ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting

Le papier présente ProtoTS, un cadre de prévision de séries temporelles interprétable qui combine haute précision et transparence décisionnelle en modélisant des motifs temporels prototypiques organisés hiérarchiquement pour capturer à la fois les tendances globales et les variations locales.

L'essentiel

🌟 ProtoTS : Le "Chef de Cuisine" qui prédit l'avenir

Imaginez que vous devez prédire la consommation d'électricité d'une ville pour les jours à venir. C'est comme essayer de deviner combien de gens iront à la plage demain. Si vous regardez seulement l'histoire (il a fait chaud hier), vous pouvez vous tromper. Il faut aussi regarder le calendrier (c'est un jour férié ?), la météo prévue (va-t-il pleuvoir ?) et même l'heure de la journée.

Les ordinateurs actuels sont très forts pour faire ces prédictions, mais ils agissent comme des boîtes noires. Ils donnent un résultat (ex: "Demain, on aura besoin de 5000 mégawatts"), mais personne ne sait pourquoi. C'est dangereux pour les experts qui doivent prendre des décisions importantes, comme acheter de l'électricité supplémentaire.

ProtoTS est une nouvelle méthode qui change la donne. Au lieu d'être une boîte noire, c'est comme un livre de recettes de cuisine ou un album photo de souvenirs que l'on peut consulter pour comprendre la prédiction.

🧩 Comment ça marche ? L'analogie des "Archétypes"

Au lieu d'apprendre par cœur des millions de données brutes, ProtoTS apprend à reconnaître des modèles types (qu'on appelle des prototypes).

Imaginez que vous essayez de reconnaître des visages. Au lieu de mémoriser chaque détail de chaque personne que vous avez jamais vue, vous créez des catégories :

1. Le "Type Vacances d'été" : Il fait chaud, tout le monde est à la plage, la consommation d'électricité est haute le soir (climatisation).
2. Le "Type Jour de Travail" : Les gens sont au bureau, la consommation monte le matin et baisse l'après-midi.
3. Le "Type Fête Chinoise" : C'est une période spéciale où les usines ferment, donc la consommation chute le jour, mais reste stable le soir.

ProtoTS apprend ces modèles types (les prototypes) et les organise en arborescence (comme un arbre généalogique) :

• Au sommet (Racine) : Il y a les grandes catégories (ex: "Été", "Hiver", "Jour de travail"). C'est facile à comprendre pour un humain.
• En bas (Branches) : Si le modèle "Fête Chinoise" est trop général, ProtoTS le divise en sous-catégories plus précises (ex: "Avant le Nouvel An", "Pendant le Nouvel An", "Après le Nouvel An").

🔍 Pourquoi c'est révolutionnaire ?

1. La transparence totale (Pas de magie noire)

Quand ProtoTS fait une prédiction, il dit : "Je pense qu'il va pleuvoir demain, donc je vais mélanger 60% du modèle 'Jour de pluie' et 40% du modèle 'Dimanche'."
C'est comme si un chef vous disait : "Ce plat est un mélange de la recette 'Été' et de la recette 'Fête', c'est pourquoi il est si épicé."
Les experts peuvent voir exactement quels modèles ont été activés et pourquoi.

2. La capacité à corriger le tir (Le "Steerability")

C'est la partie la plus cool. Si un expert humain remarque que le modèle "Fête Chinoise" ne fonctionne pas bien pour une année particulière (par exemple, à cause d'une pandémie), il peut modifier manuellement ce prototype.

• Avant : Le modèle apprendait tout seul, et si ça ratait, on ne savait pas comment le réparer.
• Avec ProtoTS : L'expert peut dire : "Attends, pendant le Nouvel An cette année, les gens ont moins utilisé la clim. Je vais ajuster ce prototype."
  Le modèle apprend immédiatement de cette correction, devenant plus précis et plus intelligent grâce à l'humain.

3. Gérer le chaos (Les variables hétérogènes)

Les données réelles sont un mélange bizarre : des chiffres (température), des mots (nom du jour), des booléens (est-ce un jour férié ?).
ProtoTS utilise une ingénierie spéciale (comme des filtres de café) pour trier ces informations. Il ne mélange pas tout dans un grand pot. Il traite la température d'un côté, le calendrier de l'autre, puis les combine intelligemment pour ne garder que ce qui est utile.

🏆 Les Résultats en Bref

Les chercheurs ont testé ProtoTS sur de vraies données (comme la consommation électrique en Chine ou les prix de l'électricité en Europe).

• Précision : Il bat les meilleurs modèles actuels (comme les Transformers) avec une marge impressionnante (moins d'erreurs de 20 à 48 %).
• Robustesse : Même avec peu de données d'entraînement, il reste performant, contrairement aux autres qui s'effondrent.
• Confiance : Les humains (experts) ont trouvé ses explications beaucoup plus claires et utiles que celles des autres modèles.

💡 En résumé

ProtoTS, c'est comme donner un GPS avec explications vocales à un conducteur aveugle.

• Les autres modèles disent juste : "Tournez à droite" (Prédiction).
• ProtoTS dit : "Tournez à droite parce que c'est un jour de pluie (modèle A) et que c'est l'heure de pointe (modèle B). Si vous voulez éviter les embouteillages, je peux ajuster la route si vous me le dites."

C'est un pas de géant vers une intelligence artificielle qui ne se contente pas de prédire, mais qui explique et collabore avec les humains pour prendre de meilleures décisions.

Résumé technique

1. Problématique et Contexte

La prévision de séries temporelles, en particulier dans des domaines à haut risque comme la gestion de l'énergie, la prévision de charge électrique ou la météorologie, a considérablement bénéficié des performances des modèles d'apprentissage profond (Deep Learning). Cependant, ces modèles fonctionnent souvent comme des "boîtes noires", ce qui rend difficile la compréhension de leur processus décisionnel.

Les auteurs identifient deux limitations majeures des méthodes interprétables existantes :

• C1 (Côté Sortie) : Les explications sont souvent locales et partielles (expliquant un pas de temps à la fois), incapables de révéler les motifs temporels globaux (tendances, pics saisonniers) qui façonnent la courbe de prévision dans son ensemble.
• C2 (Côté Entrée) : Les explications se concentrent souvent sur un seul type de variable (généralement les variables endogènes), négligeant les interactions complexes entre des variables hétérogènes (météo, calendriers, jours fériés) et leur impact combiné sur la dynamique temporelle.

L'objectif est donc de concevoir un modèle qui atteigne une haute précision de prévision tout en offrant une interprétabilité transparente et steerable (pilotable par l'expert), capable de gérer des variables exogènes hétérogènes.

2. Méthodologie : ProtoTS

Les auteurs proposent ProtoTS, un cadre de prévision basé sur l'apprentissage de prototypes hiérarchiques. Le modèle repose sur deux modules principaux illustrés dans la Figure 2 du papier :

A. Calcul de Similarité Prototype-Instance Multi-Canal

Ce module vise à modéliser efficacement les interactions entre les variables d'entrée hétérogènes.

• Encodage Multi-Canal : Les variables endogènes (ex: charge électrique) et exogènes (ex: température, jours fériés) sont traitées séparément.
  • Les variables endogènes sont encodées via un canal non linéaire (MLP).
  • Les variables exogènes sont divisées en variables discrètes (encodage par table d'embedding) et continues (projection non linéaire spécifique).
• Fusion par Goulot d'Étranglement (Bottleneck Fusion) : Les embeddings sont agrégés, puis passés à travers une couche de "goulot d'étranglement" (bottleneck) intégrée dans une architecture MLP-Mixer. Cela permet de filtrer le bruit et les informations non pertinentes tout en préservant les composantes prédictives clés, évitant ainsi le surapprentissage.
• Calcul de Similarité : L'embedding final est comparé à un ensemble de prototypes appris. La similarité est calculée (généralement par distance euclidienne) pour déterminer le poids de chaque prototype dans la prévision finale.

B. Apprentissage Hiérarchique de Prototypes

Pour résoudre le compromis entre précision et interprétabilité, les prototypes sont organisés en une structure arborescente :

• Niveau Racine (Global) : Un petit ensemble de prototypes "grossiers" capture les motifs temporels globaux et récurrents (ex: tendances saisonnières, effets des jours fériés). Cela permet une compréhension globale rapide par l'expert.
• Niveau Enfant (Local) : Chaque prototype racine peut être divisé en plusieurs prototypes enfants plus fins. Ces prototypes capturent les variations locales et les détails spécifiques (ex: différence entre un jour férié standard et le Nouvel An chinois).
• Prédiction : La prévision finale est une combinaison pondérée des motifs temporels de tous les prototypes (racines et enfants), où les poids sont déterminés par la similarité à l'instance courante.

Fonction de Perte : Le modèle utilise une perte de prévision standard (L1/MAE) combinée à une régularisation d'entropie sur les poids des prototypes. Cela encourage le modèle à utiliser un nombre restreint de prototypes principaux pour la majorité des prédictions, améliorant ainsi la lisibilité.

3. Contributions Clés

1. Interprétabilité Multi-Niveau : Contrairement aux méthodes existantes qui fournissent des explications locales, ProtoTS offre une vue d'ensemble globale (via les prototypes racines) et des détails fins (via les prototypes enfants), permettant de comprendre à la fois les tendances générales et les anomalies spécifiques.
2. Modélisation des Interactions Hétérogènes : Grâce à l'encodage multi-canal et la fusion par goulot d'étranglement, le modèle capture efficacement comment des variables de nature différente (température, calendrier, etc.) interagissent pour former des motifs temporels complexes.
3. Steerability (Pilotabilité par l'Expert) : La structure hiérarchique permet aux experts de domaine d'intervenir directement. Ils peuvent diviser manuellement un prototype, en éditer le motif temporel ou en ajouter de nouveaux pour intégrer des connaissances métier, améliorant ainsi la précision du modèle.
4. Premier Modèle de Prototypes pour Séries Temporelles Séquentielles : À la connaissance des auteurs, c'est la première méthode à décoder un prototype non pas en une seule valeur, mais en une séquence complète de prévision (une courbe temporelle), permettant une interprétation holistique de la dynamique.

4. Résultats Expérimentaux

Les auteurs ont évalué ProtoTS sur plusieurs jeux de données réels, notamment un nouveau jeu de données de prévision de charge électrique (LOF) et un jeu de données de prix de l'électricité (EPF).

• Performance de Prédiction :

  • Sur le jeu de données LOF, ProtoTS surpasse l'état de l'art (TimeXer, iTransformer, TiDE, etc.), réduisant l'erreur quadratique moyenne (MSE) de 48,3 % et l'erreur absolue moyenne (MAE) de 20,9 % par rapport au meilleur modèle de base.
  • Sur le jeu de données EPF (plus volatil), il obtient également les meilleurs résultats sur tous les marchés, avec une réduction de 8 % du MSE et du MAE.
  • ProtoTS montre une meilleure robustesse et efficacité des données (data efficiency) lorsque la quantité de données d'entraînement est réduite.

• Évaluation de l'Interprétabilité :

  • Une étude utilisateur quantitative montre que les prototypes de ProtoTS sont significativement plus compréhensibles (UPrec de 77 % contre 64 % pour TFT) et que le système est jugé plus utilisable (SUS Score de 73,36 contre 29,74 pour TFT).

• Étude de Cas (Steerability) :

  • Dans un scénario de prévision de charge électrique, un expert a divisé manuellement le prototype "Fête du Printemps" en deux sous-prototypes (motif de base vs motif spécial). Cette intervention a réduit l'erreur (MSE) de 0,009 pour les prévisions liées à cette période, démontrant que l'ajustement humain basé sur l'explication améliore à la fois la précision et la transparence.

5. Signification et Conclusion

ProtoTS représente une avancée significative dans le domaine de l'IA explicable (XAI) pour les séries temporelles. Il comble le fossé entre la performance des modèles "boîte noire" et la nécessité de transparence dans les applications critiques.

En introduisant une hiérarchie de prototypes, le modèle permet non seulement de comprendre pourquoi une prévision est faite (en la reliant à des motifs temporels typiques), mais aussi de piloter le modèle grâce à l'expertise humaine. Cette approche démontre qu'il est possible d'atteindre un état de l'art en précision tout en fournissant des explications globales et locales actionnables, ce qui est crucial pour renforcer la confiance des experts dans les systèmes d'aide à la décision automatisés.