Prévisions de séries temporelles : Définition, fonctionnement et modèles de prévision

Prévisions saisonnières naïves

Dans le cas des prévisions saisonnières naïves, la période saisonnière la plus récente est conservée et mise à jour pour l'horizon de prévision souhaité. Par exemple, la prévision pour le mois de février suivant correspond à la valeur du dernier mois de février observé. Dans les cas où il n'existe pas de structure saisonnière claire, cela peut conduire à des valeurs d'erreur similaires pour les prévisions naïves et les prévisions saisonnières naïves.

Marche aléatoire avec dérive

Un autre modèle simple pour la prévision de séries temporelles est Random Walk with Drift. Ici, on suppose qu'une valeur future est basée sur sa première valeur de retard, à laquelle on ajoute une constante et l'erreur. En général, sur une période donnée, la série temporelle dérive dans une direction négative si la constante est négative et dans une direction positive si la constante est positive. 

Méthode Theta

En tant qu'algorithme fréquemment utilisé dans le cadre de concours de prévision, la méthode thêta est également incluse dans cette introduction. En substance, après une correction des variations saisonnières, plusieurs séries temporelles - appelées lignes thêta - sont générées à partir de la courbure locale de la série temporelle au moyen d'un lissage exponentiel. Chacune de ces lignes est extrapolée séparément et les prévisions correspondantes sont ensuite combinées.

Lissage exponentiel - ETS

La base des prévisions avec Exponential Smoothing - ETS est constituée par les moyennes pondérées des observations passées. Il existe plusieurs algorithmes de prévision ETS différents qui peuvent être utilisés en fonction des séries chronologiques disponibles. Les deux composantes qui caractérisent l'utilisabilité d'une méthode sont la tendance (aucune, additive, additive atténuée) et la saisonnalité (aucune, additive et multiplicative). Une troisième composante (erreur) est ajoutée pour faire la distinction entre l'état additif et l'état amorti additif. Par conséquent, trois paramètres sont utilisés pour ETS : Erreur, Tendance et Saisonnalité.

Modèles ARIMA

La combinaison de l'auto-régression, de la différenciation et de la moyenne mobile qui caractérise les modèles ARIMA peut être déterminée à l'aide de trois paramètres (p, d, q) : p représente le nombre de termes autorégressifs, d le degré des premières différences non saisonnières nécessaires pour la stationnarité et q le nombre d'erreurs de prévision retardées dans la composante de la moyenne mobile. En se basant sur des observations pondérées du passé, il est donc possible de déterminer une prévision correspondante au moyen d'une équation.

Réseaux neuronaux

En outre, il existe toute une série d'autres méthodes de prédiction, en particulier dans le domaine des réseaux neuronaux, qui dépassent toutefois le cadre de cet article.

Conclusion : pourquoi les prévisions sont-elles importantes pour le succès de votre entreprise ?

De bonnes prévisions sont essentielles dans le cadre d'une planification et d'une gestion d'entreprise réussies. Pour ce faire, il existe toute une série d'algorithmes qui analysent les données du passé afin d'identifier des modèles récurrents. Sur la base de ces connaissances, des prévisions sont établies pour l'avenir, mais elles sont toujours liées à un certain degré d'incertitude. Savoir délimiter et nommer clairement cette incertitude fait également partie intégrante d'une bonne prévision.

Un défi central pour les utilisateurs reste la question de savoir sous quel type de série temporelle quelle méthode de prévision présentée a le plus de chances de faire ses preuves. C'est sur cette question que porte mon travail de master chez s-peers AG. La principale conclusion est la suivante : L'utilisation combinée de plusieurs algorithmes de prévision peut, dans certaines conditions, fournir des résultats nettement plus fiables qu'une seule des méthodes présentées ici.