’une valeur inférieure à la borne inférieure est ramenée à celle-ci. Les valeurs déjà comprises dans l’intervalle conservent leur amplitude normalisée. La distinction entre des dépassements de même signe disparaît donc au-delà de la borne. L’échelle intervient auparavant : elle détermine la valeur qui sera confrontée au seuil.

Le rapport écrit ensuite la perte pinball dans l’espace normalisé, sur les neuf quantiles du benchmark, avec des sorties ordonnées. La préparation décrite concerne ainsi la représentation utilisée dans l’apprentissage probabiliste. Elle borne des valeurs numériques sans établir la cause physique d’une mesure atypique. Pour superviser des données industrielles, gardez la qualification des mesures et des capteurs dans le processus de contrôle des données.

Le papier ne fournit pas d’expérience isolant un gain propre à cette normalisation ou à son écrêtage. La borne publiée constitue un choix de préparation dont l’intérêt sur une nouvelle source est à examiner.

5. La formule équivaut-elle à appliquer RobustScaler ?

La formule partage le centrage par médiane et l’échelle interquartile de RobustScaler, avec des opérations supplémentaires et un périmètre statistique distinct. La comparaison suivante s’appuie sur TW3Cast, TW3 Partners, 16 septembre 2026, et sur les documentations scikit-learn de StandardScaler et de RobustScaler, dans leur état au 9 octobre 2026. Les colonnes des bibliothèques décrivent leurs réglages par défaut, pour des données finies dont l’échelle calculée n’est ni nulle ni quasi nulle.

Les méthodes fit calculent les statistiques sur les données qui leur sont transmises ; transform les réutilise ensuite. La portée de l’ajustement dépend donc des données fournies par l’équipe. Dans le papier, le symbole du contexte figure explicitement dans le centre et dans l’échelle.

Vérifiez cette portée avant toute transposition dans un programme. Choisir la médiane comme centre ne règle à lui seul ni le périmètre des observations, ni le plancher, ni l’écrêtage. Cette comparaison porte sur la formule du papier et sur les opérations décrites par les API.

6. Quelles limites conserver avant de reprendre cette transformation ?

Les constantes et le traitement des contextes dégénérés doivent rester explicitement rattachés à leur périmètre. Dans TW3Cast, TW3 Partners, 16 septembre 2026, l’annexe donne la stabilité de l’entraînement comme origine des seuils de normalisation. La discussion des limites rappelle que les constantes du système dépendent du mélange de fréquences et de domaines du benchmark. Leur reprise demande donc une évaluation sur la source visée.

Le script d’inférence de TW3 Partners, révision du 21 septembre 2026, montre un autre traitement dans contexts_for. Cette fonction remplace les valeurs manquantes représentées par NaN par zéro et ajoute des valeurs aux contextes trop courts ou dont l’écart type est très faible. Elle prépare les entrées de l’inférence. Ces opérations se situent à une étape distincte du nettoyage et de la normalisation d’entraînement décrits dans le papier.

Pour reprendre la méthode, écrivez la règle appliquée aux contextes constants, puis précisez quelles observations servent au calcul des statistiques. La documentation du traitement devrait également indiquer l’ordre des opérations et la justification des bornes retenues. Cette description rend la transformation vérifiable par une autre personne de l’équipe et permet de comparer la formule annoncée au programme effectivement exécuté.

FAQ

Pourquoi utiliser la médiane plutôt que la moyenne ?
La documentation de RobustScaler par scikit-learn, état du 9 octobre 2026, explique que les valeurs aberrantes peuvent affecter moyenne et variance. Elle propose la médiane et l’écart interquartile pour un traitement robuste. TW3Cast retient ce centrage dans la transformation décrite plus haut.

L’IQR et l’étendue sont-ils identiques ?
L’IQR mesure l’écart entre les quartiles ; l’étendue sépare les valeurs extrêmes. La formule de TW3Cast du 16 septembre 2026 retient le maximum entre l’IQR et une fraction de l’étendue. Ces statistiques jouent donc des rôles différents dans le dénominateur.

Le plancher résout-il le cas d’un contexte constant ?
Selon notre lecture algébrique, un contexte constant donne une étendue et un IQR nuls, donc une échelle nulle. Le papier de TW3 Partners du 16 septembre 2026 traite séparément le filtrage des séries dégénérées. La règle applicable à ce contexte doit être précisée dans l’implémentation retenue.

Écrêter un résidu revient-il à corriger un capteur ?
L’écrêtage borne une valeur dans l’espace normalisé utilisé pour l’apprentissage, comme le décrit le rapport TW3 Partners du 21 septembre 2026. Le contrôle de la mesure relève du traitement des données, que le rapport présente séparément.

Peut-on reprendre directement les constantes publiées ?
Elles décrivent la recette publiée et leur origine est indiquée dans l’annexe de TW3Cast du 16 septembre 2026. Le cabinet recommande d’en examiner l’effet sur les données visées, en documentant notamment les contextes qui déclenchent le plancher ou l’écrêtage.

Le code public suffit-il à refaire cet entraînement ?
Dans la révision du dépôt TW3 Partners du 21 septembre 2026, le code fourni porte notamment sur le rechargement et l’inférence. L’arborescence examinée et le README de cette révision ne fournissent pas le programme complet de préparation et d’entraînement décrit dans le papier.

Pour aller plus loin

• Chronos-2, TiRex et Toto réentraînés en quelques minutes : ce qu’apporte un adaptateur LoRA à la prévision
• Choisir un modèle de prévision sans regarder les données de test : le backtest découpé dans la période d’entraînement
• Précision ou calibration : ce que révèle l’écart entre les deux rangs de TW3Cast
• Contexte et horizon de prévision : ce que change la recette d’inférence de TW3Cast

Sources

• TW3 Partners, TW3Cast, prépublication déposée sur arXiv le 16 septembre 2026, texte intégral HTML et PDF lus, consulté le 9 octobre 2026.
• TW3 Partners, REPORT.md, révision du 21 septembre 2026, consulté le 9 octobre 2026.
• TW3 Partners, predict.py, révision du 21 septembre 2026, consulté le 9 octobre 2026.
• TW3 Partners, README, révision du 21 septembre 2026, consulté le 9 octobre 2026.
• TW3 Partners, arborescence du dépôt, révision du 21 septembre 2026, consultée le 9 octobre 2026.
• Scikit-learn, StandardScaler, documentation sans date de publication affichée, consultée le 9 octobre 2026.
• Scikit-learn, RobustScaler, documentation sans date de publication affichée, consultée le 9 octobre 2026.
• NumPy, numpy.median, documentation sans date de publication affichée, consultée le 9 octobre 2026.
• NumPy, numpy.ptp, documentation sans date de publication affichée, consultée le 9 octobre 2026.