donnees_meteo/docs/11 - Modèle Chronos/index.md

# Modèle Chronos-2 (foundation model HF)

Dans les chapitres précédents, on a testé des modèles “fabriqués maison” (linéaires, arbres, forêts, boosting) sur nos données locales.
Ici, on bascule dans un autre monde : celui des modèles de prévision pré‑entraînés sur de vastes jeux de séries temporelles.

**Chronos‑2**, développé par Amazon et distribué notamment via [Hugging Face](https://huggingface.co/amazon/chronos-t5-small) et le dépôt [chronos‑forecasting](https://github.com/amazon-science/chronos-forecasting), est un modèle de type “foundation” capable de produire des prévisions probabilistes sur des séries très variées.

L’objectif est de le tester en zéro‑shot sur notre station : lui fournir uniquement l’historique local (sans ré‑entraînement), lui demander une prévision et voir comment il se comporte face aux observations et aux modèles précédents.

## Première passe : choix de la taille du modèle (horizon 96 h)

On commence par un exercice simple : prédire les 96 dernières heures de température à partir des 336 heures précédentes, en faisant en resampling de la série à l’heure.
On coupe donc les 96 h finales, on fournit à Chronos le contexte horaire, et on compare sa prévision aux observations.

```shell
python "docs/11 - Modèle Chronos/scripts/run_chronos.py"
```

Ce script s’appuie sur quelques variables d’environnement pour contrôler le comportement du modèle :

- `CHRONOS_CONTEXT` : longueur du contexte temporel fourni au modèle (ici 336 h, soit 14 jours) ;
- `CHRONOS_HORIZON` : horizon de prévision demandé (96 h) ;
- `CHRONOS_RESAMPLE` : pas temporel utilisé (`1h`) ;
- `CHRONOS_SAMPLES` : nombre d’échantillons générés pour lisser la prévision (20).

Sur cette même fenêtre de validation locale, on teste trois tailles de modèle (`CHRONOS_MODEL`) : `chronos-t5-mini`, `chronos-t5-small` et `chronos-t5-base`. Le script de comparaison :

```shell
python "docs/11 - Modèle Chronos/scripts/compare_chronos.py"
```

produit la figure suivante, qui résume la performance par taille.

![Comparaison des tailles Chronos](./figures/chronos_models_comparison.png)

Le modèle **small** ressort comme le meilleur compromis : MAE ≈ 3,68 °C, RMSE ≈ 4,53 °C, alors que les versions mini et base sont derrière (MAE ≈ 4,18–4,24 °C, RMSE ≈ 5,3–5,6 °C) sur cette fenêtre.
Autrement dit, “monter en taille” n’améliore pas la prévision à 96 h sur nos données ; Chronos‑small fait ici légèrement mieux que ses voisins, pour un coût de calcul encore raisonnable.

On peut ensuite inspecter, pour chaque taille, la trajectoire temporelle prédit vs observé :

#### chronos-t5-mini

![Trajectoire prédit vs observé – mini](./figures/chronos_forecast_amazon__chronos-t5-mini.png)

#### chronos-t5-small

![Trajectoire prédit vs observé – small](./figures/chronos_forecast_amazon__chronos-t5-small.png)

Le modèle small suit un peu mieux la courbe de référence que les autres, même si l’amplitude reste importante à 96 h.

#### chronos-t5-base

![Trajectoire prédit vs observé – base](./figures/chronos_forecast_amazon__chronos-t5-base.png)

Au terme de cette première passe, on retient donc `chronos-t5-small` comme taille “par défaut” pour la suite des expériences.

## Évaluation multi-horizons locale (1 h, 6 h, 24 h)

Pour comparer plus finement à notre cadre prédictif local, on évalue ensuite Chronos‑small sur des horizons plus courts, en restant au pas horaire (Chronos n’est pas pré‑entraîné au pas 10 minutes).
Le script suivant demande au modèle de prévoir la température, le vent et la pluie à 1 h, 6 h et 24 h :

```shell
python "docs/11 - Modèle Chronos/scripts/run_chronos_multi.py"
```

Les trois figures suivantes montrent la performance par horizon :

![Chronos small – température (1/6/24 h)](./figures/chronos_multi_temperature.png)

![Chronos small – vent (1/6/24 h)](./figures/chronos_multi_wind_speed.png)

![Chronos small – pluie (1/6/24 h)](./figures/chronos_multi_rain_rate.png)

On y voit que :

- à 1 h, la température reste sous ~1,3 °C de MAE et le vent sous ~0,6 km/h ;
- à 6 h, l’erreur grimpe modérément (≈2 °C pour la température, ≈3 km/h pour le vent) ;
- à 24 h, elle dépasse 4–6 unités (°C / km/h) ;
- sur la pluie, le F1 reste nul à 1 h/6 h et ne monte qu’à ~0,15 à 24 h, signe que ce modèle “foundation” horaire ne capture pas bien les occurrences locales rares.

Pour avoir une vue plus synthétique, on combine les erreurs sur plusieurs figures :

```shell
python "docs/11 - Modèle Chronos/scripts/plot_chronos_errors_combined.py"
```

![Chronos small – erreurs temp/vent](./figures/chronos_multi_errors_temp_wind.png)

![Chronos small – pluie (F1/Brier)](./figures/chronos_multi_errors_rain.png)

Enfin, un script dédié permet de comparer directement, pour plusieurs tailles de Chronos, l’erreur absolue en fonction de l’horizon :

```shell
python "docs/11 - Modèle Chronos/scripts/run_chronos_multi_errors.py"
```

![Erreur absolue vs horizon – mini/small/base](./figures/chronos_errors_combined.png)

Au final, dans cette configuration zéro‑shot, Chronos‑small fournit un signal exploitable sur la température (surtout à 1–6 h) et un peu sur le vent, mais reste faible sur la pluie et se dégrade nettement au‑delà de 24 h.
Pour en faire un outil de prévision robuste sur toutes les variables, il faudrait envisager une calibration locale, davantage de contexte ou des cibles adaptées (par exemple une pluie binaire mieux calibrée).

## Réglages plus prudents (contexte 288 h, horizon limité à 64 h, 100 échantillons)

Une troisième série d’essais cherche à voir si un Chronos‑small “raisonnablement bridé” se comporte mieux qu’une version trop ambitieuse.
L’idée : moins de contexte, un horizon maximum plus court, mais davantage d’échantillons pour lisser la prévision :

```shell
python "docs/11 - Modèle Chronos/scripts/run_chronos_tuned.py"
```

![Chronos small réglé – température](./figures/chronos_tuned_temperature.png)

![Chronos small réglé – vent](./figures/chronos_tuned_wind_speed.png)

![Chronos small réglé – pluie](./figures/chronos_tuned_rain_rate.png)

Avec ces réglages (contexte 288 h, horizon limité à 64 h, 100 échantillons), la température s’améliore nettement sur la même fenêtre locale : MAE ~0,75 °C à 1 h, ~1,27 °C à 6 h, ~3,40 °C à 24 h (contre ~1,33/2,02/4,84 auparavant).

Le vent progresse surtout à 24 h (≈2,39 km/h contre ~6,38 km/h initialement), même si l’horizon 1 h est un peu moins bon.
La pluie reste instable : le F1 peut atteindre 0,22–0,28 à 24–48 h, mais les scores à court terme demeurent peu fiables.

En pratique, raccourcir le contexte, limiter l’horizon et augmenter le nombre d’échantillons améliore donc nettement la température et le vent, mais ne suffit pas à rendre la pluie réellement prédictible à partir de cette seule station.

## Dernier essai quasi “en conditions réelles” : prévision sur les 6 dernières heures

Pour terminer, on simule une situation d’usage : prévoir les 6 prochaines heures à partir de l’historique immédiatement disponible, sans les connaître à l’avance.

On masque donc les 6 dernières heures de la série, on fournit à Chronos‑small 288 h de contexte, et on lui demande la prévision correspondante :

```shell
python "docs/11 - Modèle Chronos/scripts/run_chronos_holdout6.py"
```

![Chronos small – erreurs 6 h holdout](./figures/chronos_holdout6_errors.png)

Sur ces 6 pas, les moyennes des erreurs absolues sont les suivantes : température ~0,84 °C, vent ~1,2 km/h, direction ~3,9°, pression ~5,3 hPa, humidité ~24 %.

Les erreurs restent très contenues sur température et vent, la direction est raisonnable (quelques degrés de décalage) ; la pression dérive (≈5 hPa) et l’humidité est clairement décalée.

Ce test, modeste, mais concret, confirme que Chronos peut fournir des tendances crédibles à très court terme (<6 h) sur la température et le vent dans ce cadre zéro‑shot, mais qu’il reste peu fiable sur l’humidité et la pluie, où l’on a vu plus haut que les occurrences locales rares sont difficiles à capter pour un modèle généraliste.