Introduction : pourquoi les intervalles ordinaires ne sont pas fiables
Lorsqu'un modèle prédit plusieurs séries temporelles simultanément, il renvoie souvent non pas une valeur ponctuelle unique, mais une distribution entière de scénarios possibles — par exemple, sous forme d'un ensemble d'échantillons. C'est pratique pour analyser l'incertitude, mais pour les décisions pratiques, il faut des limites claires : « avec une probabilité de 95 %, l'indicateur se situera dans telle fourchette ». La façon la plus simple de les construire est de prendre des quantiles empiriques à partir des échantillons pour chaque série séparément. Cependant, cette approche ne fournit qu'un ensemble d'intervalles indépendants, ignorant la corrélation entre les séries. De plus, ces intervalles n'offrent aucune garantie formelle : la fréquence réelle de couverture peut s'écarter sensiblement de celle annoncée, en particulier lorsque la distribution des données évolue dans le temps.
Comment SPACE construit des ellipsoïdes adaptatifs
Un groupe de chercheurs — Baishi Li, Kelvin J. L. Kwa et Ke-Wei Huang — a proposé la méthode SPACE (Sample-cloud Predictive Adaptive Conformal Ellipsoids). Il s'agit d'une surcouche universelle qui peut être connectée à n'importe quel modèle probabiliste générant des échantillons prédictifs. Au lieu d'extraire la forme de la région à partir des erreurs historiques, SPACE examine le nuage d'échantillons actuel que le modèle a créé pour l'instant présent.
Estimation de la covariance à partir des échantillons
L'idée clé est de calculer la structure de covariance locale directement à partir de l'ensemble actuel de points prédictifs. Cette structure montre comment les valeurs sont dispersées pour chaque série et comment elles sont interdépendantes. Sur cette base, un ellipsoïde est construit — une « goutte » multidimensionnelle orientée le long des directions principales de dépendance entre les séries. Cette forme est bien plus précise qu'un rectangle d'intervalles indépendants : elle ne capture pas les zones vides où les échantillons ne tombent presque jamais, et pour le même niveau de couverture, elle nécessite moins d'espace.
Calibrage dynamique du rayon
Cependant, un ellipsoïde construit à partir des échantillons actuels ne suffit pas — il faut calibrer sa taille pour que la couverture réelle corresponde à la cible (par exemple, 90 %). SPACE résout ce problème grâce à un schéma dynamique de sélection de fenêtre rétrospective. L'algorithme décide lui-même combien d'erreurs récentes prendre en compte : si la distribution est stable, la fenêtre s'allonge pour utiliser plus de données ; si un changement se produit, la fenêtre se raccourcit pour ne pas contaminer le calibrage avec des informations obsolètes.
Résultats et comparaison
Dans des expériences sur différents ensembles de données multivariés et avec différents modèles probabilistes, SPACE a été comparé aux méthodes conformes existantes qui utilisent des fenêtres fixes ou cumulatives de résidus historiques. Les résultats montrent systématiquement que SPACE rapproche la couverture conjointe réelle et la couverture glissante du niveau nominal. Si 90 % sont annoncés, alors au fil du temps, environ 90 % des nouvelles observations se trouvent effectivement à l'intérieur de la région.
On obtient également un meilleur compromis entre la complétude de la couverture et l'efficacité : la région ne gonfle pas jusqu'à des dimensions absurdes, mais reste suffisamment compacte. Par rapport aux surcouches concurrentes, SPACE soit fournit une couverture plus précise pour la même surface, soit nécessite une surface plus petite tout en maintenant la couverture cible.
Importance pratique
Pour les entreprises et l'ingénierie, des intervalles de prédiction honnêtes sont une question de qualité des décisions. Un intervalle trop étroit conduit à une sous-estimation des risques, un intervalle trop large dévalorise la prédiction. SPACE aide à construire des régions multivariées qui conservent leurs garanties même en période d'instabilité. C'est particulièrement important pour les marchés financiers, la logistique, la surveillance des systèmes techniques et la gestion des stocks, où les changements sont rapides et où un retard d'adaptation de l'algorithme coûte cher.
Conclusion
SPACE résout un problème de longue date de la prédiction conforme : elle cesse d'être prisonnière du passé et commence à utiliser l'information contenue dans la prédiction actuelle. Le calibrage dynamique du rayon rend la méthode robuste aux changements de régime, et la forme ellipsoïdale prend naturellement en compte les corrélations entre les séries. C'est une avancée pratique qui rend la prédiction probabiliste multivariée plus fiable et plus adaptée aux problèmes réels.
