📊 statistics

Autorelevance function and other feature relevance measures for univariate time series

Cet article propose un cadre agnostique au modèle utilisant des variables fantômes et des valeurs de Shapley pour définir des fonctions d'auto-pertinence et d'auto-pertinence partielle afin de mesurer l'importance du retard dans la prévision de séries temporelles univariées, démontrant leur efficacité à travers des modèles ARMA saisonniers et des réseaux de neurones récurrents.

Auteurs originaux : Julian Cardenas, Jamie Arjona, Pedro Delicado

Publié 2026-07-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Julian Cardenas, Jamie Arjona, Pedro Delicado

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire la météo pour demain. Vous avez un programme informatique super intelligent (un modèle "boîte noire") qui examine la température, le vent et la pluie des derniers jours pour faire sa supposition. Mais voici le problème : l'ordinateur est si intelligent qu'il est aussi un peu mystérieux. Vous lui demandez : « Pourquoi as-tu prédit de la pluie ? » et il répond simplement : « À cause des données. » Il ne vous dit pas quelle donnée de quel jour a le plus compté. Était-ce la pluie d'hier ? Ou la pluie de mardi dernier ?

Cet article présente un nouvel ensemble d'outils pour répondre à cette question. Les auteurs veulent mesurer exactement à quel point chaque « décalage » (chaque jour de données passé) contribue à la prédiction finale, que l'ordinateur utilise des mathématiques simples ou un réseau de neurones complexe.

Voici une décomposition de leurs idées en utilisant des analogies de la vie quotidienne :

1. Le Problème : La prévision en « Boîte Noire »

Dans la prévision de séries temporelles, les seules entrées sont généralement des versions passées de la même chose (comme les anciens cours de bourse ou le nombre passé de passagers). Les outils traditionnels (comme la fonction d'autocorrélation) sont comme des cartes de l'époque ; ils fonctionnent très bien pour les routes simples et rectilignes (modèles linéaires) mais s'embrouillent lorsque la route tourne et serpente en une jungle complexe et non linéaire (réseaux de neurones). Nous avons besoin d'une nouvelle façon de voir quels jours passés dirigent réellement la prédiction.

2. La Solution : Deux nouveaux « Règles de Pertinence »

Les auteurs proposent deux manières principales de mesurer l'importance, qu'ils appellent Fonctions d'Auto-Pertinence (ARF) et Fonctions de Partielle Auto-Pertinence (PARF).

Méthode A : Le remplacement par un « Fantôme » (Variables Fantômes)

Imaginez que vous cuisinez un gâteau et que vous voulez savoir quelle est l'importance des œufs.

La méthode standard : Vous cuisinez le gâteau sans œufs et voyez s'il a un mauvais goût.
Le problème avec les séries temporelles : Vous ne pouvez pas simplement « supprimer » la température d'hier. Si vous la supprimez, la chronologie se brise et la recette n'a plus de sens.
L'astuce de l'article : Au lieu de supprimer la température d'hier, vous la remplacez par une température « Fantôme ». Ce fantôme est une estimation intelligente de ce que la température aurait été si vous n'aviez regardé que les jours précédents et suivants, en ignorant totalement hier.
Le résultat : Vous cuisinez le gâteau avec la vraie température, puis vous cuisinez à nouveau le gâteau avec la température « Fantôme ». Si le gâteau a un goût totalement différent, alors la température d'hier était cruciale. Si le giment a le même goût, hier n'avait pas beaucoup d'importance.

Les auteurs utilisent cette méthode du « Fantôme » pour créer un score (ARF) qui indique à quel point chaque jour passé est important.

Méthode B : Le score du « Joueur d'Équipe » (Valeurs de Shapley)

Imaginez une équipe de sport où les joueurs (les jours passés) arrivent dans différentes combinaisons. Parfois, l'équipe n'a que les 3 meilleurs joueurs ; parfois, elle en a 5.

Le concept : Cette méthode, basée sur une théorie mathématique appelée valeurs de Shapley, demande : « De combien l'ajout d'un joueur spécifique améliore-t-il le score de l'équipe, peu importe qui d'autre est présent sur le terrain ? »
L'application : Ils calculent de combien l'erreur de prédiction chute lorsqu'on ajoute le « Jour 1 » à un groupe d'autres jours, puis ils font la même chose pour le « Jour 2 », et ainsi de suite, à travers chaque combinaison possible de jours.
Le résultat : Cela donne une « Fonction de Partielle Auto-Pertinence » (PARF). C'est comme un score d'équité qui indique exactement quel crédit chaque jour passé mérite pour la prédiction finale, même s'il n'est important qu'en combinaison avec d'autres jours spécifiques.

3. La Recette Secrète : Comment remplir les blancs

Un obstacle majeur de cette recherche est : Que mettre dans l'emplacement du « Fantôme » ou de l'emplacement du « Membre d'équipe Manquant » ?

L'ancienne méthode : Mettre simplement un zéro ou la température moyenne. C'est comme mettre un mannequin dans le alignement ; cela brise le rythme du jeu.
L'innovation de l'article : Ils utilisent le propre modèle de prévision pour deviner la valeur manquante. Si la « Température d'Hier » vous manque, le modèle regarde les autres jours disponibles et prédit ce que la température d'hier aurait dû être.
Pourquoi cela fonctionne : Cela permet de garder intact l'« histoire » de la série temporelle. C'est comme demander à l'entraîneur de simuler ce qui se serait passé si un joueur manquait, plutôt que de simplement laisser une chaise vide.

4. Est-ce que cela a fonctionné ? (Les Résultats)

Les auteurs ont testé ces outils sur deux types de données :

Données simulées : Ils ont créé de fausses séries temporelles où ils connaissaient la réponse (ex : « Nous avons créé un modèle où seuls le Jour 1 et le Jour 3 comptent ; le Jour 2 est inutile »).
- Résultat : Leurs outils ont correctement identifié que le Jour 1 et le Jour 3 étaient les stars et que le Jour 2 était un raté, même face à un modèle de prédiction qui est un réseau de neurones complexe.
Données réelles : Ils ont utilisé le célèbre jeu de données « Passagers aériens mensuels ».
- Résultat : Les outils ont correctement mis en évidence que les jours les plus importants pour prédire le mois prochain étaient il y a 1 mois, 12 mois (l'année dernière) et 13 mois, ce qui correspond à l'intuition humaine concernant les modèles saisonniers.

5. L'essentiel

L'article affirme que ces nouveaux outils (ARF et PARF) sont :

Indépendants du modèle (Model-Agnostic) : Ils fonctionnent aussi bien sur des modèles mathématiques simples que sur des « boîtes noires » d'IA complexes.
Précis : Ils identifient avec succès les jours passés importants, tant dans des situations simples que dans des situations non linéaires et complexes.
Efficaces : Ils sont plus rapides à calculer que les méthodes précédentes qui tentent de faire la même chose.

En résumé, les auteurs ont construit une « lampe de poche » qui nous permet de voir exactement quels moments passés éclairent les prédictions futures, même lorsque l'ordinateur qui effectue la prédiction est trop complexe pour s'expliquer lui-même.

Résumé Technique : Fonction d'Autorélevance et autres Mesures de Pertinence des Caractéristiques pour les Séries Temporelles Univariées

Énoncé du Problème
L'adoption croissante des modèles d'apprentissage automatique pour la prévision de séries temporelles a créé un besoin critique d'interprétabilité, particulièrement en ce qui concerne la manière dont les observations décalées (lags) influencent les prédictions. Bien que les outils statistiques classiques tels que la fonction d'autocorrélation (ACF) et la fonction d'autocorrélation partielle (PACF) décrivent efficacement les structures temporelles linéaires, ils sont mal adaptés pour expliquer le comportement des modèles de prévision modernes de type « boîte noire » (par exemple, les réseaux de neurones). Les méthodes existantes d'importance des caractéristiques peinent souvent dans les contextes de séries temporelles en raison de la forte corrélation entre les prédicteurs (décalages) et de l'absence de stratégies agnostiques au modèle pour gérer les caractéristiques « absentes » dans les explications basées sur les coalitions. Les techniques d'imputation standard (par exemple, le remplissage par zéro ou par la moyenne inconditionnelle) échouent souvent à préserver la dynamique temporelle essentielle à la prévision, conduisant à des estimations de pertinence potentiellement trompeuses.

Méthodologie
Les auteurs proposent un cadre agnostique au modèle pour quantifier la pertinence globale des entrées décalées dans la prévision de séries temporelles univariées. La méthodologie intègre deux approches principales : les Variables Fantômes (Ghost Variables) et les Valeurs de Shapley, adaptées spécifiquement aux tâches de prévision où les entrées sont exclusivement des valeurs décalées de la série.

Approche par Variables Fantômes (Fonction d'Autorélevance - ARF) :
- Adaptée de la méthodologie des Variables Fantômes, cette approche évalue la pertinence d'un décalage spécifique $h$ en remplaçant la valeur décalée réelle $y_{t-h}$ par une valeur fantôme imputée $\hat{y}^*_{t-h}$ .
- La valeur fantôme est générée par un modèle d'imputation auxiliaire (spécifiquement une régression linéaire multiple) qui prédit $y_{t-h}$ en utilisant les $p-1$ autres décalages.
- La pertinence est quantifiée en comparant l'erreur de prédiction du modèle original par rapport au modèle utilisant la valeur fantôme. Les auteurs définissent deux métriques :
  - ARF $_{MSPD}$ : Basée sur la Différence de l'Erreur Quadratique Moyenne de Prédiction (Mean Squared Prediction Difference).
  - ARF $_{MSE}$ : Basée sur le changement des contributions de l'Erreur Quadratique Moyenne (MSE).
Approche par Valeurs de Shapley (Fonction de Partielle Autorélevance - PARF) :
- Cette approche traite les décalages comme des joueurs dans un jeu coopératif, calculant la contribution marginale moyenne de chaque décalage à travers toutes les coalitions possibles (sous-ensembles de décalages).
- Stratégie d'Imputation : Une innovation clé est le traitement des caractéristiques absentes dans une coalition. Au lieu d'une imputation générique, les auteurs proposent de remplacer les décalages absents par une prévision à un pas d'avance générée par le même modèle de prévision analysé. Cela préserve la cohérence temporelle de la série.
- Fonction de Valeur : La fonction de valeur est définie sur l'amélioration de la MSE par rapport à une ligne de base (moyenne de l'échantillon).
- Métriques :
  - PARF $_{MSE}$ : Valeurs de Shapley standardisées basées sur les contributions de la MSE.
  - PARF $_{MSPD}$ : Valeurs de Shapley standardisées basées sur les différences de prédiction au carré.
- Efficacité Computationnelle : Contrairement aux méthodes SHAP locales qui nécessitent une analyse par permutation pour chaque observation, ce cadre calcule la pertinence de manière globale en faisant la moyenne sur l'échantillon de test, réduisant ainsi considérablement la charge de calcul.

Principales Contributions

Nouvelle Imputation pour les Séries Temporelles : L'article introduit un schéma d'imputation à un pas d'avance piloté par le modèle pour gérer les caractéristiques absentes dans les méthodes basées sur les coalitions. Cette stratégie aligne l'analyse de la pertinence avec la dynamique même du modèle de prévision, offrant une définition plus naturelle des coalitions dans des contextes séquentiels par rapport aux imputations statiques.
Pertinence des Décalages Agnostique au Modèle : Les mesures ARF et PARF proposées sont applicables tant aux modèles statistiques classiques (ex: ARMA) qu'aux modèles complexes de boîte noire (ex: Réseaux de Neurones Récurrents), fournissant un cadre unifié pour l'interprétabilité.
Intégration des Mesures d'Importance Additives : Le travail relie les besoins pratiques de l'explicabilité des séries temporelles aux fondements théoriques des mesures d'importance additives (AIM), en utilisant spécifiquement la MSE comme fonction de perte, ce qui est standard en prévision.

Résultats
Les auteurs ont évalué leurs propositions en utilisant des données simulées (modèles linéaires ARMA, modèles à changement de régime non linéaires) et un jeu de données réelles (Passagers de l'Aérien Mensuels).

Simulations Linéaires (AR(3) et ARMA(3,3)) : Dans les contextes linéaires, l'ARF et la PARF ont toutes deux identifié avec succès les vrais décalages non nuls (décalages 1 et 3) tout en attribuant une pertinence négligeable aux décalages non pertinents (décalage 2), même lorsque le modèle ajusté était un réseau de neurones.
Simulations Non Linéaires : Dans un modèle à changement de régime non linéaire, les mesures de pertinence (particulièrement la PARF avec les contributions de la MSE) ont correctement identifié les décalages dominants (1, 12 et 13) qui régissaient le processus générateur de données, démontrant une robustesse à la non-linéarité.
Données Réelles (Passagers de l'Aérien) : Appliquées au jeu de données classique des passagers aériens, les méthodes ont systématiquement mis en évidence les décalages 1, 12 et 13 comme étant les plus pertinents, s'alignant sur la structure saisonnière connue. Bien que le modèle de réseau de neurones ait montré des motifs légèrement différents du modèle SARIMA, les mesures de pertinence ont tout de même capturé la structure fondamentale des décalages.
Comparaison d'Imputation : L'imputation basée sur le modèle à un pas d'avance a généralement surpassé l'imputation linéaire dans les scénarios non linéaires et complexes, fournissant une identification plus claire des structures de décalage dominantes.

Signification et Revendications
L'article affirme que le cadre proposé offre une solution pratique et efficace pour interpréter les modèles de prévision de séries temporelles. Les auteurs soulignent que :

Les méthodes parviennent à récupérer les structures de décalage attendues dans presque tous les cas testés, y compris pour les réseaux de neurones de type boîte noire.
La stratégie d'imputation à un pas d'avance fournit une manière naturelle de définir les coalitions dans les contextes séquentiels, évitant la nature heuristique des imputations génériques.
L'approche est plus efficace sur le plan computationnel que les méthodes SHAP locales standard tout en maintenant l'interprétabilité.
Le cadre est particulièrement adapté aux séries temporelles car il respecte l'ordre temporel et la dynamique des données.

Les auteurs restent modestes quant aux limites, notant que la stratégie repose sur le fait que le modèle de prévision possède des performances prédictives suffisamment bonnes ; de mauvais modèles peuvent introduire du bruit via le processus d'imputation, conduisant à des estimations de pertinence trompeuses. Des travaux futurs sont suggérés pour explorer d'autres formulations de pertinence, l'inclusion de prédicteurs exogènes et l'extension aux séries temporelles multivariées.