Aller au contenu
English

Plusieurs saisons et longues séries

  • Leçon 13
  • 35 min
  • Module 4 : Méthodes statistiques

Où nous en sommes

Jusqu'ici, nos séries avaient une seule saison : la semaine. Les billets horaires en ont deux : le jour et la semaine. Dans cette leçon, nous prévoyons les billets horaires de Grace avec MSTL et Theta, qui traitent plusieurs saisons. Nous ajoutons aussi des événements connus comme entrées supplémentaires.

Ce que vous saurez faire

Prévoyez une série avec deux saisons, le jour et la semaine, avec MSTL et Theta. Vérifiez l’intervalle de chaque prévision avant de l’utiliser pour planifier. Ajoutez un événement connu, les jours de livraison de Noël, comme entrée supplémentaire.

Carnet JupyterFaites cette leçon dans un carnetColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient chaque cellule de code, tâche et vérification de cette leçon. Il montre les deux saisons des billets horaires et les sépare en composantes avec MSTL. Il exécute MSTL et Theta dans le test rétrospectif (backtest) des billets et vérifie leurs intervalles et leurs horaires. Enfin, il ajoute les jours de livraison de Noël comme entrée. Ses cellules de configuration installent les paquets et téléchargent les données de Larkfield. Aucune configuration locale n’est donc nécessaire. Environ 35 minutes.

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 mainEnviron 35 minutes

Ce que vous devez savoir

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.

Repensez au café. La propriétaire planifie son personnel en tenant compte de deux rythmes. Chaque jour, il y a une période très achalandée à midi. Chaque semaine, le lundi est calme et le samedi est chargé. Avec seulement le rythme quotidien, elle prévoit le même personnel le lundi et le samedi. Avec seulement le rythme hebdomadaire, elle oublie l’affluence à midi.

Grace, la responsable du soutien, planifie le nombre d’agents qui travaillent chaque heure, de 7 h à 21 h 59. Elle a besoin d’une prévision des billets par heure pour la semaine suivante.

Voici deux semaines de billets horaires, avant le dimanche 15 mars 2026 :

Deux semaines de billets du centre d'assistance par heure. Chaque jour a la même forme : presque rien la nuit, un sommet en fin de matinée. La semaine a aussi une forme : plus chargée les jours de semaine, calme la fin de semaine.
Description textuelle du graphique

Le graphique montre 336 heures, du lundi 2 mars au dimanche 15 mars 2026. La ligne monte et descend une fois par jour : de 0 à 3 billets la nuit, puis un sommet en fin de matinée, au plus 49. Les sommets sont plus hauts les jours de semaine. En additionnant les billets par jour, la première semaine compte 457 billets le lundi et 222 le dimanche. La deuxième semaine en compte 336 le lundi, 417 le mercredi et 205 le dimanche.

La série a deux saisons : une quotidienne de 24 heures et une hebdomadaire de 168 heures (7 × 24). Dans Lissage exponentiel, ETS avec une seule saison de 24 heures prévoyait le même total chaque jour :

  • Billets réels
  • ETS, saison de 24 heures
ETS avec une saison quotidienne, additionné par jour : 243 billets chaque jour. Les billets réels passent de 473 le lundi à 243 le dimanche.
Description textuelle du graphique

Le graphique montre sept jours, du lundi au dimanche. Les billets réels sont des points : 473, 474, 393, 409, 294, 337, 243. La prévision d’ETS est une ligne horizontale en tirets à 243 billets chaque jour. Le lundi, la prévision est trop basse de 230 billets.

ETS avec une saison de 168 heures suit la semaine : sa WAPE cette semaine-là était de 26,2 %, contre 39,3 %. Mais il apprend chacune des 168 valeurs à partir de seulement 12 exemples. Et il ne montre pas quelle composante représente le jour ou la semaine.

MSTL, présenté dans Tendance, saison et bruit, sépare la série en composantes, une pour chaque motif. Ici, il sert aussi à prévoir : il prévoit chaque composante séparément.

Une boîte pour les billets horaires se sépare en quatre boîtes : tendance (prévue avec ETS), saison quotidienne (24 heures), saison hebdomadaire (168 heures) et reste en tirets (non prévu). Les flèches des trois premières se rejoignent dans une boîte : prévision = prévision de la tendance + saison quotidienne + saison hebdomadaire.
MSTL sépare les billets en une tendance, une saison quotidienne, une saison hebdomadaire et un reste. Il prévoit la tendance, répète les deux saisons et les additionne.
Description textuelle du diagramme

Une boîte, les billets horaires des 12 dernières semaines, se sépare en quatre. Ce sont la tendance (prévue avec ETS), la saison quotidienne de 24 heures et la saison hebdomadaire de 168 heures (toutes deux en orange). La quatrième, en tirets, représente le reste : le bruit, qui n’est pas prévu. Les flèches des trois premières se rejoignent dans une dernière boîte : prévision = prévision de la tendance + saison quotidienne + saison hebdomadaire.

MSTL a trouvé ces composantes dans la dernière semaine de l’historique avant le 15 mars 2026. Les quatre composantes de chaque heure donnent exactement le nombre de billets de cette heure lorsqu’on les additionne :

Heure Billets Tendance Saison quotidienne Saison hebdomadaire Reste
Lundi 9 mars, 11 h 37 12,3 18,3 9,8 -3,5
Dimanche 15 mars, 11 h 20 12,7 18 -9,7 -1

Les deux heures ont presque la même saison quotidienne, 18,3 et 18 : il est 11 h les deux jours. (MSTL permet à une saison de changer lentement, donc elles ne sont pas exactement égales.) La saison hebdomadaire fait la différence entre un lundi et un dimanche. Pour prévoir lundi prochain à 11 h, MSTL ajoute les deux mêmes saisons à la prévision de la tendance.

  • saison quotidienne (24 heures)
  • saison hebdomadaire (168 heures)
Les deux saisons de MSTL pour une semaine. La saison quotidienne répète la même forme de 24 heures chaque jour. La saison hebdomadaire est plus petite : elle augmente le lundi et diminue la fin de semaine.
Description textuelle du graphique

Le graphique montre les 168 heures d’une semaine. La saison quotidienne, en orange, répète sept fois la même forme : d’environ -11,9 billets la nuit à environ +20,4 en fin de matinée. La saison hebdomadaire, en bleu, est plus petite : de -9,7 à +9,8 billets. En moyenne par jour, elle dépasse 0 du lundi au jeudi et reste sous 0 du vendredi au dimanche. Elle est au plus bas le dimanche.

Sur les 12 semaines, la saison quotidienne explique 76,8 % de la variance, et la saison hebdomadaire, 8,7 %. Le reste représente 11,3 %, et la tendance, seulement 0,4 %. La saison hebdomadaire est petite, mais c’est précisément ce qui distingue le lundi du dimanche pour Grace.

Theta est une deuxième méthode simple qui donne souvent de bons résultats. Elle retire une saison et combine une droite de tendance avec un lissage exponentiel des valeurs récentes. Elle remet ensuite la saison. AutoTheta de statsforecast choisit les détails. Nous lui donnons la semaine, 168 heures, qui contient aussi la forme quotidienne.

Larkfield : MSTL et Theta dans le test rétrospectif des billets

Section intitulée « Larkfield : MSTL et Theta dans le test rétrospectif des billets »

Le test rétrospectif du cours pour les billets utilise les mêmes 13 origines que pour les commandes, à 23 h. Il prévoit les 168 heures suivant chacune. Chaque méthode reçoit les 12 dernières semaines d’historique (2 016 heures) : c’est assez pour les deux saisons, et l’ajustement reste rapide. Le carnet conserve l’intervalle à 80 % de chaque méthode, sous q10 et q90 :

from statsforecast import StatsForecast
from statsforecast.models import MSTL, AutoETS, AutoTheta
def with_range(model, keep=2016):
def forecaster(train, h, future):
sf = StatsForecast(models=[model], freq="h")
out = sf.forecast(df=train[["unique_id", "ds", "y"]].tail(keep), h=h, level=[80])
name = str(model)
return pd.DataFrame({"unique_id": out["unique_id"], "ds": out["ds"], "yhat": out[name].clip(lower=0),
"q10": out[f"{name}-lo-80"].clip(lower=0), "q90": out[f"{name}-hi-80"].clip(lower=0)})
return forecaster
TICKET_ORIGINS = [o + pd.Timedelta(hours=23) for o in ORIGINS]
fc_same = bt.backtest(tickets, bt.seasonal_naive(168), h=168, origins=TICKET_ORIGINS)
fc_mstl = bt.backtest(tickets, with_range(MSTL(season_length=[24, 168], trend_forecaster=AutoETS(model="ZZN"))),
h=168, origins=TICKET_ORIGINS)
fc_theta = bt.backtest(tickets, with_range(AutoTheta(season_length=168)), h=168, origins=TICKET_ORIGINS)
rows = [bt.score(f, tickets, name, season=168, cost=bt.roster_cost())
for name, f in [("same hour last week", fc_same), ("MSTL", fc_mstl), ("Theta", fc_theta)]]
table = bt.show(rows)

MSTL(season_length=[24, 168], ...) reçoit une liste : une durée par saison. AutoETS(model="ZZN") prévoit la tendance : Z signifie « choisir », N signifie aucune saison, car MSTL a déjà retiré les saisons. bt.seasonal_naive(168) signifie « la même heure la semaine dernière ». La sortie (les temps d’ajustement changent d’une exécution à l’autre) :

method horizon MASE WAPE % bias % pinball fit s cost $
Theta 168 0.883 27.1 0.7 0.15 10.22 3883
MSTL 168 0.919 28.3 1.7 0.067 6.0 4044
same hour last week 168 1.036 31.9 3.3 0.03 4888

Theta a l’erreur la plus faible : MASE de 0,883 et WAPE de 27,1 %, contre 0,919 et 28,3 % pour MSTL. Les deux battent « la même heure la semaine dernière » (31,9 %). La colonne pinball évalue l’intervalle; le module 7 l’explique. La colonne cost $ (coût) donne le coût hebdomadaire de l’horaire quand Grace planifie le personnel exactement selon la prévision, avec un agent pour 6 billets. Une heure où il manque un agent coûte 72 $ US, et une heure d’agent en trop, 28. Ces coûts sont les hypothèses du cours. L’horaire de Theta est le moins cher : 3 883 $ US par semaine.

Theta gagne donc sur l’erreur et le coût. Mais son intervalle est-il correct?

Vérifiez l’intervalle avant de l’utiliser pour planifier

Section intitulée « Vérifiez l’intervalle avant de l’utiliser pour planifier »

Un intervalle à 80 % devrait contenir la valeur réelle pour environ 80 % des heures. La proportion d’heures dans l’intervalle est sa couverture. Une couverture de 0,60 promet une sécurité qui n’existe pas. Une couverture de 1,00 signifie que l’intervalle est trop large pour planifier.

Méthode Proportion d’heures dans l’intervalle à 80 % Proportion dans l’intervalle à 90 %
même heure la semaine dernière 0,839 0,914
MSTL 0,851 0,911
Theta 0,996 1,000

L’intervalle à « 80 % » de Theta contient les billets réels pour 99,6 % des heures : beaucoup trop large. Voici les deux intervalles le lundi 16 mars 2026, premier jour après la dernière origine :

  • Billets réels
  • MSTL, intervalle à 80 %
  • Intervalle à 80 % de Theta
Les billets réels d'un lundi, avec la prévision de MSTL et les intervalles à 80 % de MSTL (tirets bleus) et de Theta (tirets orange). L'intervalle de Theta est environ trois fois plus large.
Description textuelle du graphique

Le graphique montre les 24 heures du lundi 16 mars 2026. Les billets réels sont des points : de 0 à 4 par heure la nuit, et jusqu’à 39 à 11 h. La prévision de MSTL, une ligne bleue, suit la même forme. Son intervalle à 80 % est étroit : à 12 h, de 19,8 à 29,4 billets, et 26 billets sont arrivés. L’intervalle à 80 % de Theta, deux lignes orange en tirets, est beaucoup plus large : à 12 h, de 14,5 à 41,3. Sur toutes les heures du test rétrospectif, l’intervalle de Theta a une largeur moyenne de 42,3 billets, et celui de MSTL, de 14,1.

Une heure avec un agent manquant (72 $ US) coûte plus qu’une heure avec un agent supplémentaire (28 $ US). Grace planifie donc le personnel selon un point au-dessus de la prévision. Les billets restent sous ce point 72 % du temps : 72 ÷ (72 + 28) = 0,72. Ce point est le quantile 0,72 de la prévision : le 72e percentile du cours de mathématiques. De la prévision à la commande et à l’horaire explique cette règle. Au point à 72 % de chaque intervalle, les horaires coûtent :

Le coût de l'horaire par semaine quand Grace planifie le personnel au point à 72 % de l'intervalle de chaque méthode (« semaine dernière » signifie la même heure la semaine dernière). MSTL donne l'horaire le moins cher, 3 718 $ US. L'intervalle trop large de Theta rend son horaire le plus cher, 5 845 $ US.
Description textuelle du graphique

Un diagramme avec trois colonnes, le coût hebdomadaire de l’horaire au point à 72 %. La même heure la semaine dernière coûte 4 157 $ US. MSTL coûte 3 718, le coût le plus bas. Theta coûte 5 845, le coût le plus haut. Avec du personnel planifié selon la prévision elle-même, les coûts étaient de 4 888, 4 044 et 3 883.

Avec un intervalle honnête, planifier le personnel au point à 72 % économise de l’argent. MSTL passe de 4 044 à 3 718 $ US par semaine, l’horaire le moins cher de tous. Avec l’intervalle de Theta, le point à 72 % dépasse largement le besoin réel pour presque chaque heure. La méthode avec l’erreur la plus faible ne donne pas la décision la moins chère.

Les événements connus comme entrées supplémentaires

Section intitulée « Les événements connus comme entrées supplémentaires »

Les jours de livraison de Noël de Larkfield, du 12 au 23 décembre, entraînent plus de billets. Les clients demandent si leur colis arrivera à temps. Grace connaît ces dates un an à l’avance.

Une entrée supplémentaire est une colonne que le modèle reçoit pour l’historique et pour les jours à prévoir. Ici, elle vaut 1 un jour de livraison et 0 les autres jours. MSTL transmet les entrées supplémentaires à sa méthode de prévision de la tendance. ETS ne peut pas les utiliser, mais AutoARIMA le peut. Le carnet utilise donc une tendance AutoARIMA :

def delivery_days(ds):
return ((ds.dt.month == 12) & (ds.dt.day >= 12) & (ds.dt.day <= 23)).astype(float)
o = pd.Timestamp("2025-12-21 23:00")
train = tickets[tickets["ds"] <= o].tail(2016).assign(delivery=lambda d: delivery_days(d["ds"]))
week = tickets[(tickets["ds"] > o) & (tickets["ds"] <= o + pd.Timedelta(hours=168))].assign(delivery=lambda d: delivery_days(d["ds"]))
event = StatsForecast(models=[MSTL(season_length=[24, 168], trend_forecaster=AutoARIMA())], freq="h")
f_event = event.forecast(df=train[["unique_id", "ds", "y", "delivery"]], h=168,
X_df=week[["unique_id", "ds", "delivery"]])["MSTL"].clip(lower=0).to_numpy()

X_df contient l’entrée pour les 168 heures à prévoir. Le carnet compare avec la même prévision sans l’entrée :

WAPE without the input: 42.2 | with the delivery days: 38.7
real without with
ds
2025-12-22 481 421 449
2025-12-23 377 410 456
2025-12-24 326 375 327
2025-12-25 261 368 321
2025-12-26 242 382 334
2025-12-27 180 315 273
2025-12-28 195 274 231
  • Billets réels
  • MSTL sans l'entrée
  • MSTL avec les jours de livraison
La semaine après le 21 décembre 2025, additionnée par jour. Avec l'entrée des jours de livraison, la prévision est plus haute les 22 et 23 décembre. Elle baisse ensuite, comme les billets réels.
Description textuelle du graphique

Le graphique montre sept jours, du 22 au 28 décembre 2025. Les billets réels sont des points : 481, 377, 326, 261, 242, 180, 195. MSTL sans l’entrée est une ligne orange en tirets : 421, 410, 375, 368, 382, 315, 274. MSTL avec l’entrée des jours de livraison est une ligne bleue : 449, 456, 327, 321, 334, 273, 231. Avec l’entrée, la prévision baisse après le 23 décembre, plus près des billets réels.

L’entrée réduit la WAPE de la semaine de 42,2 % à 38,7 %. Deux limites à reconnaître :

  • Elle aide seulement là où l’historique contient des exemples. Les 12 semaines avant le 21 décembre contiennent 10 jours de livraison. Aux 12 autres origines, l’entrée vaut toujours 0, donc elle ne change rien.
  • Elle ne bat pas tout. Theta, sans entrée, avait une WAPE de 32,1 % la même semaine. Une entrée corrige une cause connue; elle ne rend pas un modèle faible performant.

Longues séries : le coût des détails supplémentaires

Section intitulée « Longues séries : le coût des détails supplémentaires »

Les données horaires sont longues : deux ans représentent 17 472 heures, contre 728 jours. Les longues saisons ralentissent certaines méthodes. Temps sur le processeur d’un portable (les deux lignes AutoARIMA correspondent chacune à un ajustement, à la dernière origine) :

Méthode sur les 12 semaines de billets horaires Temps Note
MSTL (24 et 168 heures), 13 origines environ 3 à 6 secondes les deux saisons
Theta (168 heures), 13 origines environ 10 secondes une saison de 168
AutoARIMA, saison de 24 heures, une origine environ 72 secondes saison quotidienne seulement : WAPE de 37,4 % cette semaine-là (MSTL 26,1 %, Theta 23,6 %)
AutoARIMA, saison de 168 heures, une origine plus de 20 minutes nous l’avons arrêté après 20 minutes, sans prévision

Avec une saison de 168 heures, chaque modèle ARIMA remonte 168 heures, et AutoARIMA essaie beaucoup de ces modèles. MSTL évite cela : il retire d’abord les saisons avec des courbes lisses, puis prévoit seulement une tendance simple. Pour la même raison, chaque méthode pour les billets utilise ici seulement les 12 dernières semaines.

Utilisez MSTL quand une série a plusieurs saisons, comme les billets horaires, les appels ou la consommation d’électricité. Il est rapide, montre ses composantes, et son intervalle était presque correct. Avec une tendance AutoARIMA, il accepte des événements connus comme entrées.

Utilisez Theta comme prévision ponctuelle performante et rapide avec une seule saison. Mais vérifiez son intervalle avant de l’utiliser pour planifier.

Ne les utilisez pas quand :

  • L’historique est court : moins de quelques cycles de la saison la plus longue.
  • Les saisons changent rapidement de forme, par exemple après un changement des heures d’ouverture.
  • Les événements influencent la série plus que le calendrier. Le module 5 donne de telles entrées à un modèle.

Leur coût : quelques secondes d’ajustement, plus les vérifications de l’intervalle, des entrées et de la fenêtre d’historique dans le test rétrospectif.

Erreur courante

La meilleure erreur, l'horaire le plus cher

Symptôme : Tomás lit le tableau des billets et dit : « Theta a la WAPE la plus basse et l’horaire le moins cher. Utilisez Theta. » Grace planifie le personnel au point à 72 % de l’intervalle de Theta, comme pour chaque prévision. Son horaire coûte 5 845 $ US par semaine, contre 3 718 avec MSTL. Au point à 90 %, l’horaire de Theta coûterait 15 042 $ US.

Cause : la prévision ponctuelle de Theta est bonne, mais son intervalle à 80 % contient les billets réels pour 99,6 % des heures. Un plan fondé sur l’intervalle ajoute des agents supplémentaires pour presque chaque heure.

Correction : vérifiez la couverture de chaque intervalle dans le test rétrospectif avant de l’utiliser pour planifier. Utilisez MSTL pour l’horaire ici. Ou gardez la prévision ponctuelle de Theta et construisez un nouvel intervalle à partir de ses erreurs de test rétrospectif. Le module 7 montre comment.

Conséquence pour le travail en IA : une décision utilise souvent plus que la prévision ponctuelle. Évaluez le modèle sur ce que la décision utilise. Un classement des erreurs ponctuelles peut choisir le modèle qui coûte le plus cher.

  1. Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
  2. Exécutez les cellules de préparation et la cellule des fonctions utilitaires. La cellule de données se termine par la ligne Ready: (prêt).
  3. Dans la section 1, prédisez quel motif est le plus marqué : celui du jour ou de la semaine. Puis exécutez la cellule.
  4. Dans la section 2, exécutez la cellule MSTL et celle du graphique. Vous voyez la part de chaque composante.
  5. Dans la section 3, prédisez quelle méthode a la WAPE la plus faible. Puis exécutez le test rétrospectif (backtest). Cela prend environ 20 secondes.
  6. Dans la section 4, calculez la couverture de Theta dans la cellule Your turn (à vous), puis exécutez la cellule de vérification. Elle affiche Check passed (vérification réussie).
  7. Dans la section 5, exécutez la cellule de l’horaire. Vous voyez 3 718 $ US pour MSTL.
  8. Dans la section 6, prédisez l’effet des jours de livraison. Puis exécutez la cellule.

À vous de jouer : l’intervalle de Theta est-il correct?

Section intitulée « À vous de jouer : l’intervalle de Theta est-il correct? »

fc_theta contient toutes les prévisions de Theta du test rétrospectif des billets, avec les nombres réels de billets y et l’intervalle à 80 %, de q10 à q90. Avant de calculer, prédisez : pour quelle proportion des heures la valeur réelle se trouve-t-elle dans l’intervalle? Calculez la proportion des heures où q10 <= y <= q90, arrondie à 3 décimales, et placez-la dans theta_coverage.

Afficher la réponse
inside = (fc_theta["y"] >= fc_theta["q10"]) & (fc_theta["y"] <= fc_theta["q90"])
theta_coverage = round(float(inside.mean()), 3)
mstl_coverage = round(float(((fc_mstl["y"] >= fc_mstl["q10"]) & (fc_mstl["y"] <= fc_mstl["q90"])).mean()), 3)
print("Theta", theta_coverage, "| MSTL", mstl_coverage)
Theta 0.996 | MSTL 0.851

L’intervalle à 80 % de Theta couvre 99,6 % des heures : il est beaucoup trop large. Celui de MSTL couvre 85,1 % des heures : un peu large, mais presque correct. Ce sont les mêmes valeurs que dans le tableau du cours, car bt.coverage() utilise la même règle.

Vérifiez votre compréhension

Le tableau de cette leçon présente les composantes de MSTL pour le lundi 9 mars 2026 à 11 h. Pourquoi les saisons quotidiennes du lundi et du dimanche à 11 h sont-elles presque identiques? Quelle composante distingue ces deux heures?

Afficher la réponse

La saison quotidienne a une valeur pour chaque heure du jour, répétée toutes les 24 heures. Les deux heures sont à 11 h, donc leurs saisons quotidiennes sont presque identiques (18,3 et 18,0; MSTL permet une évolution lente). La saison hebdomadaire a une valeur pour chacune des 168 heures de la semaine. Elle diffère donc entre un lundi et un dimanche. À 11 h, elle vaut +9,8 le lundi et −9,7 le dimanche. La tendance change seulement lentement, et le reste est du bruit.

Vérifiez votre compréhension

Theta a une WAPE de 27,1 % pour les billets, et MSTL, de 28,3 %. Grace planifie le personnel au point à 72 % de l'intervalle. Quelle méthode recommandez-vous pour son horaire, et pourquoi?

Afficher la réponse

MSTL. La décision de Grace utilise l’intervalle, pas seulement la prévision. L’intervalle à 80 % de MSTL couvre les nombres réels de billets pour 85,1 % des heures, ce qui est presque correct. Celui de Theta les couvre pour 99,6 % des heures : il est beaucoup trop large. Au point de 72 %, l’horaire de MSTL coûte 3 718 $ US par semaine, le moins cher de toutes les méthodes. Celui de Theta coûte 5 845 $ US. La WAPE plus faible de Theta ne compense pas son intervalle incorrect.

Vérifiez votre compréhension

Tomás ajoute une entrée « jours de livraison de Noël » à MSTL et exécute tout le test rétrospectif des billets. La WAPE change à une seule des 13 origines. L'entrée est-elle inutile?

Afficher la réponse

Non. L’entrée vaut 1 seulement du 12 au 23 décembre. Seule l’origine du 21 décembre 2025 comprend des jours de livraison dans ses 12 semaines d’historique et sa semaine de prévision. Aux autres origines, l’entrée vaut toujours 0, donc elle ne peut rien changer. À cette origine, elle a réduit la WAPE de 42,2 % à 38,7 %. Une entrée aide seulement pour les semaines qu’elle décrit, et seulement si l’historique en contient des exemples. Pour la juger, examinez les semaines avec l’événement, pas la moyenne de toutes les semaines.

Récapitulatif

  • Les billets horaires ont deux saisons : 24 heures et 168 heures. ETS, avec une seule saison de 24 heures, prévoyait 243 billets chaque jour d’une semaine où le nombre passait de 473 à 243.
  • MSTL sépare la série en une tendance, une composante par saison et un reste. Il prévoit la tendance et rajoute les saisons. Ici, la saison quotidienne explique 76,8 % de la variance, et la saison hebdomadaire, 8,7 %.
  • Theta combine une droite de tendance et un lissage exponentiel sur la série sans sa saison.
  • Dans le test rétrospectif des billets, Theta a l’erreur la plus faible (WAPE de 27,1 %), mais un intervalle beaucoup trop large (couverture de 0,996). L’intervalle de MSTL est presque correct (0,851). Il donne l’horaire le moins cher au point à 72 % : 3 718 $ US par semaine.
  • Un événement connu comme entrée (les jours de livraison de Noël) a réduit la WAPE de cette semaine de 42,2 % à 38,7 %. Il aide seulement lorsque l’historique contient des exemples.
  • Les longues saisons ralentissent l’ARIMA saisonnier; MSTL évite ce problème. Chaque méthode de prévision des billets utilise les 12 dernières semaines.

Vous pouvez maintenant prévoir une série avec plusieurs saisons et vérifier son intervalle avant de l’utiliser pour planifier. Jusqu’ici, chaque méthode apprend d’une seule série à la fois, à partir de son propre passé. Ensuite, le module 5 transforme la prévision en problème de régression. Un seul modèle apprend de tous les produits à la fois, avec les prix, les promotions et le calendrier comme entrées.

Leçon suivante : La prévision comme régression