Taux d'encadrement : 50% (direction: Nataliya Sokolovska, encadrant entreprise : Yann Le Biannic)

Thèse : Cifre SAP

Dates : 2026-

Prédictions causales, multivariées et probabilistes pour les séries temporelles

Il s'agira dans cette thèse d'étudier la causalité et ses atouts pour la prédiction des séries temporelles dans un contexte de données financières d'entreprises. Bien que la causalité appliquée aux séries temporelles ait été étudiée en profondeur ces dernières décennies [ADG23], certains problèmes ne sont pas encore résolus. La causalité actuelle se base sur un nombre limité de séries temporelles, alors qu'une entreprise peut être confrontée à une grande quantité de séries temporelles dont l'historique est court. Bien que des formes de causalité différentes aient été considérées [WNR24], leur étude demeure limitée, et essentiellement inexistante pour les séries temporelles.

La prédiction des séries temporelles a rapidement évolué ces dernières années. Des modèles causaux basés sur des graphes bayésiens [BGKRS15] sont obsolètes pour la prédiction par rapport à des modèles plus récents basés sur l’apprentissage profond [ASK+25,KLW+26]. Pourtant, ces derniers modèles ne sont pas complets ; ils prédisent juste des distributions de quantiles de variables individuelles futures et n’admettent aucun type d’intervention, alors que les interventions sont courantes dans les entreprises en raison de changements de régulation, aides publiques, traités commerciaux et droits de douane. Des modèles de fondation qui admettent des interventions ont été proposés pour les données tabulaires [RRG+25], mais cette même logique ne semble pas avoir été appliquée aux données temporelles avant le début de cette thèse.

Dans un premier temps, on tentera de concevoir et de proposer des techniques pour tenir compte des interventions dans des modèles de fondation pour les séries temporelles. Les interventions dans un cadre temporel demeurent moins étudiées que les classiques, et certaines interventions intéressantes pour des cas d’usage pratiques, comme celles qui modifient un mécanisme causal [HR25,TC26], n’ont pas beaucoup été traitées dans la littérature. Idéalement, on veut proposer des techniques qui tiennent compte d’interventions faites dans un intervalle de temps pour une ou plusieurs variables, et qui soient de type classique (l’intervention modifie la valeur d’une série temporelle en remplaçant la valeur qu’elle aurait eue sans intervention, sans rétropropagation dans le graphe causal, mais avec propagation vers les variables dépendantes) ou de type interventionnel sur le mécanisme (dans notre cadre, on somme une quantité variable ou on multiplie par une quantité variable la valeur d’une série temporelle). Dans la mesure du possible, on veut pouvoir donner des distributions futures d’une seule variable, ainsi que d’agrégations de plusieurs variables dans le temps ou l’espace. Le fait de passer à des agrégations est également un sujet intéressant, mais qui n’est presque pas abordé.

Dans un second temps, on espère pouvoir étendre la causalité classique de séries temporelles à un contexte multivarié et structuré, avec des hiérarchies et des rapports entre groupes de variables différents, dans lequel les historiques des séries temporelles sont courts, mais où la causalité est préservée entre des groupes de séries temporelles liées par des relations bijectives ou hiérarchiques. Malheureusement, il n’y a pas de travaux sur ce sujet du point de vue de la découverte causale, bien qu’il y ait un progrès récent sur des sujets proches [LFH+25].

References

Ces informations sont issues du site HAL.