Les méthodes basées sur l'apprentissage automatique requièrent souvent d'utiliser un grand nombre de données d'entraînement afin d'obtenir de bonnes performances. Cependant, il y a des situations, comme la prévision de séries temporelles, où le traitement d'un trop grand nombre de données peut être problématique. Dans cette présentation, une méthodologie basée sur une stratification des séries temporelles basées sur un procédure de clustering est proposée pour une sélection préalable d'exemples d'entraînement. La technique est basée sur la construction de plis de façon déterministe par une stratification non supervisée, afin d'assigner des exemples similaires à des plis différents au lieu de procéder par un échantillonnage aléatoire. Les résultats obtenus montrent qu'avec un petit nombre d'exemples d'entraînement, obtenu grâce à la stratification des données, nous pouvons améliorer les performances et la stabilité des modèles tels que les réseaux de neurones artificiels (RNA) et les séparateurs à vastes marges pour la régression (SVR), à un coût de calcul réduit. Nous illustrons les propriétés de la méthodologie avec la prévision du prix horaire de l'énergie en Ontario (Hourly Ontario Energy Price, HOEP).