Scribd
Importer
6 vues2 pages

Modèles de prévision : Lissage exponentiel

Le document présente des méthodes de prévision à court terme, notamment le lissage exponentiel simple, double et de Holt Winters, en expliquant leurs principes et formules. Chaque méthode est adaptée à des caractéristiques spécifiques des séries temporelles, telles que l'absence de tendance ou de saisonnalité. Les paramètres de ces modèles peuvent être optimisés en comparant les valeurs observées et simulées à l'aide d'erreurs statistiques.

Transféré par

yacoubouikyamohamed
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
6 vues2 pages

Modèles de prévision : Lissage exponentiel

Le document présente des méthodes de prévision à court terme, notamment le lissage exponentiel simple, double et de Holt Winters, en expliquant leurs principes et formules. Chaque méthode est adaptée à des caractéristiques spécifiques des séries temporelles, telles que l'absence de tendance ou de saisonnalité. Les paramètres de ces modèles peuvent être optimisés en comparant les valeurs observées et simulées à l'aide d'erreurs statistiques.

Transféré par

yacoubouikyamohamed
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Exercice 3 (6pts).

Ecrire le programme latex per-


mettant d’élaborer l’annexe 1
Annexe 1: PREDICTIONS
1. PREDICTIONS
1.1. Prévisions issues des modèles SARIMA estimés
1.2. Modèle simple de prévision à court terme: Le lissage
exponentiel
Le lissage exponentiel est un modèle de prévision qui utilise les valeurs passées
d’une série temporelle. Il en existe plusieurs types selon les caractéristiques de
la série à explorer/modéliser/prévoir.

ˆ Le lissage exponentiel simple: pour les chroniques dépourvues d’une ten-


dance ou d’une saisonnalité.
ˆ Le lissage exponentiel double: pour les séries présentant une tendance.

ˆ Le lissage de Holt Winters: pour les séries possédant une tendance et une
composante saisonnière juxtaposées (de manière additive ou multiplica-
tive).
ˆ Enfin on peut aussi faire des modèles ayant une composante saisonnière
mais sans aucune tendance distincte (comme le cas de notre chronique de
pluie à Toliara par exemple).

1.2.1. Le lissage simple


Le principe est simple. Par exemple, pour le lissage exponentiel simple, on
cherche à obtenir une valeur lissée en t pour le reporter en t + 1.

ct = αyt + (1 − α)yt−1 , i = 0, 1, ...


ŷt = αyt + α(1 − α)yt−1 + α(1 − α)2 yt−2 + ...

On a donc comme paramètres une prévision initiale (c’est souvent une moyenne
des dernières observations) et une constante de lissage α (idéalement entre 0.1
et 0.3). On peut alors chercher les valeurs optimales des paramètres en com-
parant les valeurs observées et simulées et en se basant sur les erreurs suivantes:
Erreur moyenne (ME), Erreur quadratique moyenne (MSE), et Erreur absolue
moyenne (MAE). L’ajustement peut se faire avec le package forecast de R: ets()
(Hyndman et Khandakar, 2008).

1
1.2.2. Le lissage double
Pour les séries sans saisonnalité à tendance localement linéaire, le modèle de
prévision possède un niveau et une pente.
Niveau:

â1 (t) = αyt + (1 − α)[â1 (t − 1) + â2 (t − 1)]


â2 (t) = β[â1 (t) − â1 (t − 1)] + (1 − β)â2 (t − 1)

La prévision à la date t pour l’horizon h (c’est-à-dire pour t + h) est:

ŷ(t + h) = â1 (t) + â2 (t) · h

Les paramètres sont donc le niveau initial, la pente initiale, α et β.

1.2.3. Le lissage de Holt Winters


Ce modèle est adapté pour les séries ayant à la fois une tendance et une saison-
nalité. Les composants du modèle sont le niveau, la pente auxquels on ajoute
la saisonnalité.
Dans le cas d’un schéma additif, on a ceci.
Niveau:

â1 (t) = α(yt − St−p ) + (1 − α)[â1 (t − 1) + â2 (t − 1)]


â2 (t) = β[â1 (t) − â1 (t − 1)] + (1 − β)â2 (t − 1)
St = γ(yt − â1 (t)) + (1 − γ)St−p

La prévision à la date t pour l’horizon h (c’est-à-dire pour t + h) est:

ŷ(t + h) = â1 (t) + â2 (t) · h + St+h−p

Les paramètres sont donc, α, β, γ le niveau initial, la pente initiale et les


coefficients saisonniers initiaux.
Enfin, pour les modèles ayant une composante saisonnière mais sans aucune
tendance distincte (comme le cas de notre chronique de pluie à Toliara par
exemple), on aura donc un niveau, une saisonnalité mais pas de pente.

Vous aimerez peut-être aussi