TimesFM 3.0 réduit de 43% l'erreur de prévision de la consommation électrique d'une université

Les exploitants de bâtiments ont besoin d'une prévision de charge journalière pour planifier à l'avance le chauffage, la ventilation et d'autres services. Les auteurs d'une nouvelle étude publiée sur arXiv ont comparé, sur les données d'un bâtiment universitaire, des modèles statistiques, du machine learning classique, un réseau récurrent et le modèle préentraîné TimesFM. C'est TimesFM 3.0 avec covariables qui obtient les meilleures erreurs globales : son erreur absolue moyenne (MAE) est inférieure d'environ 43% à celle de la prévision naïve saisonnière hebdomadaire. Mais XGBoost n'est pas très loin derrière, et les comparaisons jour par jour appariées ne confirment pas d'avantage net de TimesFM sur le MAE.

Comment le benchmark est construit

Les auteurs ne comparent pas les modèles uniquement sur la précision. Ils prennent aussi en compte les données d'entrée nécessaires au moment de la prévision, le besoin d'un entraînement local et le coût de calcul. Pour un exploitant, ce ne sont pas des détails académiques : ces critères déterminent la quantité de travail d'ingénierie qu'exigera le déploiement.

La validation est chronologique : le modèle ne voit pas le futur pendant l'entraînement. Toutes les configurations ont été évaluées sur les mêmes 57 jours de test, et les résultats sont ventilés par jours ouvrés, week-ends et jours fériés. Les jours fériés sont le régime le plus délicat pour ce type de bâtiment : la charge y diffère fortement de la normale.

Une réserve concerne la météo. Les covariables proviennent d'observations rétrospectives, et non de vraies prévisions, celles que l'exploitant aurait reçues la veille. Les erreurs de prévision météorologique n'entrent donc pas dans l'expérience.

Ce que montrent les chiffres

• TimesFM 3.0 avec covariables : les plus faibles erreurs globales, avec un MAE inférieur d'environ 43% à celui de la prévision naïve saisonnière hebdomadaire.
• XGBoost : reste compétitif. Les comparaisons jour par jour appariées ne font pas apparaître d'avantage net de TimesFM sur le MAE.
• TimesFM sur le seul historique de consommation : un très bon résultat également, sans météo ni autres entrées.
• LSTM : s'entraîne plus longtemps et ne surpasse ni TimesFM ni XGBoost.
• Entraînement : TimesFM ne nécessite pas de réentraînement des poids pour le bâtiment, tandis que XGBoost s'entraîne rapidement et produit la prévision en local.

Un mot à part sur les covariables. Pour TimesFM, elles améliorent la prévision des jours fériés, mais la dégradent légèrement pour les jours ouvrés et les week-ends. Au total, le MAE global ne bouge presque pas. Les entrées supplémentaires agissent comme un outil ponctuel pour un régime rare, et non comme une amélioration universelle.

Un backtest historique exploratoire a mis en évidence des fluctuations saisonnières de la qualité. La comparaison des sources de données météorologiques n'a entraîné que de faibles variations de précision pour la configuration retenue de TimesFM. Le choix du fournisseur météo est, du moins ici, secondaire.

Comment choisir un modèle pour un bâtiment

Les auteurs tirent une conclusion prudente : TimesFM préentraîné constitue une base de départ solide pour ce bâtiment, et XGBoost une alternative compétitive que l'on ajuste en local. Le résultat porte sur un seul bâtiment et 57 jours de test ; il ne faut donc pas le transposer à d'autres sites sans vérification.

Le schéma pratique est le suivant. Pour obtenir rapidement une prévision opérationnelle sans cycle d'entraînement, on commence par TimesFM sur le seul historique de consommation. Si l'équipe est prête à maintenir un modèle local et apprécie un cycle d'entraînement et d'inférence rapide, XGBoost reste un choix raisonnable. Dans cette comparaison, le LSTM n'apporte aucune raison de payer un ajustement plus long.

On ajoute les covariables lorsque les jours fériés sont critiques pour le bâtiment et que la préparation des données météo se justifie. Si les jours ouvrés et les week-ends comptent davantage, le gain apporté par les covariables est douteux. Avant un déploiement, il convient de refaire le test avec de vraies prévisions météo à la place des observations rétrospectives. C'est précisément sur ce point que les résultats de l'étude sont au plus près de leur limite d'applicabilité.