PathFM génère des trajectoires de prévision entières en 1–2 étapes de flow matching

Le modèle PathFM ne génère pas un ensemble de quantiles pour chaque point de l'horizon, mais des trajectoires futures entières de la série temporelle. Après distillation en une ou deux étapes, il produit plusieurs trajectoires de ce type pour une même série en un temps à peu près équivalent à celui d'une seule requête à un modèle quantile. Les auteurs présentent aussi le benchmark fps-bench. Sur le path score agrégé de ce benchmark, PathFM devance tous les modèles de référence externes testés.

Ce qui manque aux modèles quantiles

Les modèles de fondation pour séries temporelles gagnent rapidement en popularité comme outil de prévision universel. Mais la plupart des solutions de pointe prédisent des quantiles marginaux. Pour chaque pas de l'horizon pris isolément, le modèle fournit, par exemple, la médiane et les bornes de l'intervalle. Le lien entre les valeurs de pas différents reste hors champ.

Pour de nombreux usages, c'est pourtant ce lien qui compte. La demande cumulée sur une semaine, le pic de charge sur un réseau ou le moment où survient un événement dépendent de la trajectoire entière. Prenons deux scénarios aux distributions marginales identiques. Dans l'un, les écarts à la prévision s'accumulent pas à pas ; dans l'autre, ils se compensent. Leurs quantiles coïncideront, mais la somme et le pic seront différents. Les métriques ponctuelles et les évaluations des marginales ne révèlent pas cette différence.

Comment fonctionne PathFM

Les auteurs prennent le flow matching, une approche générative apparentée à la diffusion, et l'appliquent à des chemins futurs entiers. Le modèle échantillonne la trajectoire dans son ensemble, de sorte que la dépendance entre les pas est inscrite dans le résultat lui-même. Ce type de génération est généralement coûteux : il exige de nombreuses étapes d'intégration et de nombreuses passes répétées. Ici, deux leviers permettent de contourner ce coût.

• Distillation du modèle en une à deux étapes d'échantillonnage.
• Cache d'attention partagé sur l'historique entre les différents échantillons : le contexte de la série est traité une seule fois, et non de nouveau pour chaque trajectoire.
• Optimisation directe d'une perte de calibration, que rend praticable le échantillonneur distillé, rapide.
• Objectif de vitesse : plusieurs chemins pour une même série en un temps proche de celui d'une seule requête à un modèle quantile.

La perte de calibration mérite un mot à part. Lorsque l'échantillonnage est peu coûteux, on peut l'intégrer à l'entraînement et rapprocher directement les distributions prédites de la réalité.

Comment l'approche a été évaluée

Sur les benchmarks établis fev-bench et TIME, PathFM affiche une précision marginale compétitive. Le modèle ne perd pas face aux concurrents quantiles sur leur terrain, ce que les auteurs considèrent comme la preuve du caractère pratique de l'approche.

Pour évaluer les dépendances temporelles, l'équipe a constitué le Forecast Path Score Bench (fps-bench). Il étend les tâches de fev-bench avec deux métriques sur les trajectoires, l'energy score et le variogram score, ainsi qu'avec des métriques downstream liées à des grandeurs pratiques comme la demande cumulée et le pic. Sur le path score agrégé, PathFM se place au-dessus de tous les modèles de référence externes de la comparaison.

Une expérience distincte a été menée sur des systèmes chaotiques. Selon les auteurs, le modèle de flow conserve la variabilité à long terme, tandis que de solides modèles de référence s'effondrent rapidement, c'est-à-dire que leurs trajectoires perdent en diversité. Pour les horizons longs, c'est un indice important : une prévision qui dégénère en ligne lisse décrit mal le risque.

Où cela peut servir

Les principaux candidats à l'usage : la planification de la charge dans l'énergie, la gestion des stocks et de la demande, la capacité des data centers, et tout scénario où la décision dépend de la somme ou du maximum sur l'horizon. Au lieu d'un seul intervalle, l'équipe obtient un ensemble de scénarios plausibles et calcule directement sur ceux-ci les grandeurs voulues.

Il y a aussi des limites. La description disponible ne contient pas de résultats chiffrés précis : l'ampleur de l'avantage sur fps-bench et la vitesse sur du matériel réel sont donc à vérifier dans l'article lui-même et dans le code. Le benchmark a été créé par les mêmes auteurs que le modèle, si bien qu'une vérification indépendante sur ses propres données ne sera pas superflue. Plan pratique : prendre ses propres tâches dépendant de la trajectoire, comparer un modèle quantile et PathFM sur l'energy score et le variogram score, puis sur une métrique métier, par exemple l'erreur sur le pic ou sur la demande cumulée.