Lissage exponentiel (ETS, Holt-Winters)
- Leçon 11
- 40 min
- Module 4 : Méthodes statistiques
Où nous en sommes
Le tableau du test rétrospectif contient ses premières lignes : les prévisions naïves. Elles donnent le même poids à chaque jour passé, ou ne retiennent que le dernier. Dans cette leçon, nous découvrons le lissage exponentiel, où les jours récents comptent davantage. Nous y ajoutons une tendance et une saison.
Leçon 11 sur 27 · Prévision et séries chronologiques : prévoir la suiteLissage exponentiel (ETS, Holt-Winters)
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
Faites une prévision où les jours récents comptent davantage que les jours anciens, et ajoutez-y une saison hebdomadaire. C’est le lissage exponentiel (ETS). Il bat toutes les prévisions naïves du tableau du test rétrospectif et s’ajuste à 50 produits en moins d’une minute.
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 poids décroissants et ajuste ETS aux ventes du parasol. Ensuite, il exécute ETS dans le test rétrospectif du cours et le compare à la moyenne mobile, produit par produit. Enfin, il montre ce que fait ETS avec deux saisons. Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Vous n’avez donc rien à configurer localement. Environ 40 minutes, dont environ 1 minute 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
- Les quatre prévisions naïves et la fenêtre de la moyenne mobile, dans Prévisions naïves.
- Le test rétrospectif du cours (13 origines, 14 jours), dans Tester comme dans le futur : le test rétrospectif.
- WAPE, MASE, le biais et la colonne des coûts du tableau du test rétrospectif, dans Mesurer l’erreur qui compte.
- La tendance et la saison, dans Tendance, saison et bruit.
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 vous estimez votre temps de trajet
Section intitulée « Comment vous estimez votre temps de trajet »Pensez à votre trajet vers le travail. Combien de temps prendra-t-il demain? Vous ne calculez pas la moyenne de tous les trajets de la dernière année. Vous ne reprenez pas non plus seulement le trajet d’aujourd’hui. Vous pensez : « Cette semaine, ça prenait environ 35 minutes. Le mois dernier, c’était plutôt 30, mais les travaux routiers ont commencé depuis. »
Le trajet d’hier compte donc le plus. Les trajets de la semaine dernière comptent un peu moins. Ceux d’il y a plusieurs mois comptent très peu, mais vous ne les oubliez pas. Votre mémoire s’estompe. C’est l’idée de cette leçon.
Le problème : deux références de base, deux erreurs différentes
Section intitulée « Le problème : deux références de base, deux erreurs différentes »Dans le module précédent, deux références de base ont obtenu les meilleurs résultats, chacune à sa façon :
- La moyenne mobile sur 28 jours avait la WAPE la plus faible, à 43,5 %. Mais elle donne le même poids à chacun de ses 28 jours, et aucun au 29e jour. Elle donne aussi le même nombre pour chaque jour à venir et oublie donc la saison hebdomadaire.
- La prévision naïve saisonnière (le même jour de la semaine précédente) suit la saison hebdomadaire. Mais elle copie une seule semaine, avec tous ses imprévus. Sa WAPE était de 51,3 %.
Kenji, le planificateur des stocks, veut les deux à la fois : « Utilisez plusieurs jours pour qu’une journée inhabituelle ne vous trompe pas. Donnez plus de poids aux jours récents. Et rappelez-vous que les ventes sont plus élevées le samedi que le mercredi. »
L’idée : des poids qui diminuent avec l’ancienneté
Section intitulée « L’idée : des poids qui diminuent avec l’ancienneté »Le lissage exponentiel simple conserve un nombre, le niveau : la meilleure estimation actuelle des ventes d’une journée normale. Chaque jour, il rapproche le niveau de la nouvelle valeur, en parcourant une partie de l’écart. Cette partie est la valeur de lissage α (dites « alpha »), entre 0 et 1 :
- nouveau niveau = ancien niveau + α × (valeur d’aujourd’hui − ancien niveau)
La prévision de chaque jour à venir correspond au dernier niveau. « Exponentiel » signifie que le poids d’un jour passé diminue du même facteur, 1 − α, chaque jour plus ancien. « Lissage » signifie que la moyenne atténue le bruit.
Un petit exemple
Section intitulée « Un petit exemple »Un produit s’est vendu à 10, 12, 9, 15 et 11 unités en cinq jours. Prenez α = 0,3 et partez d’un niveau égal à la première valeur, 10. Calculez chaque étape :
| Jour | Ventes | Niveau avant | Écart (ventes − niveau) | Niveau après = avant + 0,3 × écart |
|---|---|---|---|---|
| 1 | 10 | 10,00 (le départ) | ||
| 2 | 12 | 10,00 | +2,00 | 10,60 |
| 3 | 9 | 10,60 | −1,60 | 10,12 |
| 4 | 15 | 10,12 | +4,88 | 11,58 |
| 5 | 11 | 11,58 | −0,58 | 11,41 |
La prévision du jour 6, et de chaque jour suivant, est 11,41. La méthode SimpleExponentialSmoothing(alpha=0.3) de statsforecast donne aussi 11,41 pour ces cinq jours.
Au jour 4, les ventes atteignaient 15, mais le niveau est seulement passé à 11,58. Une journée de fortes ventes ne déplace la prévision que de 30 % de l’écart.
Les poids, jour par jour
Section intitulée « Les poids, jour par jour »Développez le calcul du niveau, et chaque jour passé reçoit un poids : α pour hier, α × (1 − α) pour avant-hier, puis α × (1 − α)², et ainsi de suite. Avec α = 0,3, les poids sont 0,3, 0,21, 0,147, 0,103 et 0,072. Ensemble, les 7 derniers jours reçoivent 0,918 du poids.
- α = 0,6
- α = 0,3
- α = 0,1
- moyenne mobile (28 jours)
Description textuelle du graphique
Le graphique montre le poids de chaque jour passé, d’hier (jour 1) à 28 jours auparavant. Avec α = 0,6, hier reçoit 0,6, avant-hier 0,24, et les poids sont presque nuls après 6 jours. Les 7 derniers jours reçoivent 0,998 du poids. Avec α = 0,3, les poids commencent à 0,3 et deviennent presque nuls après environ 14 jours. Les 7 derniers jours reçoivent 0,918. Avec α = 0,1, les poids commencent à 0,1 et diminuent lentement, jusqu’à 0,006 au jour 28. Les 7 derniers jours reçoivent 0,522. La moyenne mobile sur 28 jours forme une ligne horizontale pointillée à 0,036 pour les 28 jours.
Un α élevé (0,6) suit rapidement les changements, mais il suit aussi le bruit. Un α faible (0,1) fait la moyenne de nombreux jours, mais réagit tard quand le niveau change réellement. La méthode de prévision trouve l’α qui correspond le mieux à la série, comme vous le verrez ci-dessous.
Ajouter une tendance et une saison
Section intitulée « Ajouter une tendance et une saison »Le niveau seul donne une prévision constante. Deux autres composantes corrigent cela, chacune avec sa propre valeur de lissage :
- La méthode de Holt ajoute une tendance : la hausse ou la baisse du niveau par jour. La prévision devient une ligne inclinée.
- Holt-Winters ajoute aussi une saison : l’écart de chaque jour de la semaine au-dessus ou au-dessous du niveau. La prévision monte le samedi et descend le mercredi.
Cette famille s’appelle ETS : Erreur, Tendance et Saison. Chaque composante peut être absente (N, pour none), ajoutée (A) ou multipliée (M). « Multipliée » signifie que la composante augmente avec le niveau : une saison de +20 % plutôt que de +5 unités. Trois lettres désignent un modèle ETS, par exemple ETS(A,N,A).
Laisser statsforecast choisir le modèle
Section intitulée « Laisser statsforecast choisir le modèle »Vous n’avez pas besoin de choisir les lettres vous-même. AutoETS de statsforecast ajuste les modèles possibles et conserve celui qui a le meilleur AICc. AICc est un score d’ajustement : il récompense un modèle qui suit bien l’historique et pénalise chaque composante supplémentaire. Le modèle conserve donc une tendance seulement si elle aide plus qu’elle ne coûte.
Dans le carnet, Priya ajuste AutoETS aux ventes du parasol jusqu’au dimanche 22 juin 2025, la semaine avant la canicule :
from statsforecast import StatsForecastfrom statsforecast.models import AutoETS
parasol = load_sales(["P025"])origin = pd.Timestamp("2025-06-22")train = parasol[parasol["ds"] <= origin][["unique_id", "ds", "y"]]sf = StatsForecast(models=[AutoETS(season_length=7)], freq="D")fc = sf.forecast(df=train, h=14)sf.fit(train)print("model chosen:", sf.fitted_[0, 0].model_["method"])real = parasol[(parasol["ds"] > origin) & (parasol["ds"] <= origin + pd.Timedelta(days=14))]print("14-day total: ETS", round(fc["AutoETS"].sum(), 1), "| real", int(real["y"].sum()))season_length=7 lui indique que la saison se répète tous les 7 jours. La sortie :
model chosen: ETS(A,N,A)14-day total: ETS 176.3 | real 197Description textuelle du diagramme
Le schéma comporte trois colonnes. Erreur, A : ajoutée, donc les écarts varient d’environ le même nombre d’unités vers le haut ou le bas. Tendance, N : absente. Saison, en orange, A : ajoutée, donc chaque jour de la semaine ajoute ou retire des unités. Une note indique que chaque lettre est N (absente), A (ajoutée) ou M (multipliée), et qu’AutoETS conserve le meilleur modèle.
Pour le parasol, AutoETS a aussi choisi ses valeurs de lissage : α = 0,41 pour le niveau, et 0,08 pour la saison. Le niveau parcourt donc 41 % de l’écart vers chaque nouvelle journée, et le profil hebdomadaire ne change que lentement.
- Ventes
- ETS
- prévision naïve saisonnière
Description textuelle du graphique
Le graphique montre les ventes quotidiennes du parasol du 12 mai au 22 juin 2025 par une ligne grise. Elles se situent surtout entre 1 et 25 par jour. Après l’origine, les ventes réelles sont des points gris : 50 la première semaine, 147 la semaine de canicule. La prévision ETS est une ligne bleue lisse qui répète deux fois la même semaine. Elle varie entre 10,7 et 15,5 unités par jour, pour un total de 176,3 unités. La prévision naïve saisonnière est une ligne orange pointillée qui répète deux fois la dernière semaine. Elle varie entre 3 et 20 par jour, pour un total de 134 unités. Les deux restent bien au-dessous des ventes de la semaine de canicule.
ETS prévoit 176,3 parasols, plus près des 197 parasols réellement vendus que toutes les prévisions naïves. Mais la prévision reste trop basse, pour la même raison : l’historique du parasol ne contenait pas la canicule.
Larkfield : ETS dans le test rétrospectif du cours
Section intitulée « Larkfield : ETS dans le test rétrospectif du cours »Le carnet exécute AutoETS aux 13 origines du test rétrospectif du cours, pour les 50 produits : 650 ajustements. La méthode de prévision est une petite fonction qui renvoie la colonne yhat, comme l’attend backtest.py :
def ets(train, h, future): sf = StatsForecast(models=[AutoETS(season_length=7)], freq="D") out = sf.forecast(df=train[["unique_id", "ds", "y"]], h=h) return out.rename(columns={"AutoETS": "yhat"}).assign(yhat=lambda d: d["yhat"].clip(lower=0))
sales = load_sales(BACKTEST_PRODUCTS)fc_ets = bt.backtest(sales, ets, h=14, origins=ORIGINS)fc_snaive = bt.backtest(sales, bt.seasonal_naive(7), h=14, origins=ORIGINS)fc_ma = bt.backtest(sales, bt.moving_average(28), h=14, origins=ORIGINS)rows = [bt.score(f, sales, name, season=7, cost=bt.stock_cost(PRICES)) for name, f in [("seasonal naive", fc_snaive), ("moving average (28 days)", fc_ma), ("ETS (AutoETS)", fc_ets)]]table = bt.show(rows)clip(lower=0) transforme une prévision négative en 0 : un magasin ne peut pas vendre −2 parasols. La sortie (les temps d’ajustement changent d’une exécution à l’autre) :
method horizon MASE WAPE % bias % pinball fit s cost $ ETS (AutoETS) 14 0.832 41.3 0.1 53.69 16578moving average (28 days) 14 0.875 43.5 -0.1 0.04 19444 seasonal naive 14 1.034 51.3 -0.5 0.04 16739ETS devient la meilleure ligne du tableau. Sa MASE est de 0,832 et sa WAPE de 41,3 %, contre 0,875 et 43,5 % pour la moyenne mobile. Son biais est de +0,1 % : en moyenne, ses prévisions ne sont donc ni trop hautes ni trop basses. Son coût de commande, 16 578 $ US, est légèrement inférieur aux 16 739 de la prévision naïve saisonnière. Il est bien inférieur aux 19 444 de la moyenne mobile. C’est la première méthode du cours qui donne de bons résultats pour l’erreur et le coût.
Les 650 ajustements ont pris environ 54 secondes dans cette exécution, et 46 secondes dans la mesure du cours. C’est beaucoup plus que les méthodes naïves, mais encore très peu.
Le parasol à chaque origine
Section intitulée « Le parasol à chaque origine »L’explorateur montre le parasol aux 13 origines du test rétrospectif. Choisissez ETS et la moyenne mobile, puis changez l’origine.
Explorer
ETS et les références de base pour le parasol
Prédisez d’abord : Pour le parasol, ETS battra-t-il la moyenne mobile sur 28 jours sur l'ensemble des 13 origines?
- Vendus en 14 jours
- 101
- Prévision pour les 14 jours
- 92
- WAPE à cette origine
- 45,5 %
- WAPE, les 13 origines
- 65,1 %
À l’origine du 8 juin 2025, la méthode ETS prévoit 92 unités pour les 14 jours suivants. 101 unités ont été vendues. Sa WAPE ici est de 45,5 % : sa prévision est trop basse. Sur les 13 origines, la méthode ETS a une WAPE de 65,1 % : rang 2 sur 5 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 | moyenne mobile (28 jours) | référence de base | 101,3 % | 64,9 % |
| 2 | ETS | statistique | 45,5 % | 65,1 % |
| 3 | naïve saisonnière | référence de base | 74,3 % | 66,1 % |
| 4 | naïve | référence de base | 50,5 % | 90,9 % |
| 5 | dérive | référence de base | 50,3 % | 92,5 % |
Description textuelle de l’explorateur
L’explorateur montre les ventes quotidiennes du parasol. Les quatre semaines avant l’origine choisie forment une ligne grise, et les 14 jours suivants sont des points gris. La prévision de la méthode choisie est une ligne bleue, et la prévision naïve saisonnière une ligne orange pointillée. Les commandes permettent de choisir l’origine et l’une des cinq méthodes : naïve, naïve saisonnière, moyenne mobile sur 28 jours, dérive et ETS. L’affichage indique les unités vendues, la prévision et la WAPE. À l’origine du 8 juin 2025, 101 parasols ont été vendus et ETS en prévoyait 92. La WAPE sur les 13 origines est de 64,9 % pour la moyenne mobile (28 jours) et de 65,1 % pour ETS. Elle est de 66,1 % pour la prévision naïve saisonnière, de 90,9 % pour la naïve et de 92,5 % pour la dérive.
Pour le parasol, ETS (65,1 %) et la moyenne mobile (64,9 %) donnent presque le même résultat. Les ventes du parasol changent avec la météo, et un modèle fondé sur son historique ne peut pas connaître la météo. Sur 50 produits, ETS gagne nettement. Sur un produit difficile, il ne gagne pas.
Produit par produit
Section intitulée « Produit par produit »Le tableau cumule les 50 produits. Par produit, le résultat est le suivant :
- Face à la prévision naïve saisonnière, ETS gagne pour les 50 produits sur 50. ETS conserve la saison hebdomadaire, mais fait la moyenne de plusieurs semaines au lieu d’en copier une.
- Face à la moyenne mobile sur 28 jours, ETS gagne pour 33 produits sur 50. La moyenne mobile gagne pour 17.
Nous avons cherché une règle simple pour ces 17 produits, sans en trouver. Ils ne se vendent pas moins vite : le produit médian se vend à 5,8 unités par jour, contre 5,9 quand ETS gagne. Leur profil hebdomadaire est seulement un peu plus faible : pour un produit médian, un jour de la semaine s’écarte de la moyenne hebdomadaire de 7,2 %, contre 8,3 %. Une raison probable : quand le profil hebdomadaire est faible et le bruit important, ETS estime une saison qui contient du bruit. Une moyenne constante fait alors aussi bien. Le test rétrospectif, et non une règle, vous indique quels sont ces produits.
Quand utiliser ETS, et ce qu’il coûte
Section intitulée « Quand utiliser ETS, et ce qu’il coûte »Utilisez ETS comme premier modèle après les références de base. Il est rapide et n’a besoin que de la série elle-même. Vous pouvez expliquer chacune de ses composantes (niveau, tendance, saison) à Kenji en une phrase. C’est un bon choix par défaut pour les séries d’affaires quotidiennes ou hebdomadaires avec une seule saison.
Connaissez ses limites :
- Une seule saison. ETS accepte un seul
season_length. Les billets de soutien par heure ont une saison quotidienne et une saison hebdomadaire. Le cas d’échec ci-dessous montre ce qui se passe. Plusieurs saisons et longues séries corrige ce problème. - Seulement le passé de la série. ETS ne peut pas utiliser une promotion prévue, un jour férié ou la météo. Le module 5 les ajoute comme entrées.
- Historiques courts. Une saison hebdomadaire demande plusieurs semaines d’historique avant que la composante saisonnière soit utile. Un nouveau produit avec deux semaines de ventes obtient une mauvaise estimation de la saison. Le module 6 traite les nouveaux produits.
- Son intervalle suppose des erreurs normales. ETS donne aussi un intervalle autour de sa prévision. Un intervalle à 80 % devrait contenir la valeur réelle 8 fois sur 10. Pour les 50 produits, il contenait la valeur réelle 83,5 % du temps : c’est proche, mais le module 7 vérifie cela correctement.
Son coût : environ 46 secondes pour 650 ajustements sur un ordinateur portable. La tâche de prévision planifiée du module 8 fixe le modèle à ETS(A,N,A), donc AutoETS ne fait aucune recherche. Elle ajuste alors 600 séries en environ 5 secondes plutôt que 40.
Erreur courante
Une seule saison : ETS sur les billets par heure
Symptôme : Grace, la responsable du soutien, demande le nombre de billets par heure pour la semaine prochaine. Priya ajuste AutoETS avec une saison quotidienne (24 heures) aux 12 dernières semaines de billets par heure. Elle prévoit ensuite la dernière semaine de l’historique. En cumulant par jour, la prévision et les billets réels donnent :
| Jour | Lun | Mar | Mer | Jeu | Ven | Sam | Dim |
|---|---|---|---|---|---|---|---|
| Billets réels | 473 | 474 | 393 | 409 | 294 | 337 | 243 |
| Prévision ETS | 243 | 243 | 243 | 243 | 243 | 243 | 243 |
La prévision donne les mêmes 243 billets chaque jour. Les billets réels passent de 473 le lundi à 243 le dimanche.
Cause : une saison quotidienne répète les mêmes 24 heures sept fois. Le modèle ne peut pas savoir que le lundi est chargé et le dimanche calme. Ici, il répète toute la semaine le niveau du dernier jour de l’historique, un dimanche calme. Avec season_length=168 (une semaine d’heures), ETS suit plutôt la semaine (381 billets le lundi, 226 le dimanche). Mais il apprend alors chaque heure de la semaine à partir de seulement 12 exemples en 12 semaines.
Correction : utilisez une méthode qui accepte plusieurs saisons, comme MSTL, dans Plusieurs saisons et longues séries.
Conséquence pour le travail en IA : les options d’un modèle limitent ce qu’il peut apprendre, peu importe les données. Avant de comparer les modèles, vérifiez que chacun peut représenter les profils que vous voyez déjà dans la série. Sinon, vous comparez un modèle désavantagé.
Exercice guidé : ETS dans le carnet
Section intitulée « Exercice guidé : ETS 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 des données se termine par la ligne
Ready:(prêt). - Dans la section 1, estimez le poids des 7 derniers jours avec α = 0,3. Exécutez ensuite la cellule. Vous voyez
0.918. - Dans la section 2, exécutez la cellule du parasol. Vous voyez
model chosen: ETS(A,N,A)(modèle choisi : ETS(A,N,A)) etreal 197(valeur réelle : 197). - Dans la section 3, estimez si ETS bat la moyenne mobile. Exécutez ensuite la cellule du test rétrospectif. Cela prend environ une minute.
- Dans la section 4, 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). - Dans la section 5, exécutez la cellule des billets par heure. Vous voyez les mêmes 243 billets chaque jour.
À vous de jouer : ETS contre la moyenne mobile, produit par produit
Section intitulée « À vous de jouer : ETS contre la moyenne mobile, produit par produit »fc_ets et fc_ma contiennent toutes les prévisions d’ETS et de la moyenne mobile sur 28 jours, avec la valeur réelle y. Avant de calculer quoi que ce soit, faites une prédiction : pour combien des 50 produits ETS a-t-il l’erreur la plus faible? Pour chaque produit, additionnez les erreurs absolues de chaque méthode sur toutes les origines et tous les jours. Comptez les produits dont la somme est plus faible avec ETS, et placez ce nombre dans ets_wins.
Afficher la réponse
e_ets = (fc_ets["y"] - fc_ets["yhat"]).abs().groupby(fc_ets["unique_id"]).sum()e_ma = (fc_ma["y"] - fc_ma["yhat"]).abs().groupby(fc_ma["unique_id"]).sum()ets_wins = int((e_ets < e_ma).sum())print(ets_wins, "of", len(e_ets))33 of 50ETS gagne pour 33 produits, et la moyenne mobile pour 17. La somme des erreurs absolues correspond à la WAPE de chaque produit, sans la division. Les deux méthodes divisent par les mêmes ventes, donc la division ne change pas la méthode gagnante.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Avec α = 0,3, le niveau est de 10,60 et le produit se vend à 9 unités aujourd'hui. Quel est le nouveau niveau, et quelle est la prévision pour les trois prochains jours?
Afficher la réponse
L’écart est de 9 − 10,60 = −1,60. Le nouveau niveau est de 10,60 + 0,3 × (−1,60) = 10,60 − 0,48 = 10,12. Le lissage exponentiel simple prévoit le dernier niveau pour chaque jour : 10,12, 10,12 et 10,12. Une tendance (Holt) ou une saison (Holt-Winters) donnerait des valeurs différentes selon le jour.
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
AutoETS a choisi ETS(A,N,A) pour le parasol. Que signifie chaque lettre, et pourquoi le modèle ne peut-il toujours pas prévoir la canicule?
Afficher la réponse
- A (erreur) : les écarts s’ajoutent; ils montent et descendent d’environ le même nombre d’unités.
- N (tendance) : aucune tendance; le niveau ne monte pas et ne baisse pas de façon constante.
- A (saison) : une saison hebdomadaire additive; chaque jour de la semaine ajoute ou retire quelques unités.
ETS apprend seulement à partir des ventes passées du parasol. La canicule venait de la météo, qui ne figure pas dans le modèle. Il a donc prévu 176,3 parasols pour les deux semaines, alors que 197 ont été vendus.
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
Utilisez le tableau du test rétrospectif et les comptes par produit. Pour lesquels des 50 produits de Larkfield ETS a-t-il battu la prévision naïve saisonnière? Pour lesquels ne l'a-t-il pas battue, et pourquoi?
Afficher la réponse
ETS a battu la prévision naïve saisonnière pour les 50 produits : MASE de 0,832 contre 1,034, WAPE de 41,3 % contre 51,3 %. La prévision naïve saisonnière copie une seule semaine, avec son bruit et ses événements imprévus. ETS suit aussi la saison hebdomadaire, mais en fait la moyenne sur plusieurs semaines avec des poids qui diminuent. Face à la moyenne mobile sur 28 jours, ETS a gagné pour 33 produits et perdu pour 17. Nous n’avons trouvé aucune règle simple pour ces 17 produits : ils ne se vendent pas plus lentement. Une structure hebdomadaire faible et beaucoup de bruit sont une raison probable. La saison estimée par ETS représente alors en partie du bruit, et une moyenne constante sur 28 jours fait aussi bien.
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
- Le lissage exponentiel conserve un niveau et le rapproche de chaque nouvelle valeur d’une fraction α de l’écart. Les poids des jours passés diminuent : avec α = 0,3, les 7 derniers jours reçoivent 0,918 du poids.
- Holt ajoute une tendance, Holt-Winters ajoute une saison. La famille est ETS (erreur, tendance, saison), chaque composante étant absente (N), ajoutée (A) ou multipliée (M).
- AutoETS choisit le modèle selon son score d’ajustement AICc. Pour le parasol, il a choisi ETS(A,N,A) avec α = 0,41.
- Dans le test rétrospectif du cours, ETS a une MASE de 0,832, une WAPE de 41,3 % et un coût de 16 578 $ US. C’est la meilleure ligne jusqu’ici, et les 650 ajustements ont pris environ 46 secondes.
- ETS bat la prévision naïve saisonnière pour 50 produits sur 50, et la moyenne mobile sur 28 jours pour 33 sur 50.
- ETS accepte une seule saison. Pour les billets de soutien par heure, il a prévu les mêmes 243 billets chaque jour.
Vous pouvez maintenant ajuster ETS et lire ses lettres. ETS décrit une série par son niveau, sa tendance et sa saison. Vous découvrirez ensuite une autre façon de décrire une série : à partir de ses valeurs passées et de ses erreurs passées. Son intervalle montre aussi clairement comment l’incertitude augmente avec l’horizon.
Leçon suivante : ARIMA et SARIMA