Techniques de Prévision
Techniques de Prévision
Techniques de Prévision
20 avril 2022
Comment prévoir ?
Comment prévoir ?
Comment prévoir ?
Comment prévoir ?
Total mondial des passagers aériens par mois entre 1949 et 1960.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Pourquoi vouloir prévoir ?
Énergétique
Consommation d'électricité sur un pays.
Objectif : ajuster au mieux la production.
Solution : prévoir le comportement (futur) de la consommation
d'électricité à partir de données mesurées précédemment.
Jamais.
rie Temporelle
Problème :
Analyser la série de sorte de pouvoir faire des prévisions
Remarque :
Les séries temporelles formées par des observations irrégulièrement
espacées peuvent être étudiées par des méthodes plus complexes.
Problème :
Analyser la série de sorte de pouvoir faire des prévisions
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Domaines d'application : Études Démographiques
Dénition :
Soit (t, xt ) un groupe de T points associé à une série temporelle. On
partage la série en deux groupes de points et on détermine les points
moyens, notés G1 et G2 , de ces groupes
On appelle droite de Mayer l'unique droite passant par G1 et G2 .
b = X̄ − aT̄i
On reprend l'exemple 1.
N. Entreprises
Jan. 2496
Fév. 2694
Mars 2680
Avr. 2568
Mai 2505
Juin 2656
porelle
1X
T
x̄T = xt
T t=1
Indices de dispersion
Les plus courants sont la variance empirique et l'étendue.
Dans ce cours c'est la variance empirique qui sera utilisée :
1X
T
σ̂T (0) = (xt − x̄T )2
T t=1
Auto-covariances empiriques
Ces indices σ̂T (1), σ̂T (2),... donnent une idée de la dépendance entre les
données. Plus exactement
−1
1 T
σ̂T (1) =
X
(xt − x̄T )(xt+1 − x̄T )
T −1 t=1
Remarque
L'indice σ̂T (T − 1), qui ne fait intervenir que la première et la
dernière donnée, n'a pas grand sens statistique, surtout si la
longueur T de la série est grande.
Le bon sens, ainsi que des considérations de convergence dépassant
la limite de ce cours, recommandent de ne prendre en considération
que les auto-covariances empiriques σ̂T (1),...,σ̂T (h) pour un h "pas
trop grand" par rapport à la longueur de la série.
Remarque
On admet ensuite que
Si l'auto-corrélation d'une série est constante, c'est qu'elle a une
tendance linéaire.
Si cette auto-corrélation est périodique de période P, alors la série a
une composante périodique de période P.
Les convergences décrites dans les propositions précédentes sont plus
lentes quand h est grand.
On se limitera à h 20.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Variation saisonnière
Les variations saisonnières sont des uctuations périodiques à
l'intérieur d'une période (année....), et qui se reproduisent de façon
plus ou moins permanente d'une période sur l'autre.
Le facteur saisonnier, noté st , se répète à intervalles de temps égaux
avec une forme à peu près constante. Il peut être dû au rythme des
saisons ou à des facteurs humains. Sa période est de 12 pour des
séries mensuelles, de 4 pour des séries trimestrielles ?
Dénition :
Si p désigne la période du mouvement saisonnier :
st = st+p = st+2p = ...
Le facteur saisonnier est donc totalement déterminé par p
coecients saisonniers : s1 , ..., sj , ...., sp
On note k le nombre de périodes, alors :
1X
k
1X
k
sj = xj,i = xp(i−1)+j
k k
i=1 i=1
On constate que le chire d'aaires aux mois de mai et juin des deux années
2016 et 2017 sont nettement plus importants que ceux des autres mois.
De la même façon, on constate que les chires d'aaires aux mois d'octobre
sont moins importants que pour les autres mois.
Cela révèle que le chire d'aaires évolue dans le temps de façon périodique.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Exemple : Chire d'aaires d'une entreprise
tendance
Dénition :
On appelle coecients de variations saisonnières sj = sj − s̄ dans le cas
0
modèle multiplicatif
On suppose que les variations saisonnières dépendent de la tendance.
On considère que la série xt s'écrit de la manière suivante :
xt = f (t) × st + t
Dénition :
On appelle coecients de variations saisonnières sj = dans le cas du
0 sj
s̄
modèle multiplicatif.
Dénition :
On dénit la série corrigée des variations saisonnières, notée (yt ) par :
Cas additif : yp(i−1)+j = xp(i−1)+j − sj
0
ou bien, 0
xp(i−1)+j = yp(i−1)+j + sj
Pour (i, j) tel que t = p(i − 1) + j T .
tiels
Ces trois méthodes dièrent suivant le poids que l'on accorde aux
observations passées.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Lissage exponentiel simple
On dispose de x1 ,...,xT et on veut estimer xN+h , h ∈ N∗ et N = 1, ..., T .
On dénit la prévision x̂N (h) par la méthode de lissage exponentiel
simple, dont α ∈]0, 1[ la constante de lissage, par :
X1
N−
x̂N (h) = α (1 − α)t xN−t
t=0
Remarque
Si α ne dépend pas de h, x̂N (h) ne dépend pas de h, dont
x̂N (h) = x̂N .
Cette valeur x̂N est la prévision faite en N de la valeur en N+1.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Lissage exponentiel simple
Proposition
On peut calculer par récurrence à l'aide de la formule de mise à jour :
x̂N = αxN + (1 − α)x̂N−1
Lemme
x̂N peut être vu comme une régression sur une constante, avec des
pondérations exponentielles.
Cette prévision est donc asymptotiquement la solution de
X1
N−
x̂N = argmin (1 − α)t (xN−t − c)2
c
t=0
Initialisation
Puisque on peut voir la méthode de LES comme un processus
itératif, alors on doit initialiser ce dernier.
On prend généralement, x̂1 = x1 .
Ou bien, x̂1 = x̄ .
Cette valeur aura moins d'inuence lorsque T sera grand.
Exemple 1 :
Calculez les taux de variation du taux de chômage pour les quatre trimestres
2001.
Prévision par lissage exponentiel simple :
Justiez le recours au lissage exponentiel simple pour la prévision du
taux de variation du taux de chômage.
Complétez le tableau ci-dessous et donnez les prévisions du taux de
variation du taux de chômage pour les deux premiers trimestres 2002.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Principe de lissage exponentiel double
On dispose de x1 ,...,xT et on veut estimer xN+h , h ∈ N∗ et N = 1, ..., T .
Le lissage exponentiel simple est adapté à des séries pouvant être
ajustée par une constante au voisinage de N .
Le principe de lissage exponentiel double permet l'ajustement par
une droite, à savoir approcher xt par yt d'équation :
yt = b + a(t − N)
.
Pour α ∈]0, 1[, on peut dénir la prévision par lissage exponentiel
double comme suit :
x̂N (h) = b̂N + âN h
Ou (âN , b̂N ) solution de
X1
N−
(âN , b̂N ) = argmin (1 − α)t (xN−t − (b + at))2
a,b t=0
Théorème
Les solutions du problème de minimisation ci-dessus sont
(asymptotiquement)
b̂N = −L2 (N) + 2L1 (N)
α
âN = 1−α (−L2 (N) + L1 (N))
Ou
PN−1
L1 (N) = α t=0 (1 − α)t xN−t
PN−1
L2 (N) = α t=0 (1 − α)t L1 (N − t)
Remarque
On remarque qu'on a ici deux lissages exponentiels successifs. Parce que
L2 est un lissage exponentiel de L1 qu'on parle lissage exponentiel double.
Proposition
En développant les égalités obtenus, on obtient les formules de mise à
jour des coecients :
b̂(N) = b̂(N − 1) + â(N − 1) + (1 − (1 − α)2 )(xN − x̂N−1 (1))
â(N) = â(N − 1) + α2 (xN − x̂N−1 (1))
Avec l'initialisation :
b̂(2) = x1
â(2) = x2 − x1
Remarque
Comme pour le lissage exponentiel simple, le choix de la constante de
lissage α peut se faire par la minimisation d'un critère choisi.
Exemple 1 :
Calculez les taux de variation du taux de chômage pour les quatre trimestres
2001.
Prévision par lissage exponentiel double :
Justiez le recours au lissage exponentiel double pour la prévision du
taux de variation du taux de chômage.
Complétez le tableau ci-dessous et donnez les prévisions du taux de
variation du taux de chômage pour les deux premiers trimestres 2002.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Méthode de Holt-Winters : Cas non saisonnière
Cette méthode est une généralisation de la méthode de lissage
exponentiel.
De la même façon que pour le lissage exponentiel double,
l'ajustement se fait de façon linéaire au voisinage de N , la nuance se
faisant au niveau de formules de mise à jour,
On cherche à ajuster, à l'instant N , une droite d'équation :
yt = b + a(t − N). La prévision en N + h sera :
x̂N (h) = b̂ + âh
On choisit deux constantes de lissage α et β dans ]0, 1[. Les â, b̂
sont calculés récursivement par
b̂(N) = αxN − (1 − α)(b̂(N − 1) + â(N − 1))
â(N) = β(b̂(N) − b̂(N − 1)) + (1 − β)â(N − 1)
Remarques :
Cette méthode est plus souple que la précédente. Le α joue un rôle
dans l'estimée de l'ordonnée en N et le β joue un rôle dans l'estimée
de la pente.
Plus α et β sont petits, plus on tient compte du passé lointain.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Méthode de Holt-Winters : Cas non saisonnière
Lemme
Pour obtenir un lissage exponentiel double de paramètre 1 − α0 , il sut
de faire un lissage de Holt-Winters sans composante saisonnière avec
α = 1 − (α0 )2
1−α0
β= 1+α0
On retrouve le lissage exponentiel simple de paramètre α 6= 0 et β = 0.
biles
Notion d'opérateur
On appellera opérateur retard L (=lag, ou B =backward) l'opérateur
linéaire déni par
L : xt 7→ L(xt ) = Lxt = xt−1
Remarque
L ◦ F = F ◦ L = I (opérateur identité) et on notera par la suite F = L−1
et L = F −1
Polynômes d'opérateurs L
Il est possible de composer les opérateurs : L2 = L ◦ L, et plus
généralement,
Lp = L ◦ L... ◦ L p fois , p ∈ N
Soit (xt ) une série temporelle. La série (yt ) dénie par yt = A(L)xt
vérie p X
yt = ai xt−i
i=1
Proposition
Pour toutes moyennes mobiles A et B, alors
A(L)+B(L)=(A+B)(L)
α ∈ R αA(L)=(αA)(L)
A(L) ◦ B(L) = (AB)(L) = B(L) ◦ A(L)
Avantages
Outil simple à mettre en oeuvre qui met en évidence l'allure de la
tendance en supprimant la composante saisonnière et en atténuant
le bruit.
Dénition
Une moyenne mobile est un opérateur linéaire, combinaison linéaire
d'opérateurs retard
m2
X
M= θi L−i ou m1 , m2 ∈ N
i=−m1
Dénition
Si m1 = m2 = m, la moyenne mobile sera dite centrée.
De plus, si M est centrée, et que pour tout i, θi = θ−i alors la
moyenne mobile est dite symétrique.
Exemple 1
La moyenne mobile M1 (xt ) = xt +xt−1
2
Soit M1 = 2 = L 2 est de degré 1, d'ordre 2 et n'est pas
(L+I) [I+F ]
Exemple 2
xt+1 +2xt +xt−1
La moyenne mobile M2 (xt ) = 4
−1 2
Soit M2 = (L +42I+L) = L [I+2F4+F ] est de degré 2, d'ordre 3, est
centrée et symétrique.
Dénition
Si m1 = m2 = m, la moyenne mobile sera dite centrée.
De plus, si M est centrée, et que pour tout i, θi = θ−i alors la
moyenne mobile est dite symétrique.
Exemple 1
La moyenne mobile M1 (xt ) = xt +xt−1
2
Soit M1 = 2 = L 2 est de degré 1, d'ordre 2 et n'est pas
(L+I) [I+F ]
Exemple 2
xt+1 +2xt +xt−1
La moyenne mobile M2 (xt ) = 4
−1 2
Soit M2 = (L +42I+L) = L [I+2F4+F ] est de degré 2, d'ordre 3, est
centrée et symétrique.
Cas de p pair
Lorsque p est pair, p = 2m , la moyenne mobile est calculée entre
les dates d'observations t = 1, 5; 2, 5; 3, 5; 4, 5; ...
Par exemple, si m = 1, la moyenne mobile d'ordre 2 (p = 2m) pour
t = 1, 5 sera
1
M2 (1, 5) = (x1 + x2 )
2
Cette moyenne mobile est de peu d'intérêt
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Moyennes mobiles centrées
1 X
+m
Mp (t) = xt+k
p
k=−m
1 xt−m X1
+m−
xt+m
Mp (t) = ( + xt+k + )
p 2 2
k=−m+1
Ordre 9
Cette moyenne mobile a pour coecients 19 , 91 ,...., 1
9 :
1
M9 (xt ) = (x +x + ... + xt + ... + xt+4 )
9 t−4 t−3
Ordre 2 x 4
1 1 1 1
Cette moyenne mobile a pour coecients 16 , 8 ,..., 8 , 16 :
1
M8 (xt ) = (x + 2xt−3 + ... + 2xt + ... + 2xt+3 + xt+4 )
16 t−4
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Exemples : Les moyennes mobiles de diérent ordres
Ordre 3
Cette moyenne mobile a pour coecients 13 , 31 , 1
3 :
1
M3 (xt ) = (x + x + xt+1 )
3 t−1 t
Ordre 9
Cette moyenne mobile a pour coecients 19 , 91 ,...., 1
9 :
1
M9 (xt ) = (x +x + ... + xt + ... + xt+4 )
9 t−4 t−3
Ordre 2 x 4
1 1 1 1
Cette moyenne mobile a pour coecients 16 , 8 ,..., 8 , 16 :
1
M8 (xt ) = (x + 2xt−3 + ... + 2xt + ... + 2xt+3 + xt+4 )
16 t−4
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Exemples : Les moyennes mobiles de diérent ordres
Ordre 3
Cette moyenne mobile a pour coecients 13 , 31 , 1
3 :
1
M3 (xt ) = (x + x + xt+1 )
3 t−1 t
Ordre 9
Cette moyenne mobile a pour coecients 19 , 91 ,...., 1
9 :
1
M9 (xt ) = (x +x + ... + xt + ... + xt+4 )
9 t−4 t−3
Ordre 2 x 4
1 1 1 1
Cette moyenne mobile a pour coecients 16 , 8 ,..., 8 , 16 :
1
M8 (xt ) = (x + 2xt−3 + ... + 2xt + ... + 2xt+3 + xt+4 )
16 t−4
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Moyennes Mobiles centrées : Exemple applicatif
Le tableau suivant donne la série chronologique bimestrielle du transport
des voyageurs sur le réseau d'une compagnie Aérienne (en milliards de
passagers-km) de 2012 à 2015.
Jan.-Fév. Mars-Avr. Mai-Juin Juil.-Août Sep.-Oct. Nov.-Déc.
2012 13.3 15.1 14.8 16.3 14.8 14.2
2013 13.8 14.2 14.1 17.0 15.2 14.8
2014 14.4 16.0 16.2 18.5 16.2 15.3
2015 15.4 16.8 17.4 19.9 17.9 17.4
Questions :
1 Tracer la série chronologique X .
de variables aléatoires
Dénition
On dit qu'une suite de variables aléatoires (..., X−1 , X0 , X1 , ...) est
stationnaire si les espérances sont constantes
E(Xt ) = µ ∀t
Remarque
On remarque que Var (Xt ) = σ(0) pour tout t. Donc la variance est
constante.
Si l'espérance µ est nulle on dit que le processus est centré.
Dans la suite, nos processus seront centrés. C'est bien normal si on
pense qu'ils sont censés modéliser des résidus.
Dénition
La suite σ(h) est appelée fonction d'auto-covariance du processus
stationnaire.
La suite ρ(h) = σ(h)
σ(0) est sa fonction d'auto-corrélation.
σ(h) et ρ(h) ont les propriétés élémentaires suivantes :
Ces suites sont symétriques : pour tout h 0, σ(h) = σ(−h) ;
même chose pour ρ(h).
Puisque c'est une variance, σ(h) 0.
Par dénition, ρ(0) = 1.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Auto-covariance et auto-corrélation
Remarque
L'égalité à zéro de la variance σ(0) est possible mais tout à fait sans
intérêt, car alors la probabilité que Xt = µ est égale à 1 : la suite est
constante.
On supposera dans la suite que σ(0) 0, ce qui justie l'utilisation
de la corrélation.
Exemple
Soit X un processus centré tel que
Xt = 0.7Xt−1 + t
Exemple
Soit X un processus centré tel que
Xt = 0.7Xt−1 + t
Stabiliser la série
Il faut transformer la série observée de manière à :
Enlever la tendance.
Enlever la saisonnalité.
De plus, stabiliser la variance.
Si d = 1, on a yt = xt − xt−1 = (1 − B)xt .
Si d = 2, on a yt = (1 − B)xt − (1 − B)xt−1 = (1 − B)2 xt .
à l'ordre d
yt = (1 − B)d xt
Dans le cas pratique d = 0, 1, et rarement qu'on a d = 2
Formule générale
yt = (1 − B)d (1 − B p )D xt
On peut choisir d et D minimisant l'écart-type de yt .
Exemple
p = 12, d = 1 et D = 1
yt = (1 − B)(1 − B 12 )xt = (xt − xt−12 ) − (xt−1 − xt−13 )
Développement
De
yt = (1 − B)(1 − B p )xt = (xt − xt−p ) − (xt−1 − xt−p−1 )
On déduit
xt = xt−p + (xt−1 − xt−p−1 ) + yt
Avec xt−p valeur une période avant.
Et (xt−1 − xt−p−1 ) évaluation de la tendance d'une période avant.
Et yt terme aléatoire.
Objectif
Modéliser la série "stationnaire" yt .
On suppose que la série stabilisé (y1 , ..., yT ) provient d'un processus sta-
tionnaire (yt ) qui vérie :
Conditions
On a l'indépendance de t
E (yt ) = µ.
Var (yt ) = σy2 .
ρk = cor (yt , yt−k )
Résultats
Dans des conditions assez générales tout processus stationnaire peut être
approché par des modèles AR(s), MA(q) ou ARMA(s,q)
Bruit blanc
Un bruit (t ) est un processus stationnaire tel que :
E (t ) = 0,
V (t ) = σ 2 ,
ρk = cor (t , t−k ) = 0 pour tout k 0
Question
Comment choisir le modèle correspondant le mieux aux données
étudiées ?
Réponse
On utilise les auto-corrélations ρk et les auto-corrélations partielles
φk,k .
Exemple :
Déterminer les auto-corrélations rk de la série de l'exemple
précédent.
1
r1 ... rk−3 r2
.. .. . ..
..
. . .
...
rk−1 rk−2 ... r1 rk
φ̂k =
1 r1 ... rk−2 rk−1
1
r1 ... rk−3 rk−2
.. .. .. ..
. . . .
...
1
rk−1 rk−2 ... r1
Exemple :
Déterminer les auto-corrélations partielles φ̂1 , φ̂2 et φ̂3 de la série de
l'exemple précédent.
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Auto-corrélation partielle et Modèle AR(s)
Exemple :
Eectuer les prévisions de la série précédente avec le modèle MA(1).
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision
Calcul des prévisions et des erreurs
On va prendre le modèle AR(1)
Prévision :
Voila le modèle qu'on a :
xt = xt−p + xt−1 − xt−p−1 + t − θ1 yt−1
Exemple :
Eectuer les prévisions de la série précédente avec le modèle AR(1).