Noeud Séries temporelles

Le noeud Séries temporelles peut être utilisé avec des données dans un environnement local ou distribué. Avec ce noeud, vous pouvez indiquer d'estimer et de générer des modèles de lissage exponentiel, ARIMA (Autoregressive Integrated Moving Average) à 1 facteur ou ARIMA à plusieurs facteurs (ou fonction de transfert) pour les séries temporelles, et de générer des prévisions d'après les données des séries temporelles.

Le lissage exponentiel est une méthode qui vise à prévoir des valeurs futures à partir de valeurs pondérées d'observations de séries antérieures. De part sa nature, le lissage exponentiel n'est pas basé sur une compréhension théorique des données. Il prévoit un point à la fois, en ajustant ses prévisions au fur et à mesure de l'arrivée de nouvelles données. Cette technique est utile pour les séries de prévisions qui présentent une tendance, une saisonnalité ou les deux. Vous pouvez choisir parmi divers modèles exponentiels qui diffèrent dans leur manière de traiter la tendance et la saison.

Les modèles ARIMA mettent à votre disposition des méthodes de modélisation des composantes de tendance et saisonnières plus élaborées que celles proposées par les modèles de lissage exponentiel. En particulier, ils permettent d'inclure des variables indépendantes (prédicteurs) dans le modèle. Cela suppose la spécification explicite des ordres autorégressifs et de moyennes mobiles, ainsi que du degré de différenciation. Vous pouvez inclure des variables de prédicteur et définir des fonctions de transfert pour certaines ou pour toutes, et spécifier la détection automatique des valeurs extrêmes ou d'un ensemble explicite de valeurs extrêmes.

Remarque: En termes pratiques, les modèles ARIMA sont particulièrement utiles si vous souhaitez inclure des prédicteurs qui peuvent aider à expliquer le comportement de la série en cours de prévision, comme le nombre de catalogues envoyés ou le nombre d'accès à la page Web d'une société. Les modèles de lissage exponentiel décrivent le comportement des séries temporelles sans essayer d'en analyser les causes. Par exemple, une série, dont l'historique montre qu'elle connaît un pic tous les 12 mois, continuera probablement à se comporter ainsi, même si vous ignorez la raison de ce cycle.

Vous disposez également d'une option Expert Modeler, qui tente d'identifier et d'estimer automatiquement le modèle ARIMA ou de lissage exponentiel le mieux adapté pour une ou plusieurs variables cible ; cela évite d'identifier un modèle approprié via une série d'essais et d'erreurs. En cas de doute, utilisez l'option Expert Modeler.

Si des variables de prédicteur sont spécifiées, Expert Modeler sélectionne celles qui présentent une relation significative d'un point de vue statistique avec la série dépendante afin de les inclure dans les modèles ARIMA. Les variables de modèle sont transformées le cas échéant à l'aide de transformation par différenciation, par racine carrée ou par log népérien. Par défaut, Expert Modeler prend en considération tous les modèles de lissage exponentiel et tous les modèles ARIMA, et sélectionne, parmi ceux-ci, le meilleur modèle pour chaque champ cible. Toutefois, vous pouvez faire en sorte que Expert Modeler ne sélectionne que le meilleur des modèles de lissage exponentiel ou que le meilleur des modèles ARIMA. Vous pouvez également indiquer la détection automatique des valeurs extrêmes.