Cet article s'appuie sur des recherches récentes visant à recadrer les problèmes de régression dans la prédiction de séries temporelles comme des problèmes de classification, en discrétisant un espace cible continu pour réaliser des prédictions pour un ensemble fixe de classes. Pour résoudre le problème de perte d'informations sur la distance relative entre les valeurs cibles, fréquent dans le codage one-hot conventionnel, nous proposons le codage binaire cumulatif (CBE), qui préserve les informations d'ordre et de grandeur. Pour exploiter efficacement le CBE, nous proposons BinConv, une architecture de réseau neuronal entièrement convolutif pour la prédiction probabiliste. Nous démontrons que les couches convolutives, combinées au CBE, sont plus efficaces en termes de calcul et améliorent les performances de prédiction par rapport aux couches entièrement connectées. Les résultats expérimentaux sur des jeux de données de référence standard démontrent que BinConv surpasse les méthodes existantes en prédiction ponctuelle et probabiliste, tout en fournissant moins de paramètres et en accélérant l'apprentissage.