Quel outil de prévision séries temporelles choisir ?

Je choisirais l’outil selon votre contrainte principale, pas juste selon la précision. Prophet rassure, NeuralProphet ajoute du contexte, TimeGPT accélère via API, Chronos ouvre la porte aux foundation models. Le vrai sujet, c’est le bon compromis entre lisibilité, coût, vitesse et déploiement.

Pourquoi le choix compte vraiment ?

Je vois souvent le même piège : on choisit un outil de prévision parce qu’il a le meilleur score sur un test, puis personne ne sait vraiment l’utiliser, l’expliquer ou le maintenir. Et là, le modèle a beau être juste, il ne sert pas à grand-chose.

La précision compte, bien sûr. Mais elle ne suffit pas. Une prévision de séries temporelles, c’est une prévision dans le temps : ventes par semaine, trafic par heure, stock par jour, churn par mois. Si les équipes métier ne comprennent pas pourquoi le modèle monte ou baisse, elles vont avoir du mal à lui faire confiance.

Avant de choisir entre Prophet, NeuralProphet, TimeGPT et Chronos, je regarde surtout des critères très concrets :

• L’interprétabilité : Est-ce que je peux expliquer la tendance, la saisonnalité, les jours fériés, les événements métier ?
• La vitesse de mise en œuvre : Est-ce qu’on peut tester en quelques heures ou est-ce qu’il faut monter une vraie stack data/ML ?
• La scalabilité : Est-ce que l’outil tient si on passe de 10 séries à 50 000 séries ?
• Le coût : Est-ce qu’on paie une API, du compute GPU, du temps d’équipe, ou les trois ?
• Le déploiement : Est-ce que ça tourne dans votre environnement, avec vos contraintes sécurité et cloud ?
• La dépendance à une API : Est-ce acceptable d’envoyer les données à un service externe ?
• Le local : Est-ce que le modèle peut tourner chez vous, sans appel externe ?
• La maintenance : Est-ce qu’on peut surveiller les erreurs, relancer les jobs, versionner les modèles proprement ?

Prophet, pour moi, reste une baseline très propre. Il marche bien sur des données business avec tendance, saisonnalité et événements. Il est clair, explicable, rassurant.

NeuralProphet va plus loin. Il apprend les lags, c’est-à-dire l’effet des valeurs passées sur les valeurs futures, et il s’appuie sur PyTorch, une librairie de deep learning. C’est plus souple, mais aussi un peu plus technique.

TimeGPT, de Nixtla, est pratique quand on veut tester vite sans construire toute l’infrastructure. On appelle une API, on obtient des prévisions. C’est efficace, mais il faut accepter la dépendance au service.

Chronos représente l’approche foundation model, avec des modèles pré-entraînés à poids ouverts, notamment connus via les travaux d’Amazon et l’écosystème Hugging Face. C’est intéressant si vous voulez garder plus de contrôle, surtout côté expérimentation et déploiement local.

Sur le terrain, chez les clients, le meilleur modèle est souvent celui qu’on peut expliquer, surveiller et relancer proprement. Pas forcément celui qui gagne sur un benchmark isolé.

Outil	Point fort	Limite principale	Meilleur cas d’usage
Prophet	Clair et explicable	Moins souple sur des patterns complexes	Données business avec saisonnalité et événements
NeuralProphet	Apprend les lags avec PyTorch	Plus technique à maintenir	Prévisions avec dépendances temporelles plus riches
TimeGPT	Test très rapide via API	Dépendance à un service externe	Prototype rapide sans monter de stack ML
Chronos	Foundation model à poids ouverts	Déploiement plus exigeant	Expérimentation avancée et contrôle local

Comment tester les outils proprement ?

Pour tester proprement ces outils, je pars d’un même jeu de données, d’un même horizon de prévision et d’une même métrique, sinon la comparaison ne vaut pas grand-chose. J’ai vu trop de comparatifs où un outil prédit 7 jours, l’autre 30 jours, avec des données nettoyées différemment. À ce niveau-là, on ne compare plus des modèles, on compare du bruit.

Mon approche est simple. Je prends une série temporelle propre, avec une date, une valeur, et le moins d’ambiguïtés possible. Je définis une période d’entraînement, puis une période de test que le modèle n’a jamais vue. Je fixe un horizon, par exemple 14 jours ou 12 mois selon le sujet. Puis je compare les prévisions sur exactement les mêmes dates.

Je garde aussi une métrique lisible par les équipes. Le MAE, pour Mean Absolute Error, marche bien parce qu’il dit simplement de combien on se trompe en moyenne. Si je prévois des ventes et que le MAE est de 120, ça veut dire que je me trompe en moyenne de 120 unités. C’est beaucoup plus parlant qu’une métrique obscure que personne ne sait interpréter.

Élément	Règle
Données	Même fichier, même nettoyage
Découpage	Mêmes dates d’entraînement et de test
Horizon	Même nombre de périodes à prédire
Métrique	Même calcul pour tous les outils

Pour les dépendances Python, je pars généralement comme ça.

Pour Prophet : pip install prophet

Pour NeuralProphet : pip install neuralprophet

Pour TimeGPT via Nixtla : pip install nixtla

Pour Chronos : pip install chronos-forecasting

Pour AutoGluon TimeSeries : pip install autogluon.timeseries

TimeGPT nécessite une clé API Nixtla, donc je note bien que le modèle tourne via un service externe. Prophet et NeuralProphet se prêtent bien à un entraînement local, sur votre machine ou votre serveur. Chronos peut demander plus d’attention côté environnement, notamment les dépendances, la version de Python, et parfois un GPU si on veut aller vite ou traiter beaucoup de séries.

Pour Prophet, la structure attendue est très simple. La colonne ds contient la date. La colonne y contient la valeur à prévoir.

ds,y
2024-01-01,120
2024-01-02,135
2024-01-03,128
2024-01-04,142

Les points de vigilance sont basiques, mais ils évitent les mauvaises conclusions. Je documente les versions des librairies, je garde le même découpage temporel, je vérifie les valeurs manquantes, et je fais très attention à ne jamais laisser des périodes futures entrer dans l’entraînement. Sinon le modèle triche sans le dire, et les résultats ont l’air meilleurs qu’ils ne le sont vraiment.

Quand choisir Prophet ?

Je choisis Prophet quand j’ai besoin d’un modèle simple, rapide à expliquer, robuste pour une première baseline business. Baseline, ça veut juste dire un premier modèle de référence, pas parfait, mais assez solide pour comparer les options ensuite.

Prophet est un outil open-source créé chez Facebook, aujourd’hui associé à Meta. Il a été pensé pour les séries temporelles business, avec une idée assez pragmatique : séparer la prévision en tendance, saisonnalités et événements spéciaux. Typiquement, les ventes qui montent dans le temps, les pics du lundi, les creux d’août, les effets Black Friday ou jours fériés.

Son format est volontairement simple. Il attend un tableau avec deux colonnes obligatoires : ds pour la date, et y pour la valeur à prédire. C’est bête, mais c’est aussi ce qui le rend facile à brancher dans un premier workflow data.

Les forces de Prophet sont très utiles quand on parle avec des équipes métier :

• Lisibilité : On comprend assez vite ce que le modèle essaie de faire.
• Intervalles d’incertitude : On n’a pas juste une prévision, on a aussi une fourchette basse et haute.
• Saisonnalités : Il gère naturellement les cycles hebdomadaires, annuels, ou personnalisés.
• Événements : On peut ajouter des jours fériés, promotions, campagnes marketing ou périodes exceptionnelles.

Voilà un exemple court en Python :

import pandas as pd
from prophet import Prophet

df = pd.DataFrame({
    "ds": pd.date_range(start="2024-01-01", periods=120, freq="D"),
    "y": [100 + i * 0.4 + (10 if i % 7 in [5, 6] else 0) for i in range(120)]
})

model = Prophet()
model.fit(df)

future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)

print(forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail())

Ses limites arrivent assez vite sur des cas plus fins. Si la série dépend fortement de valeurs retardées complexes, de beaucoup de variables externes, ou de patterns non linéaires difficiles à capturer, Prophet peut devenir trop simple. J’ai souvent vu ça sur des sujets de pricing ou de demande très influencée par la météo, les stocks, la concurrence, les campagnes, tout en même temps.

Prophet est rarement le dernier mot. Mais c’est souvent le meilleur premier test, parce qu’il donne vite une prévision défendable devant des équipes métier, sans transformer le projet en usine à gaz dès le départ.

Quand passer à NeuralProphet ?

Je passe à NeuralProphet quand Prophet est trop limité, mais que je veux garder une logique assez compréhensible. C’est souvent le bon entre-deux : plus puissant que Prophet, moins “boîte noire complète” qu’un gros modèle deep learning fait maison.

NeuralProphet reprend l’esprit de Prophet : une tendance, des saisonnalités, des jours spéciaux, une approche assez lisible. Mais il ajoute une couche neuronale avec PyTorch, la librairie Python utilisée pour entraîner des réseaux de neurones. Le vrai changement, c’est qu’il peut apprendre à partir des valeurs passées de la série, ce qu’on appelle l’autoregression. En clair, le modèle regarde les derniers jours, semaines ou mois pour prédire la suite, au lieu de se contenter d’une tendance globale et de saisonnalités.

Je le regarde surtout dans ces cas-là :

• La valeur récente influence fortement la valeur future, par exemple les ventes d’hier et d’avant-hier expliquent bien les ventes de demain.
• J’ai des variables explicatives utiles, comme une promo, un budget média, une météo, un niveau de stock ou un trafic web.
• Prophet capte la tendance et la saisonnalité, mais rate encore des comportements plus locaux, plus nerveux, plus dépendants du passé récent.

Un exemple simple ressemble à ça :

import pandas as pd
import numpy as np
from neuralprophet import NeuralProphet

# Série quotidienne simple avec colonnes ds et y
df = pd.DataFrame({
    "ds": pd.date_range("2023-01-01", periods=300, freq="D"),
    "y": 100 + np.sin(np.arange(300) / 7) * 10 + np.random.normal(0, 3, 300)
})

model = NeuralProphet(
    n_lags=14,        # Le modèle regarde les 14 dernières valeurs
    n_forecasts=7,    # Il prédit 7 périodes à l'avance
    weekly_seasonality=True,
    yearly_seasonality=False
)

metrics = model.fit(df, freq="D")

future = model.make_future_dataframe(
    df,
    periods=30,
    n_historic_predictions=True
)

forecast = model.predict(future)

print(forecast[["ds", "yhat1"]].tail())

Il faut quand même rester lucide. NeuralProphet ajoute des paramètres, des dépendances, un entraînement parfois plus sensible, et une interprétation moins directe que Prophet. J’ai déjà vu des projets où le gain était réel, et d’autres où on avait juste ajouté de la complexité pour rien. Petit détail pratique aussi : selon les versions de PyTorch et NeuralProphet, on peut tomber sur des soucis autour de torch.load et du paramètre weights_only=False. Ce n’est pas le sujet principal, mais ça peut faire perdre du temps en environnement de prod.

Ma règle est simple. Si Prophet suffit, je ne complexifie pas. Si les lags, donc les valeurs retardées, et les covariables apportent vraiment quelque chose, NeuralProphet devient une bonne étape intermédiaire avant d’aller vers des modèles plus lourds.

TimeGPT ou Chronos pour aller plus loin ?

Je regarde TimeGPT ou Chronos quand je veux tester des approches foundation model, surtout si je cherche à gagner du temps sur la mise en place ou à évaluer des modèles pré-entraînés. Un foundation model, c’est un modèle déjà entraîné sur beaucoup de données, qu’on réutilise ensuite sur ses propres cas sans repartir de zéro.

TimeGPT, c’est le modèle de prévision de séries temporelles proposé par Nixtla, accessible via API. Une API, c’est simplement un service qu’on appelle depuis son code, au lieu d’installer et d’entraîner tout localement. Son gros intérêt, c’est le démarrage rapide. Vous envoyez vos données, vous récupérez des prévisions, et vous pouvez benchmarker assez vite une approche moderne.

Je le trouve pratique quand un client veut savoir “est-ce que ce type de modèle peut battre notre Prophet actuel ?” Sans monter une infra ML complète. La contrepartie est claire : il faut une clé API, il peut y avoir un coût, vous dépendez d’un service externe, et les sujets de confidentialité ou de gouvernance des données doivent être regardés sérieusement. Surtout si vos séries contiennent du chiffre d’affaires, des volumes clients ou des données sensibles.

Chronos, de son côté, est une famille de modèles foundation pour séries temporelles avec des poids ouverts, popularisée par Amazon. Le principe est assez malin : les valeurs de la série sont transformées en “tokens”, un peu comme les mots dans un modèle de langage. Le modèle apprend alors à prédire la suite de la séquence.

L’intérêt, c’est le contrôle. Vous pouvez expérimenter localement, intégrer les modèles dans des environnements ML comme Hugging Face ou AutoGluon TimeSeries, et garder plus de maîtrise sur vos données. Mais ça demande plus de technique. Il faut gérer l’environnement, les dépendances, parfois le GPU, et surtout valider la maturité opérationnelle avant d’en faire un outil de production.

Je ne choisirais pas entre TimeGPT et Chronos sur une promesse magique de performance. Sans benchmark sur vos données, ça ne veut pas dire grand-chose. Le vrai critère, c’est votre contrainte : rapidité et simplicité API avec TimeGPT, contrôle et expérimentation open-weight avec Chronos.

Outil	Interprétabilité	Effort de setup	Dépendance externe	Puissance	Meilleur usage
Prophet	Bonne	Faible	Faible	Correcte	Prévisions métier simples, saisonnalités lisibles, baseline rapide.
NeuralProphet	Moyenne	Moyen	Faible	Bonne	Cas avec effets non linéaires et besoin d’un modèle plus flexible.
TimeGPT	Faible à moyenne	Très faible	Forte	Élevée à tester	Benchmark rapide d’un modèle pré-entraîné via API.
Chronos	Faible à moyenne	Élevé	Faible à moyenne	Élevée à tester	Expérimentation ML locale, contrôle des poids et intégration avancée.

Alors je prends lequel pour votre prévision ?

Je partirais simple. Prophet pour poser une baseline claire, explicable et rapide à challenger. NeuralProphet si les valeurs passées et les covariables comptent vraiment. TimeGPT si vous voulez tester vite une approche moderne via API, sans monter toute l’infra. Chronos si vous voulez explorer les foundation models avec plus de contrôle sur les poids et l’environnement.

Le bon choix dépend rarement d’un seul score. Il dépend de vos équipes, de vos données, de votre budget, de vos contraintes de déploiement. Le bénéfice pour vous, c’est d’éviter le modèle brillant mais inutilisable, et de choisir une prévision qui aide vraiment à décider.

FAQ

• Quel est le meilleur outil pour démarrer en prévision de séries temporelles ?
  Je commencerais souvent par Prophet. Il est simple, open-source, rapide à tester et assez lisible pour des équipes métier. Il donne une baseline propre avec tendance, saisonnalité et intervalles d’incertitude.
• Quelle différence entre Prophet et NeuralProphet ?
  Prophet reste plus statistique et très explicable. NeuralProphet ajoute des briques neuronales avec PyTorch, comme l’autoregression, les valeurs retardées et les covariables. Je le vois comme une étape intermédiaire quand Prophet devient trop simple.
• TimeGPT peut-il remplacer un modèle entraîné en interne ?
  Il peut accélérer un test ou un benchmark, surtout via son API. Mais il faut regarder le coût, la dépendance au service, la confidentialité des données et vos contraintes de déploiement avant d’en faire une brique centrale.
• Chronos est-il adapté à une équipe data classique ?
  Oui, si l’équipe est à l’aise avec les modèles pré-entraînés, les dépendances ML et parfois des ressources machine plus sérieuses. Chronos est intéressant pour explorer les foundation models à poids ouverts, mais il demande plus de maîtrise qu’un Prophet.
• Faut-il choisir l’outil avec la meilleure précision ?
  Pas uniquement. La précision compte, évidemment. Mais je regarde aussi l’interprétabilité, la vitesse, la scalabilité, le coût, la maintenance et le déploiement. Un modèle un peu moins performant mais compris et utilisé peut créer beaucoup plus de valeur.

 

 

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en Tracking avancé server-side, Analytics Engineering, automatisation No/Low Code avec n8n, intégration de l’IA en entreprise et SEO/GEO. Avec mon agence webAnalyste et l’organisme Formations Analytics, j’accompagne des équipes qui veulent fiabiliser leurs données, automatiser leurs traitements et rendre l’IA vraiment exploitable dans le business. J’ai travaillé avec des références comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez mettre en place une prévision fiable ou industrialiser vos cas IA, contactez-moi.