ARIMA et SARIMA
- Leçon 12
- 40 min
- Module 4 : Méthodes statistiques
Où nous en sommes
Le lissage exponentiel nous a donné une prévision statistique solide. Il décrit une série par son niveau, sa tendance et sa saison. Dans cette leçon, nous découvrons ARIMA, qui prévoit à partir des valeurs et des erreurs passées. Nous voyons quand il apporte un gain par rapport à ETS.
Leçon 12 sur 27 · Prévision et séries chronologiques : prévoir la suiteARIMA et SARIMA
1. Les prévisions servent des décisions
2. Lire une série chronologique
3. Références de base et tests honnêtes
4. Méthodes statistiques
5. Méthodes par apprentissage automatique
6. Séries difficiles et séries nombreuses
7. L'incertitude et la décision
8. Exploiter une prévision en production
Ce que vous saurez faire
Prévoyez à partir des valeurs et des erreurs passées d’une série avec ARIMA. Laissez AutoARIMA choisir le modèle. Lisez son intervalle de prévision, qui s’élargit avec l’horizon. Puis utilisez le tableau du test rétrospectif pour décider quand ARIMA justifie son coût par rapport à ETS.
Carnet JupyterFaites cette leçon dans un carnet
Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Il calcule les différences à la main et ajuste AutoARIMA au parasol, avec son intervalle. Il montre ce qui ne fonctionne pas sans saison. Puis il compare AutoARIMA à ETS dans un petit test rétrospectif (backtest). Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Aucune préparation locale n’est nécessaire. Environ 40 minutes, dont environ 100 secondes d’attente.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- ETS, AutoETS et le tableau du test rétrospectif, vus dans Lissage exponentiel (ETS, Holt-Winters).
- Les ventes d’hier prédisent celles d’aujourd’hui (autocorrélation), vu dans Hier prédit aujourd’hui.
- La dispersion et les percentiles, vus dans Décrire un jeu de données du cours de mathématiques.
Ce qu’il vous faut sur votre ordinateur
Rien : le carnet fonctionne dans Colab ou Kaggle. Pour l’exécuter sur votre ordinateur, utilisez Python 3.12 avec Jupyter ou VS Code. La première cellule du carnet installe les paquets.
Testé avec Python 3.12, pandas 2.3.3 et statsforecast 2.1.1, dans Jupyter sur macOS.
Comment le retard d’un autobus se propage
Section intitulée « Comment le retard d’un autobus se propage »Imaginez une ligne d’autobus avec dix arrêts. À l’arrêt 3, l’autobus a 6 minutes de retard. Quel sera son retard à l’arrêt 4?
- Il sera probablement encore en retard, mais un peu moins. Le conducteur rattrape une partie du retard à chaque arrêt. Donc, le dernier retard prédit le suivant, en partie.
- À l’arrêt 5, des travaux routiers ajoutent 4 minutes. Cette surprise se fait encore sentir aux arrêts 6 et 7. Puis elle disparaît. Donc, une surprise récente prédit aussi les prochains retards, pendant un court moment.
ARIMA prévoit de la même façon. Il utilise une partie des dernières valeurs et une partie des dernières surprises.
Le problème : les références de base utilisent le passé en tout ou rien
Section intitulée « Le problème : les références de base utilisent le passé en tout ou rien »Dans Hier prédit aujourd’hui, les ventes du parasol étaient fortement liées à celles de la veille. L’autocorrélation au décalage (lag) 1 était de 0,827. Hier nous en dit beaucoup sur aujourd’hui, mais pas tout.
La prévision naïve utilise cette relation en tout ou rien. Elle copie entièrement la dernière valeur, comme si la relation valait 1. La moyenne mobile traite hier comme n’importe lequel des 28 jours. Ni l’une ni l’autre ne demande aux données à quel point hier compte, ni combien de temps dure une surprise.
Kenji a aussi une deuxième question : « Votre prévision indique 12 parasols au jour 14. À quel point en êtes-vous sûr? Ça pourrait être 25? » Une méthode qui donne un seul nombre ne peut pas répondre.
L’idée : valeurs passées, différences et erreurs passées
Section intitulée « L’idée : valeurs passées, différences et erreurs passées »ARIMA est une famille de modèles à trois parties. Son nom contient une lettre pour chacune :
- AR, autorégressif (p) : la prochaine valeur est une somme pondérée des p dernières valeurs. « Auto » signifie que la série se prédit elle-même.
- I, intégré (d) : le modèle travaille sur les différences (aujourd’hui moins hier), calculées d fois. Il les additionne à la fin pour retrouver les valeurs.
- MA, moyenne mobile des erreurs (q) : la prochaine valeur utilise aussi les q dernières surprises. Ce sont les erreurs des propres prévisions du modèle à un pas. Cette « moyenne mobile » n’est pas celle du dernier module : elle calcule la moyenne des erreurs, pas des ventes.
Un modèle se nomme ARIMA(p, d, q). SARIMA, ARIMA saisonnier, ajoute les mêmes trois parties une saison en arrière : (P, D, Q), avec une saison de longueur s. Pour les ventes quotidiennes, s = 7. Ainsi, P = 1 signifie « la valeur une semaine auparavant ».
Un petit exemple : les différences
Section intitulée « Un petit exemple : les différences »Les parties AR et MA ont besoin d’une série qui reste autour d’un niveau. Une série qui monte ne le fait pas. Ses différences le font souvent :
| Jour | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|
| Valeur | 20 | 22 | 25 | 24 | 28 | 31 | 30 |
| Différence | +2 | +3 | −1 | +4 | +3 | −1 |
Les valeurs montent de 20 à 30. Les différences montent et descendent autour de leur moyenne, 1,67. C’est d = 1 : un seul calcul des différences.
Un petit exemple : une partie AR sur les différences
Section intitulée « Un petit exemple : une partie AR sur les différences »Supposons que le modèle ait appris « le prochain changement vaut la moitié du dernier ». C’est une partie AR avec un poids de 0,5 sur les différences. La dernière valeur est 30 et le dernier changement était −1 :
| Étape | Changement = 0,5 × dernier changement | Valeur = dernière valeur + changement |
|---|---|---|
| 1 | 0,5 × (−1) = −0,5 | 30 − 0,5 = 29,5 |
| 2 | 0,5 × (−0,5) = −0,25 | 29,5 − 0,25 = 29,25 |
| 3 | 0,5 × (−0,25) = −0,125 | 29,125 |
| 4 | −0,0625 | 29,0625 |
Le changement diminue à chaque étape, comme le retard de l’autobus. La prévision se stabilise près de 29. À long horizon, une prévision ARIMA sans saison se stabilise sur une ligne horizontale ou une tendance droite. La mémoire des dernières valeurs s’efface.
Pourquoi l’intervalle s’élargit
Section intitulée « Pourquoi l’intervalle s’élargit »Chaque étape de la prévision repose sur la prévision de l’étape précédente, pas sur une valeur réelle. Les erreurs s’accumulent donc. Prenons le cas le plus simple, une marche aléatoire : chaque jour vaut le précédent plus un pas aléatoire. Une erreur quotidienne de 3 unités augmente alors ainsi :
| Jours à venir | 1 | 4 | 9 | 14 |
|---|---|---|---|---|
| Erreur typique (3 × √jours) | 3,0 | 6,0 | 9,0 | 11,2 |
L’erreur augmente avec la racine carrée de l’horizon : quatre fois plus de jours, deux fois plus d’erreur. Dans les vrais modèles ARIMA, elle augmente plus lentement ou plus vite, mais elle augmente. Voilà pourquoi une prévision au jour 14 doit être moins sûre qu’une prévision pour demain.
AutoARIMA choisit le modèle
Section intitulée « AutoARIMA choisit le modèle »Il existe beaucoup de valeurs possibles pour p, d, q, P, D et Q. AutoARIMA de statsforecast vérifie d’abord si des différences sont nécessaires. Puis il essaie plusieurs combinaisons et garde celle avec le meilleur AICc, le score d’ajustement de la leçon précédente.
Dans le carnet, Priya l’ajuste au parasol jusqu’au dimanche 22 juin 2025, avec des intervalles à 80 % et à 90 % :
from statsforecast import StatsForecastfrom statsforecast.arima import arima_stringfrom statsforecast.models import AutoARIMA
parasol = load_sales(["P025"])origin = pd.Timestamp("2025-06-22")train = parasol[parasol["ds"] <= origin][["unique_id", "ds", "y"]]real = parasol[(parasol["ds"] > origin) & (parasol["ds"] <= origin + pd.Timedelta(days=14))]sf = StatsForecast(models=[AutoARIMA(season_length=7)], freq="D")fc = sf.forecast(df=train, h=14, level=[80, 90])sf.fit(train)print("model chosen:", arima_string(sf.fitted_[0, 0].model_).strip())fc["width 80%"] = fc["AutoARIMA-hi-80"] - fc["AutoARIMA-lo-80"]print(fc[["ds", "AutoARIMA", "AutoARIMA-lo-80", "AutoARIMA-hi-80", "width 80%"]].round(1).iloc[[0, 6, 13]].to_string(index=False))print("14-day total: AutoARIMA", round(fc["AutoARIMA"].sum(), 1), "| real", int(real["y"].sum()))level=[80, 90] demande deux intervalles. Un intervalle à 80 % devrait contenir la valeur réelle environ 8 jours sur 10. La sortie :
model chosen: ARIMA(0,1,2)(1,0,1)[7] ds AutoARIMA AutoARIMA-lo-80 AutoARIMA-hi-80 width 80%2025-06-23 10.5 5.4 15.7 10.22025-06-29 11.7 4.7 18.8 14.12025-07-06 11.9 3.1 20.8 17.714-day total: AutoARIMA 160.1 | real 197Description textuelle du diagramme
Le schéma comporte deux rangées de trois cases. La première rangée est bleue : c’est la partie quotidienne. p = 0 : aucune valeur passée. d = 1 : un calcul des différences, le changement d’un jour à l’autre. q = 2 : les 2 dernières erreurs. La deuxième rangée est orange : les mêmes parties une semaine en arrière, avec une saison de 7 jours. P = 1 : la valeur une semaine auparavant. D = 0 : aucune différence hebdomadaire. Q = 1 : l’erreur une semaine auparavant. Une note indique que (p, d, q) est la partie quotidienne. (P, D, Q)[7] représente les mêmes parties une saison en arrière. AutoARIMA garde la combinaison avec le meilleur score d’ajustement.
Pour le parasol, AutoARIMA modélise donc les changements quotidiens avec les deux dernières surprises et le même jour la semaine précédente. Il décrit la série autrement qu’ETS(A,N,A). Son total sur 14 jours est aussi différent : 160,1 contre 176,3 pour ETS.
L’intervalle s’élargit avec l’horizon
Section intitulée « L’intervalle s’élargit avec l’horizon »- Vendus
- AutoARIMA, intervalle à 80 %
- Intervalle à 90 %
Description textuelle du graphique
Le graphique montre quatre semaines de ventes de parasols avant le 22 juin 2025 par une ligne grise. Elles se situent surtout entre 1 et 25 par jour. Après l’origine, la prévision AutoARIMA est une ligne bleue entre 9,8 et 13,7 unités par jour. Deux lignes bleues en tirets montrent l’intervalle à 80 %. Il va de 5,4 à 15,7 au jour 1, et de 3,1 à 20,8 au jour 14. Deux lignes vertes en tirets montrent l’intervalle à 90 %, plus large. Les ventes réelles sont des points gris. La première semaine, elles se situent entre 4 et 13. Deux jours calmes, avec 4 et 6, sont juste sous l’intervalle à 80 %. Durant la semaine de la canicule, elles sont de 13, 11, 18, 16, 17, 24 et 48. Seules les deux dernières, 24 et 48, dépassent l’intervalle à 80 %.
La largeur de l’intervalle à 80 %, jour par jour :
Description textuelle du graphique
Un diagramme à cinq colonnes, une par jour. La largeur de l’intervalle à 80 % est de 10,2 unités au jour 1 et de 12,6 au jour 4. Elle est de 14,1 au jour 7, de 15,8 au jour 10 et de 17,7 au jour 14.
Kenji peut maintenant répondre à sa propre question. Au jour 14, la prévision est de 11,9 parasols. Les ventes devraient se situer entre 3,1 et 20,8 environ 8 jours sur 10. Ici, 10 des 14 jours réels étaient dans l’intervalle à 80 %. Deux jours calmes étaient en dessous, et les deux derniers jours de la canicule étaient au-dessus. Pendant la semaine de la canicule, chaque jour était près du haut de l’intervalle ou au-dessus. Le total sur 14 jours (197) dépassait largement la prévision (160,1). Un intervalle montre ce que le modèle ne sait pas. Il ne peut pas montrer une cause absente du passé du parasol, comme une canicule. Le module 7 vérifie les intervalles de chaque méthode et les utilise pour la commande.
Le parasol à chaque origine
Section intitulée « Le parasol à chaque origine »Explorer
AutoARIMA et ETS pour le parasol
Prédisez d’abord : Pour le parasol, qui gagne sur les 13 origines : AutoARIMA ou ETS?
- Vendus en 14 jours
- 101
- Prévision pour les 14 jours
- 106
- WAPE à cette origine
- 51,7 %
- WAPE, les 13 origines
- 62,6 %
À l’origine du 8 juin 2025, la méthode AutoARIMA prévoit 106 unités pour les 14 jours suivants. 101 unités ont été vendues. Sa WAPE ici est de 51,7 % : sa prévision est trop haute. Sur les 13 origines, la méthode AutoARIMA a une WAPE de 62,6 % : rang 1 sur 4 méthodes. Elle bat la référence de base, naïve saisonnière (66,1 %).
- Unités vendues
- Prévision de la méthode choisie
- Référence de base : naïve saisonnière
Montrer toutes les méthodes, classées
| Rang | Méthode | Famille | WAPE à cette origine | WAPE, les 13 origines |
|---|---|---|---|---|
| 1 | AutoARIMA | statistique | 51,7 % | 62,6 % |
| 2 | moyenne mobile (28 jours) | référence de base | 101,3 % | 64,9 % |
| 3 | ETS | statistique | 45,5 % | 65,1 % |
| 4 | naïve saisonnière | référence de base | 74,3 % | 66,1 % |
Description textuelle de l’explorateur
L’explorateur montre un graphique des ventes quotidiennes du parasol. Les quatre semaines avant l’origine choisie sont une ligne grise. Les 14 jours après sont des points gris dans une fenêtre de test ombrée. La prévision de la méthode choisie est une ligne bleue. La prévision naïve saisonnière est une ligne orange en tirets. Une bande au-dessus du graphique montre les 13 fenêtres de test de l’année. Les commandes permettent de choisir l’origine, du 13 avril 2025 au 15 mars 2026. Elles permettent aussi de choisir l’une des quatre méthodes : prévision naïve saisonnière, moyenne mobile sur 28 jours, ETS et AutoARIMA. L’affichage indique les unités vendues sur 14 jours, la prévision, la WAPE à cette origine et celle des 13 origines. La WAPE sur les 13 origines est de 62,6 % pour AutoARIMA et de 64,9 % pour la moyenne mobile (28 jours). Il est de 65,1 % pour ETS et de 66,1 % pour la prévision naïve saisonnière.
Pour le parasol, AutoARIMA est le meilleur des quatre : 62,6 % contre 65,1 % pour ETS. Le parasol connaît des suites de jours occupés et calmes qui suivent la météo. Les parties d’ARIMA liées aux erreurs suivent un peu mieux ces suites.
Larkfield : AutoARIMA dans le test rétrospectif du cours
Section intitulée « Larkfield : AutoARIMA dans le test rétrospectif du cours »Le cours a exécuté AutoARIMA dans le test rétrospectif complet, comme ETS : 50 produits, 13 origines, 650 ajustements. Le tableau contient maintenant ces lignes statistiques :
| Méthode | MASE | WAPE % | biais % | ajustement en s (13 origines) | coût en $ / commande |
|---|---|---|---|---|---|
| prévision naïve saisonnière | 1,034 | 51,3 | −0,5 | 0,05 | 16 739 |
| moyenne mobile (28 jours) | 0,875 | 43,5 | −0,1 | 0,1 | 19 444 |
| ETS (AutoETS) | 0,832 | 41,3 | +0,1 | 46 | 16 578 |
| AutoARIMA | 0,834 | 41,4 | +1,4 | 996 | 16 257 |
Pour l’erreur, ETS et AutoARIMA sont équivalents : 41,3 % et 41,4 %. Pour le coût, AutoARIMA coûte environ 320 $ US de moins par commande. Par produit, AutoARIMA a la WAPE la plus basse pour 19 des 50 : moins de la moitié.
Le temps est la grande différence :
Description textuelle du graphique
Un diagramme à trois colonnes sur un axe de 0 à 1 000 secondes. La prévision naïve saisonnière prend 0,05 seconde, ETS 46 secondes et AutoARIMA 996 secondes.
AutoARIMA cherche parmi plusieurs modèles pour chaque série à chaque origine, et chaque ajustement ARIMA est lent. Les temps d’ajustement varient d’environ 30 % d’une exécution à l’autre, mais le rapport reste élevé.
Quand ARIMA apporte un gain par rapport à ETS, et quand il n’en apporte pas
Section intitulée « Quand ARIMA apporte un gain par rapport à ETS, et quand il n’en apporte pas »ARIMA apporte un gain quand les erreurs ont une mémoire. Parfois, un jour occupé est suivi d’autres jours occupés, pour des raisons absentes du niveau ou de la saison. Les parties d’ARIMA liées aux erreurs suivent ces suites. Le parasol est une telle série : AutoARIMA y bat ETS (62,6 % contre 65,1 %). ARIMA peut aussi accepter des entrées supplémentaires, comme un indicateur de promotion. ETS ne le peut pas. La prochaine leçon utilise cette possibilité.
ARIMA n’apporte pas de gain quand le niveau, la tendance et la saison décrivent bien la série. C’est le cas de la plupart des produits de Larkfield : ETS est meilleur ou égal pour les 31 autres sur 50. ARIMA prend alors plus de 21 fois le temps, sans réduire l’erreur.
Ce que cela coûte :
- Temps : environ 1,5 seconde par ajustement ici, contre 0,07 pour ETS. Pour 600 séries chaque semaine, environ 15 minutes au lieu de moins d’une minute. Avec de longues saisons, beaucoup plus : la prochaine leçon le montre.
- Explication : « le niveau, plus un effet du samedi » est facile à expliquer à Kenji. « Deux termes de moyenne mobile sur les différences et un terme AR saisonnier » ne l’est pas.
- Stabilité : AutoARIMA peut choisir un autre modèle à la prochaine origine. Pour le parasol, il a choisi ARIMA(1,1,1)(1,0,1)[7] aux deux premières origines. Aux 11 autres, il a choisi ARIMA(0,1,2)(1,0,1)[7]. La prévision peut changer brusquement quand le modèle change, même si les données ont à peine changé.
Une bonne règle : commencez par ETS. Essayez AutoARIMA sur les séries où les erreurs d’ETS montrent encore des suites, ou si vous avez besoin d’une entrée supplémentaire. Gardez-le seulement si le test rétrospectif le justifie, selon le coût de la décision.
Erreur courante
AutoARIMA sans saison
Symptôme : Tomás exécute AutoARIMA() sur le parasol, sans arguments, pour les mêmes 14 jours après le 22 juin 2025 :
sf1 = StatsForecast(models=[AutoARIMA()], freq="D")fc1 = sf1.forecast(df=train, h=14)sf1.fit(train)print("model chosen:", arima_string(sf1.fitted_[0, 0].model_).strip())print("forecast:", fc1["AutoARIMA"].round(1).tolist())model chosen: ARIMA(0,1,2)forecast: [11.0, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1, 11.1]La prévision est une ligne horizontale à environ 11,1 parasols par jour. Les samedis et les mercredis calmes ont disparu.
Cause : la valeur par défaut de season_length (longueur de la saison) est 1 : aucune saison. AutoARIMA n’a pas du tout cherché de partie hebdomadaire. Il a trouvé un bon modèle quotidien, ARIMA(0,1,2). Ce modèle se stabilise sur une ligne horizontale après deux jours.
Correction : indiquez toujours la longueur de la saison : AutoARIMA(season_length=7) pour des données quotidiennes avec une saison hebdomadaire. AutoARIMA a alors choisi ARIMA(0,1,2)(1,0,1)[7], avec un motif hebdomadaire.
Conséquence pour le travail en IA : un modèle « automatique » cherche seulement là où ses paramètres le permettent. Une valeur par défaut peut supprimer sans avertissement ce que vous savez des données. Notez les paramètres et vérifiez que le modèle choisi contient les parties attendues.
Exercice guidé : AutoARIMA dans le carnet
Section intitulée « Exercice guidé : AutoARIMA dans le carnet »- Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
- Exécutez les cellules de préparation et la cellule utilitaire. La cellule de données se termine par la ligne
Ready:(prêt). - Dans la section 1, prédisez les six différences. Puis exécutez la cellule. Vous voyez
[2, 3, -1, 4, 3, -1]. - Dans la section 2, prédisez si l’intervalle est aussi large au jour 14 qu’au jour 1. Puis exécutez les deux cellules. Vous voyez le modèle et le graphique en éventail.
- Dans la section 3, prédisez la prévision sans saison. Puis exécutez la cellule. Vous voyez une ligne horizontale.
- Dans la section 4, exécutez le petit test rétrospectif : 10 produits, 4 origines. Vous voyez ETS à
35.3et AutoARIMA à36.5. Cela prend environ 100 secondes. - Dans la section 5, écrivez le décompte produit par produit dans la cellule Your turn (à vous), puis exécutez-la.
- Exécutez la cellule de vérification. Elle affiche
Check passed(vérification réussie).
À vous de jouer : le modèle avancé est-il meilleur pour la plupart des produits?
Section intitulée « À vous de jouer : le modèle avancé est-il meilleur pour la plupart des produits? »Tomás dit : « AutoARIMA est le modèle le plus avancé, donc il gagne pour la plupart des produits. » Dans le carnet (notebook) Jupyter, la section 4 teste rétrospectivement ETS et AutoARIMA sur 10 des 50 produits (un sur cinq). Elle utilise 4 des origines (une sur quatre, réparties sur l’année). Avant de calculer quoi que ce soit, faites une prédiction : pour combien des 10 produits AutoARIMA a-t-il l’erreur la plus faible? Pour chaque produit, additionnez les erreurs absolues de chaque méthode. Comptez les produits pour lesquels la somme d’AutoARIMA est plus petite. Placez ce nombre dans arima_wins.
Afficher la réponse
e_arima = (fc_arima["y"] - fc_arima["yhat"]).abs().groupby(fc_arima["unique_id"]).sum()e_ets = (fc_ets["y"] - fc_ets["yhat"]).abs().groupby(fc_ets["unique_id"]).sum()arima_wins = int((e_arima < e_ets).sum())print(arima_wins, "of", len(e_arima))2 of 10Pour ces 10 produits et 4 origines, AutoARIMA gagne pour 2 produits, et ETS pour 8. Dans le test rétrospectif complet du cours, AutoARIMA gagne pour 19 des 50 produits. Tomás a donc tort : le modèle plus complexe n’est pas meilleur pour la plupart des produits. Il est meilleur pour certains, et son ajustement prend plus de 21 fois plus de temps pour l’ensemble des produits.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Une série contient les valeurs 50, 53, 57, 56 et 60. Calculez ses différences. Une partie AR appliquée aux différences indique : « Le prochain changement vaut 0,4 fois le dernier changement. » Quelles sont les prévisions pour les deux prochains jours?
Afficher la réponse
Les différences sont +3, +4, −1 et +4. Le dernier changement est +4. Le prochain changement vaut donc 0,4 × 4 = 1,6, et la prévision est 60 + 1,6 = 61,6. Le changement suivant vaut 0,4 × 1,6 = 0,64. La prévision est donc 61,6 + 0,64 = 62,24. Les changements diminuent, donc la prévision se stabilise.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Kenji voit l'intervalle d'AutoARIMA pour le parasol : une largeur de 10,2 unités au jour 1 et de 17,7 au jour 14. Il demande : « Le modèle fonctionne-t-il mal au jour 14? » Que répondez-vous?
Afficher la réponse
Non. L’intervalle doit s’élargir. La prévision de chaque jour repose sur les prévisions des jours précédents, pas sur des valeurs réelles. Les erreurs s’additionnent donc. Dans une marche aléatoire, l’erreur typique augmente avec la racine carrée du nombre de jours. Quatre fois plus de jours donnent une erreur deux fois plus grande. Une prévision pour dans deux semaines doit être moins certaine qu’une prévision pour demain. Un modèle dont l’intervalle ne s’élargit pas prétend en savoir plus qu’il ne le peut.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Tomás veut remplacer ETS par AutoARIMA pour les 600 séries de produits. Utilisez le tableau du test rétrospectif pour expliquer ce qu'il gagne et ce que cela coûte.
Afficher la réponse
- Erreur : aucun gain. MASE de 0,834 contre 0,832, WAPE de 41,4 % contre 41,3 %. AutoARIMA gagne pour 19 des 50 produits, ETS pour les 31 autres.
- Coût : un petit gain, environ 320 $ US par commande (16 257 contre 16 578).
- Temps : plus de 21 fois plus long : 996 secondes contre 46 pour 650 ajustements. Pour 600 séries, cela représente environ 15 minutes par semaine, au lieu de moins d’une minute.
- Explication et stabilité : plus difficile à expliquer à Kenji, et le modèle choisi peut changer d’une semaine à l’autre.
Gardez ETS comme méthode par défaut. Utilisez AutoARIMA lorsque le test rétrospectif montre un gain pour la décision. Par exemple, pour des séries comme celle du parasol, ou lorsqu’une entrée supplémentaire est nécessaire.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- ARIMA(p, d, q) prévoit à partir des valeurs passées (AR, p), sur les différences (I, d), avec les erreurs passées (MA, q). SARIMA ajoute les mêmes parties avec un décalage d’une saison : (P, D, Q)[s].
- Les différences transforment une série croissante en changements autour d’un même niveau : 20, 22, 25 devient +2, +3.
- AutoARIMA a choisi ARIMA(0,1,2)(1,0,1)[7] pour le parasol. Sans
season_length(longueur de la saison), il a choisi ARIMA(0,1,2) et une prévision plate. - L’intervalle s’élargit avec l’horizon, car les erreurs des étapes s’additionnent. Pour le parasol, il passe de 10,2 unités au jour 1 à 17,7 au jour 14.
- Dans le test rétrospectif, AutoARIMA égale ETS pour l’erreur (41,4 % contre 41,3 %) et coûte un peu moins cher (16 257 $ US). Il prend plus de 21 fois plus de temps (996 secondes) et gagne pour 19 des 50 produits.
Vous pouvez maintenant ajuster ARIMA, lire ses six nombres et son intervalle qui s’élargit, puis juger si son temps de calcul vaut la peine. Jusqu’ici, chaque série avait une seule saison : la semaine. Dans la prochaine leçon, les billets de soutien par heure de Grace ont deux saisons : le jour et la semaine. Une saison de 168 heures rend ARIMA très lent.
Leçon suivante : Plusieurs saisons et longues séries