PathFM : la génération de trajectoires complètes de séries temporelles par flow matching

Les modèles de fondation pour séries temporelles s'imposent comme la norme pour la prévision universelle, mais ils laissent de côté une information critique : la structure des dépendances au sein des trajectoires futures. La plupart des solutions phares — comme TimesFM-3 — prédisent les quantiles marginaux de chaque variable séparément, sans tenir compte de leur comportement conjoint ni des corrélations temporelles. Cela pose problème pour les applications qui exigent une vision globale de l'évolution : prévision de la demande agrégée, des pics de charge sur un réseau, ou des moments d'occurrence d'événements.

Les chercheurs d'Autogluon proposent une approche alternative : PathFM, un modèle de prévision générative qui construit des trajectoires multidimensionnelles complètes. Plutôt que de produire des points isolés ou des quantiles, le modèle utilise le flow matching pour générer des trajectoires réalistes, avec toutes les dépendances et la variabilité qui leur sont propres.

Architecture et optimisation

PathFM s'appuie sur le flow matching, une méthode qui transforme une distribution simple en distribution complexe via un processus réversible. L'innovation clé réside dans la distillation : les chercheurs ont compressé le modèle en une ou deux étapes de calcul et mis en place un cache d'historique d'attention (history attention cache) réutilisable lors de la génération de plusieurs trajectoires. Cela permet d'atteindre une vitesse comparable à une seule requête sur un modèle quantile, mais pour produire des dizaines de trajectoires indépendantes.

Le modèle est également optimisé directement via une fonction de perte de calibration (calibration loss), visant à calibrer l'incertitude — ce qui reste hors de portée des modèles travaillant sur des quantiles isolés.

Résultats sur les benchmarks

PathFM a été évalué sur les benchmarks standards fev-bench et TIME. Sur fev-bench, le modèle atteint une précision compétitive des prévisions marginales, se classant troisième. Mais ses principaux succès apparaissent sur un nouveau benchmark, le Forecast Path Score Bench (fps-bench), conçu spécifiquement par les chercheurs pour évaluer la qualité des trajectoires.

fps-bench étend les tâches de fev-bench avec des métriques supplémentaires : l'energy score (score énergétique) et le variogram score (variogramme), qui mesurent la capacité du modèle à reproduire la distribution conjointe et la variabilité spatiale. Sur le path score agrégé, PathFM dépasse toutes les solutions testées, y compris TimesFM-3, de 10,6%.

Vitesse et praticité

Sur un GPU NVIDIA L4, PathFM génère 32 trajectoires complètes en 51,6 millisecondes. Cela rend les méthodes d'ensemble réellement praticables : auparavant, les approches génératives exigeaient soit des calculs coûteux, soit des compromis sur la qualité.

Comportement sur les systèmes chaotiques

Un test spécifique sur des systèmes chaotiques révèle une propriété unique de l'approche par flow matching : le modèle maintient une variabilité à long terme 20 fois plus longtemps, voire davantage, que les méthodes de référence, tout en atteignant la plus faible erreur ponctuelle moyenne de prévision. D'autres modèles performants perdent rapidement leur caractère aléatoire et réduisent leurs prévisions à des valeurs moyennées.

PathFM ouvre une nouvelle classe d'applications : de la gestion de chaînes d'approvisionnement tenant compte de la distribution complète de la demande, aux systèmes de gestion de charge énergétique, où il faut anticiper non seulement la moyenne, mais l'ensemble du spectre des scénarios possibles. Les auteurs, Jiachen Yao, Xiyuan Zhang, Annan Yu, Boran Han, Abdul Fatir Ansari, Shuai Zhang, Michael Bohlke-Schneider et Bernie Wang, promettent de publier les poids du modèle et le code source prochainement.