Transformer la prévision en problème supervisé consiste à construire des features à partir du passé : valeurs décalées, statistiques glissantes, composantes de calendrier (jour, mois, jour férié). Un modèle tabulaire comme un gradient boosting peut alors prédire. Toutes les features doivent être connues au moment de la prévision.
Exemple
df['lag_1'] = df['y'].shift(1)
df['moy_7'] = df['y'].shift(1).rolling(7).mean()