Utilisation des modèles de série temporelle

Analyse des résultats d'un modèle de série temporelle dans SAP Analytics Cloud Smart Predict

Objective

After completing this lesson, you will be able to analysez les résultats d'un modèle de série temporelle.

État prévisionnel

Indicateurs de performance globaux

Vous pouvez évaluer la qualité des performances de votre modèle prédictif à l'aide de la MAPE escompté. La MAPE attendue est l'évaluation de "l'erreur" faite lors de l'utilisation du modèle prédictif pour estimer les valeurs futures du signal, quel que soit l'horizon.

  • Pour chaque valeur observée réelle, le modèle prédictif calcule autant de valeurs prévisionnelles que demandé par l'analyste. Il s'agit de l'horizon des prévisions.
  • Chacune de ces valeurs prévisionnelles est comparée aux valeurs réelles correspondantes. Ensuite, pour chaque horizon possible, une MAPE par horizon peut être calculée. Cette valeur correspond à la moyenne des écarts absolus entre les valeurs réelles et prévisionnelles, exprimée en pourcentage des valeurs réelles.
  • La MAPE attendue est la moyenne de toutes les valeurs MAPE par horizon qui ont été calculées.
    • Une MAPE attendue de zéro indique un modèle prédictif parfait. Plus la MAPE globale sur l'horizon est faible, meilleures sont les performances de votre modèle prédictif.
    • Une MAPE attendue de 17,63 % indique que l'erreur commise lors de l'utilisation d'une valeur prévisionnelle est d'environ 17 %.
La MAPE escomptée et les prévisions vs. Réel pour un modèle de série temporelle.

Prévisions par rapport aux valeurs réelles

Le graphique Prévision/Réel affiche des courbes pour les valeurs prévisionnelles (prévues) et réelles (cible) pour la source de données de série temporelle. Il affiche la précision du modèle prédictif.

Les prévisions sont affichées à la fin du graphique. Pour chaque valeur prévisionnelle, le modèle prédictif fournit des estimations des erreurs minimales et maximales.

  • L'espace entre les limites supérieure et inférieure des erreurs possibles dans les prévisions générées par votre modèle prédictif est appelé intervalle de confiance. Cette zone est affichée uniquement pour les prévisions.
  • Les valeurs aberrantes sont des valeurs marquées d'un cercle rouge sur le graphique.
  • Le code d'erreur de prévision est l'écart absolu entre les valeurs réelles et prédites. Ce code est également appelé résidu. Le seuil anormal de résidus est défini sur trois fois l'écart type des valeurs résiduelles sur une source de données d'estimation (ou de validation). La valeur prévisionnelle et les valeurs limites d'erreur sont répertoriées dans la table des prévisions pour chaque prévision.

Prévisions

La table des prévisions affiche les informations suivantes pour vous aider à analyser les performances de votre modèle prédictif de série temporelle :

  1. Prévision : valeurs prédites pour le modèle prédictif à partir d'un ensemble de données connues appelé partition de validation.
  2. Erreur min. et max. : mesures d'écart minimum et maximum des valeurs autour des prévisions. Si vous choisissez de segmenter votre modèle prédictif de prévision de série temporelle par entité, vous disposerez de ces informations pour chaque segment.
La table Prévision avec Temps, Prévision, Erreur max. et Erreur min. s'affiche.

Valeurs aberrantes

La table de sortie affiche les détails des valeurs aberrantes. Une valeur de signal réelle est considérée comme une valeur aberrante si l'erreur de prévision correspondante est anormale par rapport à la moyenne de l'erreur de prévision dans l'ensemble de données d'estimation.

L'indicateur d'erreur de prévision est la différence absolue entre les valeurs réelles et prédites et est également appelé résidu. Le seuil d'anomalie pour les résidus est défini sur 3 fois l'écart-type des valeurs des résidus dans l'ensemble de données d'entraînement.

Les anomalies sont des valeurs de signal en dehors de la zone d'erreur possible pour la prévision, définie par ses limites supérieure et inférieure. Le signal est comparé à toutes les prévisions.

Valeurs aberrantes (passées) et Valeurs aberrantes (futures) pour le rapport Prévision.

Rapport d'explication

Répartition des séries chronologiques

L'explication textuelle dans le rapport de découpage des séries chronologiques décrit la technique de modélisation utilisée pour calculer la prévision. L'éclatement de la série chronologique peut être :

  1. Technique de modélisation de découpage de série temporelle que vous pouvez appliquer lorsque vous travaillez avec une série chronologique avec des interruptions limitées.
  2. Découpage de série chronologique lorsqu'une technique de lissage est appliquée lors de l'utilisation d'une série chronologique perturbée qui ne suit pas une tendance ou un cycle régulier.

Les deux répartitions incluent les éléments suivants :

  • Les données réelles sont les données historiques observées.
  • La prévision est le résultat de la prévision du futur.
  • Les influenceurs représentent la partie de la série temporelle impactée par les influenceurs, indiquée dans la zone Influenceurs des options du modèle prédictif.
  • Les Fluctuations représentent la partie de la série temporelle détectée par le modèle prédictif qui dépend des valeurs passées de la série temporelle. Le rapport affiche l'influence des dernières observations avant la prévision. Les Fluctuations reflètent les modifications qui ne sont pas détectées au niveau de la tendance et du cycle. Par exemple, le modèle prédictif peut détecter que les 37 valeurs précédentes affectent les valeurs réelles.
  • Les Résidus font référence à ce qui reste lorsque les tendances, les cycles et les fluctuations ont été extraits de la série chronologique initiale. Les résidus ne sont pas systématiques ou prévisibles et reflètent la partie de la série temporelle que Smart Predict ne peut pas expliquer ou modéliser. Plus les résidus sont petits, meilleur est le modèle prédictif. Un bon modèle prédictif produit des données résiduelles qui ne contiennent aucun modèle.
Répartition de la série chronologique avec une série chronologique avec des interruptions limitées.

Interprétation de la tendance et des cycles

Selon le type de découpage de séries chronologiques utilisé, la Tendance et les Cycles sont interprétés différemment.

1. Le modèle prédictif a été créé en décomposant la série temporelle en différents composants.

La Tendance est la direction générale de la série chronologique. Le rapport peut afficher des tendances linéaires ou quadratiques.

Les cycles sont les cycles à durée fixe ou saisonniers détectés dans la série chronologique.

  • Les cycles de durée fixe se répètent à chaque observation N.
  • La récurrence des cycles saisonniers est basée sur une unité de temps calendaire telle que le jour, la semaine, le mois, etc. Pour les cycles saisonniers, le rapport affiche la récurrence du modèle cyclique et la granularité temporelle à laquelle il apparaît. Les cycles saisonniers suivants peuvent être détectés :
    • un modèle récurrent chaque année en cas d'observation sur une base semestrielle
    • un modèle récurrent chaque année en cas d'observation mensuelle
    • un modèle récurrent chaque année en cas d'observation sur une base semestrielle
    • un modèle récurrent chaque année en cas d'observation hebdomadaire
    • un modèle récurrent chaque trimestre en cas d'observation mensuelle
    • un modèle récurrent chaque semestre en cas d'observation mensuelle
    • un modèle récurrent chaque mois en cas d'observation hebdomadaire
    • un modèle récurrent chaque année en cas d'observation quotidienne
    • un modèle récurrent chaque mois en cas d'observation quotidienne
    • un modèle récurrent chaque semaine en cas d'observation quotidienne
    • un modèle récurrent chaque heure en cas d'observation sur une base de minutes
    • un modèle récurrent chaque jour en cas d'observation sur une base horaire
    • un modèle récurrent chaque minute en cas d'observation sur une base d'une seconde

2. Le modèle prédictif a été créé de manière incrémentielle en lissant la série temporelle, avec une pondération plus élevée donnée aux observations récentes.

La tendance est l'orientation des données prévisionnelles. Il est calculé à l'aide d'un algorithme qui applique un lissage exponentiel aux données passées au fil du temps.

Les cycles sont des cycles saisonniers, avec ou sans variations d'amplitude.

  • Ces cycles sont calculés à l'aide d'un algorithme qui applique une technique de lissage exponentiel sur les données passées au fil du temps. La récurrence des cycles saisonniers est basée sur des unités de temps calendaires telles que les jours, les semaines et les mois.
  • Le rapport affiche la récurrence du modèle cyclique. Les cycles saisonniers suivants peuvent être détectés :
    • un modèle récurrent chaque semestre
    • un modèle récurrent chaque trimestre
    • un modèle récurrent tous les mois
    • un modèle récurrent toutes les  deux semaines
    • un modèle récurrent chaque semaine
    • un modèle récurrent tous les jours
    • un modèle récurrent toutes les heures
    • un modèle récurrent toutes les minutes
    • un modèle récurrent toutes les secondes

Impact des cycles

Un graphique Impact des cycles s'affiche lorsque certains cycles sont détectés dans la série temporelle prévue. Il fournit des détails sur la manière dont l'objectif est impacté par les cycles, y compris les cycles saisonniers et à durée fixe.

Les cycles sont nommés par leur récurrence (Cycle annuel, Cycle de six jours, etc.) et chaque barre représente l'impact du cycle pour une période donnée : c'est-à-dire combien le cycle augmente ou diminue la valeur prévue pour cette période.

Lorsqu'une technique de lissage est utilisée, Smart Predict affiche toujours les trois dernières valeurs pour chaque période.

Cycle d'amplitude constante

Certains cycles ont une amplitude constante. Cela signifie que, pour une période donnée du cycle, l'impact de cette période est le même pour toute occurrence du cycle.

Dans ce cas, un seul cycle est affiché (il n'y a qu'une seule série), car l'impact dans chaque période est identique pour toutes les occurrences du cycle.

Dans l'exemple ci-dessous, l'impact sur la prévision pour samedi (samedi) est -85027,87 et cet impact est le même chaque semaine.

Onglet Rapport d'explication affichant le diagramme Impact des cycles affichant les données décrites ci-dessus.

Cycle d'amplitude variable

Certains cycles se répètent dans le temps avec une amplitude qui peut changer. Pour une période spécifique du cycle, l'impact diffère pour chaque cycle. Pour illustrer cette évolution, l'impact des trois derniers cycles est affiché (le graphique comporte trois séries).

Dans l'exemple suivant, l'amplitude du cycle augmente au fil du temps.

Onglet Rapport d'explication affichant le diagramme Impact des cycles.

Contributions des valeurs cible passées

Les Contributions des valeurs cible passées identifient les observations passées qui influencent le plus la prévision.

  • À l'étape d'identification des composants du modèle, Smart Predict a constaté que les valeurs précédentes de la série temporelle ont un impact sur les valeurs réelles.
  • Le graphique montre comment le passé récent, ou passé lointain, d'une composante autorégressive, influence la cible.
  • Les décalages sont numérotés avec des nombres entiers négatifs représentant leur distance dans le passé par rapport à la prévision. Décalage -1 est le point dans le passé juste avant la prévision. Décalage -5 est de cinq points dans le passé.
  • Dans l'exemple suivant, un modèle prédictif est développé pour prévoir le taux d'ozone pour les 12 prochains mois.
    • Le graphique montre que les valeurs observées influencent le taux d'ozone dans le passé récent ou lointain.
    • Il montre également les dates les plus importantes.
    • Les décalages sont numérotés avec des nombres entiers négatifs qui représentent leur distance par rapport aux prévisions dans le passé. Smart Predict a détecté que les 10 valeurs précédentes affectent les valeurs suivantes. Par conséquent, le graphique s'arrête à 10.

Ces décalages vous permettent d'analyser la manière dont les valeurs précédentes influencent les valeurs suivantes. Ici, les décalages -1 et -6 sont influents.

Onglet Rapport d'explication affichant le diagramme Fluctuations.

Impact relatif des composants

Le diagramme Impact relatif des composants représente la pondération de ce composant dans la valeur absolue des données réelles dans la série chronologique. Un impact relatif de n % signifie que le composant considéré représente à lui seul n % des données réelles. Les impacts relatifs des composants totalisent 100 %, y compris les résidus finaux.

Les résidus finaux du composant représentent la part des données réelles non expliquée par le modèle de prévision de série temporelle.

Dans l'exemple suivant :

  • Dans cet exemple, la tendance représente à elle seule 91 % des données réelles.
  • La pondération annuelle du cycle ne représente que de petites variations autour de la tendance et ne représente que 7 % des données réelles.
applic.Impact relatif
Tendance91%
Cycles (cycle annuel)7 %
Résidus finaux2 %
Impact relatif du rapport sur les composants avec les données réelles, la tendance et le cycle affichés.

Statistiques de la cible

Ces statistiques de signal (minimum, maximum, moyenne et écart-type) sont fournies pour les jeux de données d'entraînement et de validation. Dans cet exemple, les informations sur l'ensemble de données Validation sont affichées. Pour la modifier, utilisez le menu déroulant.

Rapport d'explication pour un modèle de série temporelle avec des informations de statistiques sur la cible du jeu de données de validation affichées.

Modèle de série temporelle segmenté

Modèles de séries temporelles segmentés

Lorsque vous utilisez une entité pour segmenter une série chronologique, les rapports pour chaque entité sont disponibles.

  • S'il existe moins de 20 segments, ces rapports sont disponibles automatiquement après l'entraînement.

    Sélectionnez les valeurs de colonne qui apparaissent ensemble, formant un segment. Par exemple, Produit X, Point de vente Y, dans la liste déroulante en haut à gauche des deux onglets, pour afficher son rapport.

  • Si un modèle prédictif contient plus de 20 segments, les rapports pour chaque segment ne sont pas disponibles automatiquement après l'entraînement ; ils sont accessibles à la demande. Cela permet de ne pas perdre de temps à créer des rapports pour les modèles prédictifs comportant un grand nombre de segments lorsque tous ces rapports ne sont pas requis en une seule fois.
    • Sélectionnez le segment et, après un léger retard, les rapports sont créés et mis à disposition.
    • Une fois qu'un rapport est disponible, vous pouvez y accéder immédiatement à tout moment.
Rapports par entité pour un modèle de série temporelle segmenté.

Étapes suivantes

Une fois que vous avez analysé votre modèle prédictif, vous avez deux choix :

1. Les performances du modèle prédictif sont satisfaisantes. Si vous êtes satisfait des performances de votre modèle, utilisez-le et appliquez-le.

2. Les performances du modèle prédictif doivent être améliorées. Si vous n'êtes pas satisfait des performances du modèle, vous devez tester les paramètres.

Pour tester les paramètres, vous pouvez :

  • Dupliquez le modèle prédictif.
    1. Ouvrez le scénario prédictif qui contient le modèle prédictif à dupliquer.
    2. Ouvrez la liste Modèle prédictif.
    3. Cliquez sur au niveau du modèle prédictif à dupliquer et, dans le menu, sélectionnez Copier. La copie crée une copie exacte (non entraînée) du modèle prédictif d'origine.
    4. Comparez les deux versions et trouvez la meilleure.
  • Mettez à jour les options du modèle existant et entraînez-le à nouveau. La version précédente a été supprimée.