Quand les méthodes classiques sont-elles préférables à ML/DL pour la prévision de séries?

Les méthodes classiques de prévision des séries temporelles, telles que ARIMA, lissage exponentiel (ETS), conviennent souvent mieux lorsque :

• Les données ont un nombre limité d'observations, insuffisant pour entraîner des modèles ML/DL complexes.
• La série temporelle présente des composants saisonniers et de tendance évidents, que les modèles classiques décrivent bien.
• Une interprétabilité du modèle et une explicabilité des prévisions sont requises.
• Les ressources informatiques ou le temps d'entraînement sont limités.

Les modèles ML/DL, en revanche, sont efficaces avec de grands volumes de données, des dépendances non linéaires complexes et lorsque la généralisation automatique sans structure de modèle explicite est importante.

Ainsi, les méthodes classiques sont préférables pour des séries temporelles simples, bien structurées, avec des données limitées et des exigences d'interprétabilité.