Séries temporelles incomplètes : imputer, masquer ou tronquer l’historique ?

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 2 novembre 2026.

En bref

Pour prévoir malgré des mesures manquantes, il faut choisir leur traitement selon la cause de l’absence et les informations disponibles au moment de prévoir. Une absence de collecte, une fermeture prévue et une activité mesurée à zéro appellent des décisions différentes. Le manuel de Hyndman et Athanasopoulos, paru en 2021 chez OTexts, invite à examiner la cause des données manquantes avant de choisir leur traitement. Remplacer une valeur absente par une estimation demande aussi de vérifier quelles observations ont servi à la calculer. Pour comparer les options, nous recommandons de conserver les mêmes observations réellement mesurées comme référence et de compter les portions d’historique retirées. La décision engage ainsi la quantité de données utilisables et la manière dont la qualité des prévisions sera jugée.

1. Une valeur absente signifie-t-elle une activité nulle ?

Une valeur absente indique que la mesure manque ; son interprétation métier reste à établir. Dans leur chapitre consacré aux données manquantes, Hyndman et Athanasopoulos, 2021, distinguent notamment les défauts d’enregistrement et les absences liées au fonctionnement de l’activité. Le manuel examine le cas d’un commerce fermé un jour férié : les ventes du lendemain peuvent augmenter. Ignorer ce calendrier peut alors fausser les prévisions des jours suivants.

Pour préparer un projet, le cabinet propose de faire qualifier les absences par le responsable de la donnée. Une panne de collecte laisse la valeur inconnue. Une fermeture documentée renseigne sur le fonctionnement de l’activité. Un zéro observé constitue une mesure, à conserver comme telle. Cette qualification doit précéder le choix d’un remplacement automatique.

Consignez également ce que désigne la grandeur suivie : activité enregistrée, demande exprimée ou fonctionnement d’un équipement. La décision à documenter porte sur la correspondance entre la valeur stockée et ce que le métier cherche à prévoir. Si l’origine d’un manque reste indéterminée, gardez ce statut dans la préparation des données.

Cette lecture métier rejoint la réserve du manuel : les effets associés aux absences dépendent du contexte de prévision. Une règle commune de nettoyage peut donc prévoir des traitements distincts selon la cause documentée du manque. Elle doit permettre au relecteur de comprendre pourquoi une période a été conservée, remplacée ou retirée.

2. Quels modèles acceptent directement les manques ?

La possibilité de traiter un historique incomplet dépend de l’outil effectivement utilisé. Le manuel OTexts de Hyndman et Athanasopoulos, 2021, indique que la méthode naïve peut reprendre la dernière valeur disponible. Il précise aussi que les fonctions du logiciel fable pour les modèles ARIMA, de régression dynamique et NNAR acceptent des valeurs manquantes, alors que ETS() et STL() ne les prennent pas en charge. Cette distinction concerne les fonctions décrites dans le manuel.

Un masque désigne une information jointe aux valeurs pour indiquer lesquelles sont présentes et lesquelles sont absentes. Dans TiRex, prépublication déposée sur arXiv le 29 mai 2025, Auer et ses coauteurs décrivent un masque binaire ajouté aux valeurs avant le bloc d’entrée qui les transforme pour le modèle. Le modèle reçoit ainsi explicitement l’état de présence des observations.

Pour choisir une procédure, voici la grille de décision proposée par le cabinet. L’imputation désigne le remplacement d’une valeur manquante par une estimation ; la troncature retire une portion de l’historique.

La compatibilité technique constitue un premier contrôle. La qualité de prévision doit ensuite être évaluée sur le périmètre métier retenu.

3. Quand l’imputation utilise-t-elle une information future ?

Une imputation utilise une information future lorsqu’elle mobilise une observation indisponible à la date où la prévision devait être produite. Le problème se juge donc par rapport à cette date, et non seulement à la position du trou dans l’historique.

Le chapitre OTexts sur les valeurs manquantes, 2021, présente une interpolation : un modèle ARIMA estime les observations absentes d’une série. Pour encadrer son utilisation dans une évaluation, le chapitre sur la validation temporelle du même ouvrage pose une règle explicite : les observations servant à construire la prévision précèdent l’observation testée.

TW3 recommande d’appliquer cette règle à toute la préparation, y compris au calcul des remplacements. Pour chaque date de prévision, reconstituez les données alors accessibles, ajustez le traitement sur ce seul périmètre, puis produisez la prévision. Une observation postérieure au manque peut être utilisable si elle était déjà connue au moment de prévoir. La même observation devient interdite lorsqu’elle se situe au-delà de cette date.

L’audit proposé consiste à retrouver, pour chaque valeur remplacée, les bornes de la fenêtre de calcul et les données ayant servi à ajuster la méthode. Une interpolation effectuée une seule fois sur l’historique complet mérite donc un contrôle avant toute évaluation rétrospective.

La prépublication TW3Cast de Thierry et Rochet, déposée sur arXiv le 16 septembre 2026, décrit une sélection effectuée sur des fenêtres extraites de la partie réservée à l’entraînement. Cette séparation constitue un appui pour organiser l’évaluation ; l’audit détaillé des imputations reste ici une proposition du cabinet.

4. Pourquoi TW3Cast tronque-t-il certaines portions ?

TW3Cast décrit la troncature comme une règle de nettoyage des segments corrompus avant entraînement. La prépublication de Thierry et Rochet du 16 septembre 2026 indique que le corpus est filtré série par série et que les portions corrompues sont tronquées plutôt qu’imputées. Cette règle appartient à la construction des modèles spécialisés. Le passage ne mesure pas de gain attribuable à la seule troncature.

La préparation de l’entrée au moment de prévoir suit une autre opération dans le code rendu public. Dans le fichier predict.py de TW3 Partners, révision du 21 septembre 2026, la fonction contexts_for remplace les NaN, marqueurs numériques de valeurs manquantes, par zéro, puis conserve la fin du contexte. Ce choix d’implémentation ne donne aucune signification métier au zéro introduit.

Il faut également situer la portée de ce script. Dans sa réponse publique du 21 septembre 2026, l’auteur explique que la réplication exacte des scores passe par les prévisions archivées. Il signale une soumission corrigée, des différences avec le recalcul depuis les poids et un code de sélection non publié. La règle d’entraînement décrite dans la prépublication et cette version du dispositif de réplication doivent donc rester identifiées séparément.

Pour adapter la troncature à un autre projet, précisez d’abord le critère de corruption et la portion conservée. Le manuel de Hyndman et Athanasopoulos, OTexts, 2021, envisage lui aussi de garder les données situées après le dernier manque, sous réserve d’un historique restant assez long. Cette condition doit être examinée pour chaque série concernée.

5. Comment mesurer l’effet du traitement ?

Le protocole proposé par le cabinet compare l’effet sur les mêmes valeurs réellement observées, avec un décompte des exclusions. Le README de TW3-Cast, révision du 21 septembre 2026, indique les paramètres d’évaluation mask_invalid_label=True et allow_nan_forecast=False. Le dispositif distingue ainsi la gestion des valeurs de référence invalides et celle des prévisions contenant des NaN.

Nous recommandons de préparer le protocole de comparaison avant de choisir le traitement. Une cible désigne ici la valeur réelle à laquelle la prévision est comparée. Si cette cible manque, une valeur reconstruite doit rester identifiée comme telle : elle ne constitue pas une nouvelle observation mesurée.

Fixez les dates de prévision et les cibles observées communes aux options. Pour chaque variante, relevez le nombre de manques en entrée, les portions retirées et la quantité d’historique effectivement transmise au modèle. Rapportez aussi les cibles exclues et les séries pour lesquelles la procédure n’a pas produit de prévision exploitable. Ces décomptes décrivent le périmètre sur lequel le score a été obtenu.

Si la troncature rend certaines dates inutilisables, présentez séparément la comparaison sur le périmètre commun et la couverture de chaque variante. La direction métier peut alors examiner conjointement l’erreur et la disponibilité des prévisions.

Cette procédure est une proposition d’évaluation, à mettre en œuvre sur les données du projet. Elle doit permettre de décider si un traitement mérite d’être retenu et de conserver les éléments nécessaires pour refaire la comparaison.

6. Quelle trace conserver pour la relecture ?

La relecture doit pouvoir retrouver les absences initiales et chaque décision de transformation. Le protocole TW3Cast décrit par Thierry et Rochet le 16 septembre 2026 sépare préparation des données, sélection et évaluation. Pour transposer cette séparation au traitement des manques, le cabinet propose un dossier de contrôle associé à chaque version de la préparation.

Conservez le masque original, les dates des observations et leur statut métier. Reliez chaque suppression à son motif, chaque remplacement à sa méthode et chaque série conservée à ses bornes temporelles. Joignez la version du code, ses paramètres et la date de disponibilité des données employées.

Le compte rendu d’évaluation doit désigner le même périmètre : séries incluses, fenêtres de prévision, cibles observées et exclusions. Une personne reprenant le dossier doit pouvoir déterminer si un changement de score accompagne un changement de méthode ou un changement des observations évaluées.

La validation métier peut alors porter sur des décisions explicites : sens des absences, calendrier retenu et couverture attendue. La validation technique porte sur l’exécution de ces décisions et leur respect dans chaque fenêtre. Ces contrôles documentent la préparation ; l’amélioration éventuelle reste à établir par la comparaison des prévisions.

FAQ

Une valeur absente signifie-t-elle une activité nulle ?
Une absence indique que la mesure n’est pas disponible. Le manuel de Hyndman et Athanasopoulos, 2021, distingue les défauts d’enregistrement des absences liées à l’activité. Faites qualifier ces situations avant d’introduire un zéro.

Quels modèles acceptent directement les manques ?
Le manuel de Hyndman et Athanasopoulos, OTexts, 2021, décrit cette possibilité pour certaines fonctions de fable, notamment ARIMA. La prépublication TiRex déposée sur arXiv le 29 mai 2025 décrit un masque de présence ajouté aux valeurs d’entrée. Vérifiez la représentation attendue par l’interface utilisée, puis évaluez les prévisions obtenues.

Quand l’imputation utilise-t-elle une information future ?
Lorsque son calcul dépend d’informations indisponibles à la date de prévision. La validation temporelle présentée par OTexts en 2021 exclut les observations futures de la construction de la prévision. Appliquez ce contrôle aux données servant à ajuster la méthode de remplacement.

Pourquoi TW3Cast tronque-t-il certaines portions ?
La prépublication TW3Cast déposée sur arXiv le 16 septembre 2026 décrit cette opération dans le nettoyage des segments corrompus avant entraînement. Le remplacement des NaN par zéro dans contexts_for, visible dans le script de TW3 Partners, révision du 21 septembre 2026, appartient à la préparation des entrées au moment de prévoir. Il faut examiner ces opérations à leur étape respective.

Comment mesurer l’effet du traitement ?
Le protocole proposé compare les variantes sur les mêmes cibles observées. Il relève aussi les manques, les portions conservées et les exclusions. Une cible imputée garde son statut de valeur estimée dans le dossier d’évaluation.

Pour aller plus loin

• Variables exogènes : quelles informations sont réellement disponibles à la date de prévision ?
• Demande intermittente : ce que calcule Croston et où sa portée s’arrête
• Prévisions mises en cache : vérifier l’alignement des séries, fenêtres et quantiles

Sources

• OTexts, Hyndman et Athanasopoulos, Forecasting: Principles and Practice, 2021, consulté le 9 octobre 2026.
• OTexts, Dealing with outliers and missing values, ouvrage de 2021, consulté le 9 octobre 2026.
• OTexts, Time series cross-validation, ouvrage de 2021, consulté le 9 octobre 2026.
• Auer et al., TiRex: Zero-Shot Forecasting Across Long and Short Horizons with Enhanced In-Context Learning, prépublication déposée sur arXiv le 29 mai 2025, notice et texte intégral consultés le 9 octobre 2026.
• TW3 Partners, 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, notice et texte intégral consultés le 9 octobre 2026.
• TW3 Partners, TW3-Cast, predict.py, révision du 21 septembre 2026, consulté le 9 octobre 2026.
• TW3 Partners, TW3-Cast, README, révision du 21 septembre 2026, consulté le 9 octobre 2026.
• TW3 Partners, réponse à la revue de la soumission GIFT-Eval, 21 septembre 2026, consultée le 9 octobre 2026.