Une série chronologique est une séquence de points de données journalisés à intervalles réguliers. L'analyse des séries chronologiques est utilisée pour analyser les tendances, la saisonnalité et d'autres modèles afin de comprendre le comportement passé et de prédire les valeurs futures. Elle est utile dans différents domaines, tels que le marketing, la finance, la santé, etc., ce qui permet une prise de décision et des prévisions éclairées basées sur des ensembles de données historiques.
En général, la prévision de séries chronologiques peut être classée en deux types principaux, à savoir univarié et multivarié. La première consiste à prévoir des valeurs futures basées sur les données historiques d'une seule variable, par exemple, si vous enregistrez des valeurs de vitesse du vent horaire pour une zone géographique donnée et que vous avez l'intention de prévoir la vitesse future du vent à l'aide des enregistrements de vitesse du vent historiques.
Techniques et modèles de prévision de série temporelle
D'autre part, la prévision de série temporelle multivariée utilise plusieurs variables liées pour prédire des valeurs futures. Un exemple de scénario serait l'exemple ci-dessus pour la prévision de la vitesse du vent, mais la prévision multivariée représente également d'autres caractéristiques liées aux intempéries, telles que la pression atmosphérique, l'intensité des tempêtes solaires et la température, entre autres. En résumé, le scénario multivarié prend en compte plusieurs variables pour prédire une variable cible, dans ce cas, la vitesse du vent.
Globalement, les algorithmes de prévision de série temporelle peuvent être fractionnés dans les classes suivantes :
- Modèles classiques / statistiques: Modèles additifs, Moyennes mobiles, Lissage exponentiel, ARIMA, SARIMA, TBATS
- Approche d'apprentissage automatique : régression linéaire, XGBoost, forêt aléatoire
- Apprentissage profond : réseaux de neurones récurrents (RNN), mémoire à long terme (LSTM), réseaux de neurones convolutifs (CNN) et transformateurs qui peuvent très bien fonctionner dans des tâches devant tenir compte à la fois des tendances à court et à long terme, à savoir la prévision des prix des actions et la prévision météorologique
Les modèles additifs de série temporelle considèrent qu'une série chronologique peut être fractionnée en ses composants (tendance, saisonnalité, cyclique et irrégulier) en les additionnant. En d'autres termes, la valeur observée à un moment donné est la somme de ces composants individuels.
Dans SAP HANA, un modèle additif [1] est un type de modèle de prévision de série temporelle dans lequel la valeur observée est la somme des composants tendanciels, saisonniers et résiduels. Il s'agit d'un élément clé de la bibliothèque d'analyses prédictives SAP HANA (PAL) et il est particulièrement utile pour les données présentant de forts modèles saisonniers.