Cet article propose une nouvelle architecture dorsale, le Temporal Evidence Fusion Network (TEFN), qui allie précision et efficacité dans la prévision des séries temporelles. TEFN capture l'incertitude dans les dimensions canal et temporelle des données de séries temporelles multivariées en introduisant un module d'attribution de probabilité par défaut (BPA) basé sur la théorie des preuves. Nous développons ensuite une nouvelle méthode de fusion multi-informations qui intègre efficacement les informations des deux dimensions issues du BPA, améliorant ainsi la précision des prévisions. Les résultats expérimentaux démontrent que TEFN atteint des performances comparables à celles des méthodes de pointe tout en réduisant considérablement la complexité et le temps d'apprentissage. De plus, TEFN présente une grande robustesse en minimisant la variance d'erreur lors de la sélection des hyperparamètres, et son BPA dérivé de la théorie floue offre une grande interprétabilité. Par conséquent, TEFN est une solution intéressante pour la prévision des séries temporelles qui concilie précision, efficacité, robustesse et interprétabilité.
