Cet article souligne que les méthodes existantes de prévision de séries chronologiques se concentrent sur la minimisation de l'erreur de prédiction globale sans tenir compte des différences d'importance des horizons de prédiction dans les applications en aval. Par conséquent, nous proposons une méthodologie d'apprentissage permettant aux modèles de prédiction de se concentrer sur des régions d'intérêt spécifiques à l'application lors de l'inférence, sans réapprentissage. Cette méthode segmente l'espace de prédiction en segments fins lors de l'apprentissage, puis les repondère et les agrège dynamiquement pour mettre en valeur les horizons cibles spécifiés par l'application. Contrairement aux méthodes existantes, cette méthode permet des ajustements flexibles et à la demande, sans définition préalable des horizons. Des expériences sur des benchmarks standard et un ensemble de données de communication sans fil récemment collecté démontrent que la méthode proposée améliore non seulement la précision des prédictions dans la région d'intérêt, mais offre également des avantages mesurables pour les performances des tâches en aval. Ces résultats soulignent le potentiel d'une intégration plus étroite entre la modélisation prédictive et la prise de décision dans les systèmes réels.
