TimeMCL est une méthode de prédiction de multiples séries temporelles futures possibles, s'appuyant sur le paradigme de l'apprentissage à choix multiples (MCL). Elle utilise plusieurs têtes dans un réseau neuronal et exploite la perte du principe « Winner-Takes-All » (WTA) pour accroître la diversité des prédictions. MCL a récemment attiré l'attention pour sa simplicité et sa capacité à gérer des tâches incertaines et ambiguës. Cet article applique ce cadre à la prévision des séries temporelles et présente une méthode efficace de prédiction de multiples futurs, en la liant à un objectif de quantification implicite. Nous fournissons des informations sur cette approche à l'aide de données synthétiques et l'évaluons sur des données de séries temporelles réelles, démontrant des performances prometteuses pour un faible coût de calcul.
