Vous êtes sur la page 1sur 60

COLLEGE DU MANAGEMENT

CDM IML
Institut international de Management pour la Logistique

TABLE DES MATIERES


COLE POLYTECHNIQUE
FDRALE DE LAUSANNE

CdM - LEM - IML / Odyssea-Station 5 / CH - 1015 LAUSANNE


Tlphone: +41 21 693 24 65 Fax: +41 21 693 24 89
E-mail: philippe.wieser@epfl.ch

METHODES DE PREVISION
Analyse prvisionnelle

Prof. Dr Ph. WIESER


Directeur IML

2009

1.

INTRODUCTION

1.1

APPLICATIONS DES METHODES DE PREVISION

1.2

INTERET DE L'APPLICATION DE MODELES DE PREVISION

1.3

BASES D'UNE PREVISION

1.4

CARACTERISTIQUES D'UNE SERIE CHRONOLOGIQUE

2.

MESURES DE LA PRECISION D'UNE PREVISION

2.1

RAPPELS STATISTIQUES

2.2

PRECISION D'UNE PREVISION

10

3.

METHODES-MODELES DE PREVISION

12

3.1
3.1.1
3.1.2
3.1.3
3.1.4
3.1.5

METHODES PAR LISSAGE


MOYENNES MOBILES SIMPLES
MOYENNES MOBILES DOUBLES
LISSAGE EXPONENTIEL SIMPLE
LISSAGE EXPONENTIEL DOUBLE
AUTRES FORMES DE LISSAGES

13
13
18
22
28
32

3.2 METHODES ADAPTATIVES


3.2.1 METHODE PAR FILTRAGE ADAPTATIF
3.2.2 LISSAGE EXPONENTIEL SIMPLE ADAPTATIF

37
37
43

3.3
3.3.1
3.3.2
3.3.3

46
46
51
56

METHODES DE REGRESSIONS
REGRESSIONS LINEAIRES
REGRESSIONS NON LINEAIRES
REGRESSIONS MULTIPLES

3.4 SAISONNALITE
3.4.1 INTERET DE LINDICE SAISONNIER SUR LA PREVISION

59
62

3.5 METHODES PAR DECOMPOSITION


3.5.1 DECOMPOSITION PAR FACTEURS D'INFLUENCE
3.5.2 DECOMPOSITION PAR SERIES DE FOURIER

64
64
70

3.6
3.6.1
3.6.2
3.6.3
3.6.4

METHODES DE BOX & JENKINS (introduction)


MODELES
DETERMINATION DES PARAMETRES ET MODELES DE PREVISION
CHOIX D'UN MODELE
CONDITIONS D'APPLICATION

74
74
76
80
80

4.

CHOIX D'UNE METHODE DE PREVISION

84

4.1
4.1.1
4.1.2
4.1.3

ANALYSE DE LA SERIE CHRONOLOGIQUE DE DONNEES


ANALYSE GRAPHIQUE ET STATISTIQUE
AUTOCORRELATION DES DONNEES
CORRECTIONS DE VALEURS ABERRANTES

84
84
85
89

4.2 CHOIX D'UN MODELE DE PREVISION


4.2.1 APPLICATION PRATIQUE DE MODELES DE PREVISION

90
90

4.3

92

TEST DUN MODELE DE PREVISION

1. INTRODUCTION
La prvision, dans le cadre d'une prise de dcision (conomique, financire, stratgique,
logistique, ...) joue aujourd'hui un rle essentiel, particulirement dans les cas o le cot de
l'erreur est important, pouvant entraner, pour lentreprise (ou linstitutionnel) des
consquences graves, voire irrmdiables.

1.1 APPLICATIONS DES METHODES DE PREVISION


Les techniques actuelles de gestion de production industrielle (Juste--temps, flux tirs,
stock=0, ...) et les modules intgrs associs (GPAO, MRP, MRPII, ERP, SCM, ...)
sappuient, pour une large part, sur des rsultats fournis par une analyse prvisionnelle court
et moyen termes (production: 1 3 mois, marketing, stratgie: 3 12 mois, voire 24 mois).
Linfluence dune telle analyse est ainsi dterminante, spcialement dans les domaines
suivants:

5.

RESULTATS ET QUALITE D'UN MODELE DE PREVISION

93

5.1

RESULTATS

93

5.2
5.2.1
5.2.2
5.2.3

QUALITE ET PERFORMANCE DU MODELE DE PREVISION


COMPARAISON: DONNEES-MODELE, PERFORMANCE DU MODELE
ANALYSE DES ECARTS, DES RESIDUS
AUTOCORRELATION DES RESIDUS

98
98
99
107

6.

COMPARAISON DE METHODES DE PREVISION

111

7.

COMBINAISON DE METHODES DE PREVISION

115

8.

CONCLUSION

116

L'ensemble des mthodes mathmatiques de prvision ont pour but essentiel d'liminer, ou
tout au moins de rduire, l'interprtation subjective de lvolution (extrapolation) d'une srie
de valeurs historiques: biais humains.

117

Ces biais sont principalement:

120

- linfluence d'lments extrieurs sans rapport direct avec la prvision tablir,


- la surabondance d'informations,
- limportance de valeurs initiales mme errones (mmoire quasi-permanente de la
premire valeur!),
- le caractre et lenvironnement local de la personne effectuant la prvision,
- ...

ANNEXE 1: DECOMPOSITION PAR SERIES DE FOURIER

Rfrences

- la prise de dcision,
- la stratgie d'entreprises (croissance, politique dentreprise, ...),
- la gestion et la planification,
- le marketing (demande, ...) et la vente,
- lanalyse conomique et financire (recettes, dpenses, ...),
- la logistique (stocks, approvisionnements, ventes, ...),
- la croissance prvisionnelle de valeurs exognes l'entreprise (production de matriaux,
dmographie, PNB, croissance, ...),
- ...

1.2 INTERET DE L'APPLICATION DE MODELES DE PREVISION

Ainsi, la mme prvision, effectue par plusieurs personnes appartenant des services ou
des dpartements diffrents, conduit des rsultats qui peuvent tre parfois contradictoires.
Il est alors essentiel de pouvoir disposer d'une base commune de discussion, tablie par une ou
la combinaison de plusieurs mthodes de prvision (c.f. 3 & 7).
De tels modles sont des outils prcieux daide la dcision en proposant au(x) dcideur(s)
(sans se substituer ces derniers!), des plages probables (interprtation probabiliste des
rsultats) de prvision (c.f. 5.1 d) dune srie chronologique de donnes.

1.4 CARACTERISTIQUES D'UNE SERIE CHRONOLOGIQUE


Une srie chronologique de donnes peut tre caractrise (au plus) par 3 composantes
principales (c.f Figure 1):
- le facteur de tendance(s)
- les caractristiques priodiques: cycles
- la saisonnalit:cycle particulier court terme, par dfinition lintrieur dune anne
- les cycles: facteurs priodiques plus longs termes (> 1 an)

1.3 BASES D'UNE PREVISION

- le facteur alatoire

Un certain nombre dlments doivent tre pris en compte pour appliquer un modle de
prvision, en particulier:
 L'HORIZON TEMPOREL

1. TENDANCE(S)

- le nombre de valeurs historiques (longueur de la srie chronologique),


- la dure de la projection (stabilit de la srie chronologique!),
 LINTERVALLE TEMPOREL DE LA PREVISION
annuel, trimestriel, mensuel, ...
 LE CHOIX DE METHODE(S)

2a. SAISONNALITE

- le type de modle: - ltude de la srie chronologique (tendance, cycles, saisonnalit, ...)


- le nombre de valeurs prvisionnelles (prvision court, moyen ou
long terme),
- une prvision intrinsque une srie de donnes historiques,
- une prvision par rgressions multiples de plusieurs sries de
donnes (modles conomtriques)
- la combinaison de plusieurs mthodes de prvision,
- ...

SERIE:
mensuelle
trimestrielle

t
t

t+12
t+4

t+24
t+8

2b. CYCLES

- la facilit de mise en oeuvre : - la disponibilit de srie(s) historique(s),


- le cot de mise en oeuvre de la (des) mthode(s) de
prvison, ...
temps

PRECISION REQUISE DE LA PREVISION


Exemple (source: MENTZER & COX, 1984)

3. ALEATOIRE

Erreur relative absolue moyenne par horizon et domaine de prvision


Horizons de prvision
Court terme Moyen terme Long terme
Domaines de prvision
(0-3mois)
(3mois-2ans)
(>2ans)
INDUSTRIE
8%
11%
15%
CORPORATION
7%
11%
18%
GROUPE DE PRODUCTION
10%
15%
20%
LIGNE DE PRODUCTION
11%
10%
20%
PRODUCTION
16%
21%
26%
Moyenne
11%
14%
20%
5

Figure 1
Remarque: les modles prsents ci-aprs peuvent tre structurs en 2 ensembles distincts:
- les modles intgrateurs prenant en compte tout ou partie des caractristiques
de la srie de donnes (mthodes par lissages)
- les modles de dcomposition quantifiant explicitement chaque caractristique
de la srie chronologique

Figure 2: CAS GENERAL, superposition de l'ensemble des caractristiques de base

2. MESURES DE LA PRECISION D'UNE PREVISION

DONNEES HISTORIQUES: Exemple B

1000

2.1 RAPPELS STATISTIQUES


Soit X, une srie de n valeurs:

900

800

Moyenne:

X=

Ecart-type:

Variance:

1 n
X(i)
n i =1

700
n

600

500

(X(i) X)

i =1

(ou n-1: petit chantillon)

t
400
1989

1990

1991

1992

1993

1994

1995

Cet exemple sera systmatiquement appliqu toutes les mthodes de prvision prsentes,
sous la rfrence: EXEMPLE B.

Corrlation de deux sries de n donnes: X & Y

Coefficient de corrlation:

r=

(r2 = coefficient de dtermination)

Coefficient de corrlation linaire: r =

Variation EXPLIQUEE
Variation TOTALE

Cov(X,Y)
X Y

r=

(X(i) X) (Y(i) Y)

i =1
n

i =1

i =1

( ( X(i) X) 2 ) ( (Y(i) Y) 2 )

AUTOCORRELATION

2.2 PRECISION D'UNE PREVISION

Corrlation de la mme srie de donnes X considre des priodes diffrentes.

D'une faon gnrale:


Srie de base
X(t)

Dcalage de 1 priode Dcalage de 2 priodes


X(t-1)
X(t-2)

X(1)
X(2)
X(3)
X(4)
X(5)
M
X(n-2)
X(n-1)
X(n)

X(1)
X(2)
X(3)
X(4)
X(5)
M
X(n-2)
X(n-1)

X(1)
X(2)
X(3)
X(4)
X(5)
M
X(n-2)

DONNEES = LOI DE PREVISION + ECART

Soit au temps t:

D(t) = P(t) + e(t) et ainsi: e(t) = D(t) - P(t)


avec: n = nombre de valeurs historiques et 0 t n

Ratios statistiques
analyse de sries chronologiques de donnes (et de rsidus): mise en vidence de
tendance(s), de cycles, de saisonnalit, ...
(c.f. 4.1.2 & 5.2.3)

Ecart total:

ET = e(t)

Coefficient d'autocorrlation de la srie X:

Ecart absolu total:

EAT = e(t)

Ecart moyen:

t=1

Ecart absolu moyen: EAM =

t=1

(X X ) (X
t

r=

Xt - k)

t -k

t = k +1
n

( ( Xt Xt) 2 ) (
t =1

t -k

Somme des carts quadratiques:

SEQ = e(t) 2

t = k +1

(X X ) (X
t

t-k

Xt - k)

t = k +1
n

(X X )
t

Moyenne quadratique:

1 n
e(t) 2
n t=1

MQ =

Ecart-type:

(e(t) e)

t =1

(ou n-1: petit chantillon, n<30)

si la moyenne des carts (EM) est nulle (rsidus alatoires) et si n>30, alors: =MQ

t =1

1 n
e(t)
n t=1

Xt k) 2 )

Moyennant certaines hypothses (en particulier une valeur de n leve, stationnarit de la


moyenne et de la variance) il est possible de simplifier l'quation ci-dessus, ainsi:

1 n
e(t)
n t=1

t=1

(X

avec: k = nombre de priodes en avance

r=

EM = e =

10

P(t + 1) D(t + 1)

D(t)
t =1
n 1

Test de THEIL:

U=

n-1

D(t + 1) - D(t)

D(t)
t =1


U>1: < interprtation subjective
U1: > interprtation subjective

(e(t) e(t 1))


Test DURBIN-WATSON:

DW =

t=2
n

e(t)

(c.f. chapitre 8)

r=

Au cours des annes, de multiples modles ont t dvelopps, des plus simples (moyennes
mobiles, lissages exponentiels, ) aux plus complexes (Box-Jenkins, modles
conomtriques, ).
Chaque modle a ses propres particularits permettant, en fonction de son paramtrage, de
mettre en vidence, de manire quantitative ou qualitative, les caractristiques de base dune
srie chronologique de donnes (but dun modle).
Dans le domaine industriel, les modles gnralement utiliss se fondent sur la seule
observation de la srie chronologique (historique des donnes) et sont appliqus un horizon
de prvision de court moyen terme (1 12 mois).
En revanche, dans le domaine conomique (prvision de croissance dun pays, ), o leffet
des facteurs externes est dterminant, les modles sont de types conomtriques (c.f. 3.3.3),
cest--dire tentent didentifier les relations explicatives de la variation dune srie de base
(variable explique) en fonction dautres sries de donnes (variables explicatives).

t=1

CORRELATION LINEAIRE:

3. METHODES-MODELES DE PREVISION

(D(t) D) (P(t) P)

t =1
n

t =1

t =1

TABLE DES MATIERES DU CHAPITRE


3.1 Mthodes par lissage:

( ( D(t) D) 2 ) ( ( P(t) P) 2 )
explication de la srie chronologique par le modle (c.f.
2.1), avec: D(t) srie de donnes
P(t) modle de prvision
n
nombre de valeurs comparatives
donnes-modle

AUTOCORRELATION DES RESIDUS: c.f. 5.2.3

3.2 Mthodes adaptatives:


3.3 Rgressions:

- moyennes mobiles,
- lissage exponentiel.
- filtrage adaptatif, ...
- simples, ...
- multiples.

3.4 Saisonnalit
3.5 Mthodes par dcomposition: - tendance,
- saisonnalit,
- cycles,
- alatoire,
- sries de FOURIER.
3.6 Mthodes de BOX-JENKINS (introduction)

Remarque: d'une faon gnrale, chaque mthode de prvision sera prsente par son (ses)
quation(s) mathmatique(s), un exemple numrique simple (EXEMPLE A) et
un exemple plus complet (EXEMPLE B) commun toutes les mthodes dcrites
dans ce chapitre (c.f. Figure 2).
NOTATIONS GENERALES
Srie chronologique de donnes:
Nombre de donnes historiques:
Base temporelle:
Modle de prvision:
Nombre de prvisions (>n):

11

D(t)
n
t
P(t)

12

3.1 METHODES PAR LISSAGE


Ces mthodes de prvision court terme consistent effectuer un lissage des valeurs
extrmes, afin de rvler la loi sous-jacente d'volution chronologique des donnes face aux
fluctuations alatoires.

3.1.1 MOYENNES MOBILES SIMPLES [MMS]


Cette mthode simple de lissage consiste calculer la moyenne de T valeurs de la srie
chronologique et dcaler successivement dune unit de temps lapplication de cette
moyenne (moyenne mobile).
Formellement, le rsultat de cette moyenne sappliquera au centre de lintervalle: MOYENNE
MOBILE CENTREE [MMC] (c.f. schma 1 et 3.4):
Equation de la mthode:

EXEMPLE A
Priodes
1
2
3
4
5
6
7
8
9
10
11
Tableau 1

MMC
T=3
12.0
12.3
12.7
13.3
13.7
14.3
13.7
14.7
-

Moyennes mobiles simples MMS


T=2
T=3
T=4
11.0
13.0
12.0
12.5
12.3
11.8
12.0
12.7
12.5
14.5
13.3
13.5
14.0
13.7
13.0
13.5
14.3
14.0
14.5
13.7
14.2
14.5
14.7
14.0

Donnes
10
12
14
11
13
16
12
15
14
15
Prvision

2.2

1.6

1.7

(c.f. Figure 3)

Figure 3: Mthode des Moyennes Mobiles Simples, comparaison graphique de l'effet de la


priode de lissage (c.f. Tableau 1, Exemple A)

1 t+.5T
MMC(t) = D(i)
T i=t-.5T
avec: T = priode de lissage

MOYENNE MOBILE SIMPLE


16
Donnes
15

14
MMS(T=3)
Donnes

Lissage MMC, T=3


Lissage MMC, T=5

13
t

Schma 1
12

Cette mthode, inapplicable pour extrapoler une srie chronologique (prvision), se rvlera
par contre trs efficace pour mettre en vidence certaines caractristiques de base des donnes
et en particulier les cycles et de manire dtourne la saisonnalit (c.f. 3.4 & 3.5.1).
Dans le cadre dune prvision, la mthode des Moyennes Mobiles Simples [MMS] sapplique
de manire analogue aux MMC en calculant la moyenne des T dernires valeurs de la srie
chronologique (de t-1 t-T) mais en projetant (c.f. remarques et variantes ci-aprs) ce rsultat
sur la priode t.

Moyennes mobiles simples [MMS]:

11

MMS(T=2)
t

10
1

10

11

1 t -T
P(t) = D(i)
T i= t -1

APPLICATION: ces mthodes permettent dliminer, ou tout au moins de rduire (fonction


de T et de la base temporelle) les phnomnes ponctuels et/ou de priodes
courtes (alatoire, saisonnalit).
En fonction du choix de T: mise en vidence de la tendance et des
cycles (c.f. Figure 5).

13

14

Moyennes Mobiles Simples: rponse de cette loi de prvision une srie chronologique de
donnes en forme de rampe (c.f. Figure 4).

REMARQUES et variantes
Il est intressant de relever quelques caractristiques particulires de cette mthode par
Moyennes Mobiles Simples:

 chaque terme de la moyenne est pondr de manire identique (c.f. quation MMS):
P(t) = (1/T)D(t-1) + (1/T)D(t-2) + ... + (1/t)D(t-T)
Une variante cette mthode, consiste dterminer un vecteur de pondration Vp minimisant,
pour une priode de lissage T donne, l'erreur de la prvision. Ainsi:
P(t) = Vp(1)D(t-1) + Vp(2)D(t-2) + ... + Vp(T)D(t-T)
T

avec:

Vp(j) = 1
j=1

Moyennes mobiles simples MMS


T=2
T=3
T=4
Prv.
e(t)
Prv.
e(t)
Prv.
e(t)
3
3
5
3
4
4
7
3
6
4
5
5
9
3
8
4
7
5
11
3
10
4
9
5
13
3
12
4
11
5
15
3
14
4
13
5
17
3
16
4
15
5
19
18
17
-

EXEMPLE A
Tableau 2
Priodes
Donnes
1
2
2
4
3
6
4
8
5
10
6
12
7
14
8
16
9
18
10
20
11
Prvision

Une technique de calibration de ce vecteur Vp sera prsente au 3.2.


20

 la vue du Tableau 1, il ressort que l'effet de lissage est d'autant plus important que la
priode de lissage T est grande!

19
18

Donnes

17

 la prvision faite au temps t est fonction (principe de base des MMS) de la moyenne des T
donnes prcdentes.
Rigoureusement, il est vident que cette moyenne doit tre centre sur l'intervalle T (c.f.
colonne MMC T=3, Tableau 1).

16
15
14
13
12
11

T
1

MMS(T=3)

10

8
7

P(t)

P(t)

dcalage

Schma 2
Ce dcalage explique en partie le retard d'adaptation et l'effet de trane de cette mthode
(dcalage de la prvision par rapport aux donnes de base).
Ce phnomne apparat clairement lorsque que la srie chronologique de donnes est en forme
de rampe pente constante comme le montre l'exemple A' dcrit ci-aprs.
La Figure 5 (EXEMPLE B), montre le comportement de cette mthode [MMS] face une
srie de donnes complexe.

15

4
3

MMS(T=2)

2
1

10

11

Figure 4
Des lissages d'ordres suprieurs permettront de rduire cet effet de dcalage. (c.f. 3.1.2)

16

Figure 5: EXEMPLE B, Moyennes Mobiles Simples


(T=12, donnes mensuelles: mise en vidence de la tendance et des cycles)

3.1.2 MOYENNES MOBILES DOUBLES [MMD]


Cette mthode, comme son nom le suggre, consiste appliquer deux fois conscutivement la
technique des Moyennes Mobiles Simples [MMS] dcrite au paragraphe prcdent (avec, dans
ce cas: position de P(t) sur la dernire donne lisse et ajustement local de la tendance!).

MOYENNE MOBILE SIMPLE (T=12)

1000

P' (t) =

1 t +1 T
D(i)
T i=t

1re Moyenne Mobile

P"(t) =

1 t +1 T
P'(i)
T i=t

2me Moyenne Mobile

900

800

Il est ais de montrer (c.f. Tableau 3, EXEMPLE A) que l'effet de trane mis en vidence
lors de l'tude des MMS est encore accentu avec les MMD.
Une srie de corrections doivent alors tre apportes afin de rduire ces effets. En particulier,
la prvision peut tre sensiblement amliore en ajoutant P'(t), la diffrence P'(t)-P"(t):
ajustement de la moyenne, en effet: (c.f. galement 3.1.4)

700

600

D(t) - P'(t) P'(t) - P"(t)

500
t
400
1989

1990

1991

1992

1993

1994

1995

HORIZON DE PREVISION: cette mthode ne permet deffectuer des prvisions qu trs


court terme. En effet, soit P(n+1), lextrapolation de 1 valeur
prvisionnelle:
1 n-T
P(n + 1) = D(i)
T i=n
Extrapolation de 2 valeurs prvisionnelles:
1 n+1-T
D(i)
T i=n+1

Dans ce dernier calcul entre en compte les T-1 dernires


donnes et la prvision en n+1 [P(n+1)].
En poursuivant cette dmarche, le rsultat sur un horizon
moyen terme conduirait une valeur constante et naura ainsi
plus aucune signification (moyenne de valeurs moyennes!).

17

FC1(t) = P'(t) + (P'(t)-P"(t)) = 2P'(t) - P"(t)

1996

Donnes

P(n + 2) =

[t], ainsi

Les prvisions P'(t) et P"(t) sont appliques sur la dernire valeur, respectivement D(t) et P'(t),
entrant dans le calcul de la moyenne alors que, rigoureusement, elles devraient tre places au
centre de l'intervalle: t; t-T (c.f Schma 3).
Un deuxime facteur correctif est ainsi introduit afin de compenser cet cart de position,
correspondant la diffrence: P'(t) - P"(t), soit pour une priode T=4:
T
P'(t)

P"(t)
dcalage

Schma 3
Dcalage (exemple T=4): = (T-1)/2 = (4-1)/2 = 1.5
Deuxime facteur correctif: ajustement de la tendance locale (de la pente)
FC2(t)= (P'(t)-P"(t))/ = 2(P'(t)-P"(t))/(T-1)

18

L'quation complte de la prvision MMD devient alors:

Figure 6: comparaison des rponses des mthodes MMS et MMD un signal de rampe
pente constante (c.f. Exemple A, Tableau 2 et Exemple A, Tableau 3).

P(t+) = FC1(t) + FC2(t)


18

avec: = nombre de prvisions (=1, si tn)


16

Pour des valeurs P(t+) o (t+) > n, la loi de prvision est ainsi une droite de pente FC2,
alors que la mthode des Moyennes Mobiles Simples induisait une valeur constante !

Donnes

14

MMD (T=3)
12

En reprenant l'exemple de la rampe pente constante dcrit au paragraphe 3.1.1 (EXEMPLE


A', Tableau 2)

EXEMPLE A
Priodes Donnes
1
2
2
4
3
6
4
8
5
10
6
12
7
14
8
16
9
18
10
20
11
12

MMS1 T=3
P'(t)
e(t)
4
2
6
2
8
2
10
2
12
2
14
2
16
2
18
2

MMS2 T=3
P"(t)
e(t)
P'(t)-P"(t)
6
4
2
8
4
2
10
4
2
12
4
2
14
4
2
16
4
2
Prvision: P(11) = (18+2) + 12
Prvision: P(12) = (18+2) + 22

MMD
P(t)
12 (=1)
14 (=1)
16 (=1)
18 (=1)
20 (=1)
22
24

T=3
e(t)
0
0
0
0
0
=1
=2

Tableau 3
(dans ce cas particulier: FC2(t) = FC2 = Cte = 2)

19

10
8
6
MMS (T=3)
4
2
t
0
1

10

20

30

REMARQUE: cette mthode prsente un certain nombre d'avantages par rapport aux
Moyennes Mobiles Simples (diminution de l'effet de trane, ...), par contre,
pour effectuer une prvision (t>n), il est ncessaire de pouvoir disposer d'un
nombre de donnes historiques double de celui requit dans le cadre des MMS.
Les paragraphes 3.1.3 & 3.1.4 prsentent d'autres techniques de lissage
(Lissages Exponentiels) supprimant cette contrainte.

20

Figure 7: EXEMPLE B, Moyenne Mobile Double


(T=12, donnes mensuelles: mise en vidence de la tendance et des cycles)

3.1.3 LISSAGE EXPONENTIEL SIMPLE [LEX]


Deux inconvnients majeurs pnalisent la mthode des Moyennes Mobiles, savoir:

MOYENNE MOBILE DOUBLE (T=12)

1000

- un nombre lev de donnes historiques garder en mmoire (particulirement pour les


MMD et pour des priodes de lissage T importantes),
- le mme poids (1/T) attribu chaque valeur entrant dans le calcul de la moyenne.

900

La mthode du LISSAGE EXPONENTIEL est base sur le mme principe que celle des
Moyennes Mobiles, c'est--dire un lissage de valeurs historiques, mais ne ncessite pas la
mmorisation d'autant de donnes chronologiques et surtout permet de moduler la pondration
de ces dernires, pour donner, par exemple, un poids plus grand aux observations rcentes.

800

700

600

Loi mathmatique: en dveloppant de l'quation des MMS


(c.f. paragraphe 3.1.1):

500

P(t) =
t

400
1989

1990

1991

1992

1993

1994

1995

1 t-T
1
D(i) = [ D(t 1) + D(t 2) +...+ D(t T)]
T i=t-1
T

et ainsi:

P(t + 1) =

1
[ D(t) + D(t 1) +...+ D(t + 1 T) ]
T

ou:

P(t + 1) =

D(t)
D(t - T)
+ P(t)
T
T

1996

Donnes

HORIZON DE PREVISION: de manire analogue aux MMS, cette mthode noffre la


possibilit deffectuer des prvisions qu trs court terme
(c.f. horizon de prvision des MMS, 3.1.1).
Lextrapolation sur un horizon de prvision moyen ou long
terme conduirait une droite de pente constante = FC2.

En supposant que la donne D(t-T) puisse tre approxime par la prvision P(t), alors:
P(t + 1) =

ou:

D(t)
P(t)
+ P(t)
T
T

1

P(t + 1) = D(t) + 1 P(t)
T
T

En posant: = 1/T, l'quation ci-dessus devient:


P(t+1) = D(t) + (1-)P(t)

21

22

L'quation gnrale de la mthode du LISSAGE EXPONENTIEL SIMPLE est alors:


P(t) = D(t-1) + (1-)P(t-1)

Figure 8: LISSAGE EXPONENTIEL, volution de (j) en fonction de j

0.5

avec: 0 1
0.4

ainsi, par analogie avec les MMS:

~ 1 => lissage faible,


~ 0 => lissage important.

En transformant lquation gnrale: P(t) = P(t-1) + (D(t-1) - P(t-1)


ainsi: ~ 1: rajustement important li l'erreur de la prvision prcdente
~ 0: rajustement faible li l'erreur de la prvision prcdente

= 0.50

0.3
(j)
0.2

= 0.30

0.1
= 0.10
0
0

Caractristique de la mthode

2
3
4
5
Nombre de priodes prcdentes j

En dveloppant l'quation gnrale ci-dessus:


P(t)

= D(t-1) + (1-)P(t-1), alors:

P(t+1) = D(t)
= D(t)
= D(t)

+ (1-)P(t)
=
+ (1-)[D(t-1) + (1-)P(t-1)] =
+ (1-)D(t-1) + (1-)2P(t-1)

Remarque: comme lindique la Figure 8, le paramtre permet de moduler limportance


donne aux valeurs historiques. Ainsi une valeur de faible (par exemple
=0.1) induira un lissage important (forte influence du pass), par contre une
valeur leve de (par exemple =0.5 et au-del) conduira un lissage faible
donnant de limportance aux dernires valeurs historiques observes.

Ainsi: P(t) = (0)D(t) + (1)D(t-1) + ... + (j)D(t-j) + ..


avec: (j) = [(1-)j], vecteur de pondration satisfaisant la condition: (j) = 1
En effet, (j) est une srie gomtrique du type abj dont la somme est gale : a/(1-b), soit:
(j) = /[1-(1-)] = 1
La Figure 8 ci-aprs reprsente l'volution de (j) en fonction de j, avec en paramtre, d'o
l'appellation de cette mthode: LISSAGE EXPONENTIEL.

23

24

Variante: P(1) = 12
EXEMPLE A
Lissage Exponentiel Simple [P(1) D(1)]
Priodes Donnes = 0.90 = 0.75 = 0.50 = 0.25 = 0.10 = 0.90 = 0.10
1
11
11.0
11.0
11.0
11.0
11.0
12.0
12.0
2
12
11.0
11.0
11.0
11.0
11.0
11.1
11.9
3
14
11.9
11.8
11.5
11.3
11.1
11.9
11.9
4
9
13.8
13.4
12.8
11.9
11.4
13.8
12.1
5
13
9.5
10.1
10.9
11.2
11.2
9.5
11.8
6
16
12.7
12.3
11.9
11.7
11.3
12.7
11.9
7
7
15.7
15.1
14.0
12.7
11.8
15.7
12.3
8
12
7.9
9.0
10.5
11.3
11.3
7.8
11.8
9
10
11.6
11.3
11.2
11.5
11.4
11.6
11.8
10
11
10.2
10.3
10.6
11.1
11.3
10.2
11.6
Prvision
11
10.9
10.8
10.8
11.1
11.2
10.9
11.6
Tableau 4

4.3

3.9

3.4

3.1

2.9

4.3

2.8

La Figure 10 montre la mthode de Lissage Exponentiel Simple: =0.20, applique


lEXEMPLE B

HORIZON DE PREVISION: de manire analogue aux MMS, cette mthode noffre la


possibilit deffectuer des prvisions qu trs court terme
(c.f. horizon de prvision des MMS, 3.1.1).
Lextrapolation sur un horizon de prvision moyen ou long
terme conduirait une valeur constante.

REMARQUES

La partie droite du tableau met en vidence l'influence de la valeur initiale de la prvision en


fonction du paramtre de lissage . Il est vident que cette influence est d'autant plus grande
que la constante de lissage est faible (poids important des observations passes).

 Les paragraphes suivants prsentent des techniques de lissage d'ordres suprieurs


permettant, comme dans le cas des Moyennes Mobiles Doubles, de diminuer l'effet de
retard (trane, comportement analogue aux MMS, c.f. Figure 4) afin de pouvoir appliquer
ces mthodes des sries chronologiques variations de tendances et moyennes marques.

La Figure 9 prsente deux prvisions contrastes (=0.90 & =0.10) tires du tableau cidessus.

 Certains auteurs expriment l'quation du Lissage Exponentiel Simple par lquation


gnrale:

P(t) = D(t) + (1-)P(t-1)


Figure 9: LISSAGE EXPONENTIEL SIMPLE, Exemple A: =0.90 & =0.10

Cette modlisation rduit l'effet de trane, mais pose quelques difficults dans le cadre de
dtermination de valeurs de prvision: t>n! Elle sera donc utilise avant tout pour
modliser une srie de donnes.

LISSAGE EXPONENTIEL SIMPLE

16
Donnes

15

LEX =0.90

14
13
12
11
LEX =0.10
10
9
8
t
7
1

25

(c.f. 3.1.4)

10

11

26

Figure 10: EXEMPLE B, Lissage Exponentiel Simple: =0.20

3.1.4 LISSAGE EXPONENTIEL DOUBLE [LEXD]


Le principe (et le but) de cette mthode est analogue celui des MMD (diminution de l'effet
de trane) et prsente l'avantage, entre autre, de ne pas ncessiter un nombre aussi important
de donnes historiques. (c.f. 3.1.2)

LISSAGE EXPONENTIEL SIMPLE (


=0.2)

1000

Cette mthode de lissage double consiste ainsi effectuer deux fois conscutivement un
lissage simple [LEX] et ajuster les rsultats de manire corriger l'effet de trane mis en
vidence au paragraphe 3.1.3 (EXEMPLE A, =0.90).

900

800

Il est ainsi possible de quantifier le retard d'une prvision obtenue par lissage exponentiel
simple par rapport une srie de donnes croissance linaire: D(t) = A + Bt

700

En remplaant D(t) dans la loi de prvision LEX (c.f. REMARQUES, 3.1.3):

600

500

P'(t) = D(t) + (1-)P'(t-1)

en dveloppant cette quation:

P'(t) = [(A + Bt)(1 + (1-) + (1-) + ...)]


- B(1-)(1 + 2(1-) + 3(1-) + ...)

et puisque:

t
400
1989

1990

1991

1992

1993
Donnes

1994

1995

1996

(1 ) i = 1

et

i=0

i (1 ) i = (1 ) /
i=0

alors: P'(t) = A + Bt - B((1-)/) = D(t) - B((1-)/)


Ainsi, le terme: B((1-)/) reprsente le retard de la prvision par rapport aux donnes.
En appliquant une deuxime fois le mme processus de lissage sur la prvision P':
P"(t) = P'(t) + (1-)P"(t-1)

en dveloppant cette quation:

P"(t) = A + Bt - 2B(1-)/ = P'(t) - B((1-)/)


donc: - B((1-)/) = P"(t) - P'(t) = P'(t) - D(t)
d'o: D(t) = 2P'(t) - P"(t)
Ainsi la valeur moyenne de la prvision au temps t, P(t), sans dcalage par rapport la donne
D(t) s'exprime par:
P(t) = 2P'(t) - P"(t)
La prvision au temps t+, P(t+), doit prendre en compte la valeur de prvision P(t) ainsi que
sa tendance locale dfini comme suit:
P'(t) - P"(t) = B((1-)/)
d'o: tendance locale = B(t) = ([P'(t)-P"(t)])/(1-)

27

28

[B = B(t) !]

Ainsi l'quation gnrale de la mthode du LISSAGE EXPONENTIEL DOUBLE est alors:

Figure 11: EXEMPLE A, Comparaison: Lissage Exponentiel Simple: =0.30


Lissage Exponentiel Double: =0.30

P(t+) = a(t) + b(t)

avec:

15

a(t) = 2P'(t) - P"(t)


moyenne lisse en priode t
b(t) = ([P'(t)-P"(t)])/(1-) tendance linaire en priode t

14

LISSAGES EXPONENTIELS

Donnes
13
Lis. exp.
double

12

EXEMPLE A

Priodes
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Donnes
6
7
8
7
10
9
12
10
11
14
Prvision
Prvision
Prvision
Prvision

Lissage Exponentiel Double =0.30


[LEXD]
P'(t)
P"(t)
a(t)
b(t)
P(t)
6.0
6.0
6.3
6.1
6.5
0.1
6.8
6.3
7.3
0.2
6.6
6.9
6.5
7.3
0.2
7.5
7.8
6.9
8.7
0.4
7.4
8.2
7.3
9.1
0.4
9.1
9.3
7.9
10.8
0.6
9.5
9.5
8.4
10.7
0.5
11.4
10.0
8.8
11.1
0.5
11.2
11.2
9.5
12.8
0.7
11.6
13.5
14.2
14.9
15.6

Tableau 5

MQ

1.7
1.6

1
1
1
1
1
1
1
1
1
2
3
4

Compar.
[LEX]
P(t)
6.0
6.3
6.8
6.9
7.8
8.2
9.3
9.5
10.0
11.2
10.8

2.3
1.4

La Figure 11 prsente la prvision de la srie chronologique de donnes ci-dessus selon les


mthodes du Lissage Exponentiel Simple et Double.

11
10
Lis. exp. simple

9
8
7

t
6
1

10

11

12

REMARQUES
 l'exprience montre que, en gnral, la mthode du Lissage Exponentiel Double permet
d'atteindre des rsultats meilleurs que ceux obtenus par la technique des MMD.
Toutefois, comme pour la mthode LEX, une analyse d'carts permettra d'optimiser la
constante de lissage .

La Figure 12 montre, pour lEXEMPLE B, la mthode du Lissage Exponentiel Double:


=0.20

 le paragraphe 3.1.5 prsente d'autres formes de Lissages, en particulier: la mthode linaire


de HOLT et le Lissage Exponentiel Quadratique (BROWN); cette dernire mthode
permettant de prendre en compte les effets de tendances quadratiques par opposition au:
- LEX: tendance horizontale (constante), et au
- LEXD: tendance linaire.

29

30

Figure 12: EXEMPLE B, Lissage Exponentiel Double: =0.20

3.1.5 AUTRES FORMES DE LISSAGES

=0.2)
LISSAGE EXPONENTIEL DOUBLE (

1000

A. METHODE DE HOLT [LHOLT]


Cette mthode est similaire au principe du Lissage Exponentiel Double, mais permet de
dissocier explicitement le lissage de la moyenne des donnes de la srie chronologique
(constante de lissage absorbant l'cart em(t) , part de l'cart e(t) entre la moyenne prvue au
temps t et la moyenne relle), de celui de la tendance de cette mme srie (constante de lissage
).

900

800

Les quations de base de la mthode de HOLT sont ainsi:

700

P(t) = D(t) + (1-)[P(t-1)+W(t-1)]


600

avec
W(t) = [P(t)-P(t-1)] + (1-)W(t-1)

500
t
400
1989

1990

1991

1992

1993

1994

1995

1996

Donnes

HORIZON DE PREVISION: de manire analogue aux MMD, cette mthode noffre la


possibilit deffectuer des prvisions qu trs court terme
(c.f. horizon de prvision des MMD, 3.1.2).
Lextrapolation sur un horizon de prvision moyen ou long
terme conduirait une droite de pente constante.

W(t) reprsentant l'ajustement de la tendance (lissage de la tendance locale). Il s'agit donc


bien d'un double lissage exponentiel (donnes [] et tendance []).
L'quation gnrale de la prvision au temps t+ est ainsi:
P(t+) = P(t) + W(t)

B. LISSAGE EXPONENTIEL QUADRATIQUE [LQUAD]


Les modles exposs jusqu'ici permettent d'analyser des sries chronologiques prsentant des
changements lents de tendances et/ou de moyennes.
L'application d'un modle quadratique rend possible l'approche prvisionnelle de sries
fortes variations de tendances (comparaison de modles: c.f. Figure 13 ci-dessous).

TENDANCE:
composante quadratique
composante linaire
MOYENNE

temps
t+

Figure 13
31

32

Le passage du modle linaire au modle quadratique s'obtient en effectuant un lissage


supplmentaire, soit un lissage exponentiel triple, ainsi:
P'(t) = D(t) + (1-)P'(t-1)

1er lissage

P"(t) = P'(t) + (1-)P"(t-1)

2me lissage

P'"(t) = P"(t) + (1-)P'"(t-1)

3me lissage

L'quation gnrale du modle de prvision par Lissage Exponentiel Quadratique est alors
dfinie par:
P(t+) = a(t) + b(t) + 2c(t)

avec:
a(t) = 3P'(t) - 3P"(t) + P'"(t)
b(t) = [/2(1-)2][(6-5)P'(t)-(10-8)P"(t)+(4-3)P'"(t)]
c(t) = [2/2(1-)2][P'(t)-2P"(t)+P'"(t)]
Ces trois coefficients tant obtenus en dveloppant les quations de lissage ci-dessus (c.f.
galement 3.1.3).

Les deux tableaux de la page suivante prsentent, pour lEXEMPLE A du paragraphe 3.1.4,
une comparaison entre les mthodes de lissage de HOLT et QUADRATIQUE, en regard des
rsultats obtenus dans le cadre de la mthode du Lissage Exponentiel Double.
(c.f. Figure 14)

EXEMPLE A

Priodes
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Donnes
6
7
8
7
10
9
12
10
11
14
Prvision
Prvision
Prvision
Prvision

Tableau 6

Lissage de HOLT =0.30 =0.70


Lissage
Lissage
donnes
tendance
P(t)
6.0 1)
0.0 2)
6.3
0.2
7.0
0.5
6.5
7.4
0.4
7.5
8.4
0.9
7.8
9.2
0.8
9.3
10.7
1.2
10.1
11.3
0.9
11.9
11.8
0.6
12.2
12.9
0.9
12.4
13.8
14.8
15.7
16.6

MQ

1
1
1
1
1
1
1
1
1
2
3
4

1.5
1.6

1.7
1.6

Valeurs initiales:
1)
P(1) D(1)
2)
W(1) = 0, une autre variante pourrait tre: W(1) = D(2) - D(1)

EXEMPLE A
Priodes Donnes

1
2
3
4
5
6
7
8
9
10
11
12
13
14

6
7
8
7
10
9
12
10
11
14

P'(t)
6.0
6.3
6.8
6.9
7.8
8.2
9.3
9.5
10.0
11.2

Lissage Exponentiel QUADRATIQUE


=0.30
P"(t) P'"(t)
a(t)
b(t)
c(t)
6.0
6.0
6.1
6.0
6.7
0.23
0.01
6.3
6.1
7.6
0.51
0.03
6.5
6.2
7.4
0.30
0.01
6.9
6.4
9.2
0.85
0.04
7.3
6.7
9.4
0.68
0.03
7.9
7.0
11.4
1.18
0.05
8.4
7.4
10.9
0.70
0.02
8.9
7.9
11.2
0.60
0.01
9.6
8.4
13.2
1.12
0.04

Prvision
Prvision
Prvision
Prvision

Tableau 7

33

Compar.
LEXD
P(t)
6.6
7.5
7.4
9.1
9.5
11.4
11.2
11.6
13.5
14.2
14.9
15.6

MQ

34

P(t)
6.9
8.2
7.7
10.1
10.1
12.6
11.6
11.8
14.4
15.7
17.0
18.4
1.8
1.9

1
1
1
1
1
1
1
1
1
2
3
4

Comp.
LEXD
P(t)
6.6
7.5
7.4
9.1
9.5
11.4
11.2
11.6
13.5
14.2
14.9
15.6
1.7
1.6

Figure 14: EXEMPLE A, Comparaison: - Lissage Exponentiel de HOLT: =0.30 & =0.70
- Lissage Exponentiel QUADRATIQUE: =0.30

18

900

Donnes

17

LIS. EXP. HOLT ( =0.2, =0.1)

1000

Exemple A

19

Figure 15: EXEMPLE B, Lissage Exponentiel de HOLT: =0.20, =0.10

Lis. exp. quadratique

16
800

15
14

Lis. exp. HOLT


700

13
12

600

11
10
9

500

8
t

400
1989

t
6
1

35

10

11

12

13

14

1990

1991

1992

1993
Donnes

36

1994

1995

1996

Figure 16: Filtrage Adaptatif, processus gnral de calcul

3.2 METHODES ADAPTATIVES


Les diffrentes techniques de lissage exposes au paragraphe prcdent font appel un certain
nombre de paramtres considrs comme constants dans le modle de prvision, en
particulier:
- les poids de chaque valeur entrant dans le calcul de la moyenne: 1/T (Moyennes Mobiles
Simples ou Doubles),

Min e
P(t+1)

'(i)

D(t+1)

- le coefficient de lissage (Lissage Exponentiel Simple ou Double).

D(t), D(t-1), ... , D(t+1-T)

Le but des approches adaptatives est de calibrer (voire d'optimiser) ces paramtres, en
fonction du type mme de la srie chronologique de donnes.

non

t>n

(i) = '(i)
t=t+1

oui

3.2.1 METHODE PAR FILTRAGE ADAPTATIF [FAD]

(i)
t=T+1

Le fait de pouvoir calibrer chaque lment de ce vecteur (c.f. 3.1.1) permet d'obtenir des
modles de prvision parfois meilleurs que ceux obtenus en considrant un vecteur de
pondration constant = 1/T (T=priode de lissage).

(i) = o

En partant de l'quation gnrale des MMS (c.f. 3.1.1):


P(t + 1) =

t
1
[ (i) D(i)]
T i=t +1-T

avec = vecteur de pondration.

oui

STOP

non

But: calibrage d'un vecteur de pondration optimum applicable la technique des Moyennes
Mobiles.

Le principe de cette mthode est de calibrer ce vecteur poids par itrations successives, en
ajustant chaque tape l'ensemble de ses lments (minimisation du carr moyen de l'cart:
modle - donnes).

(i) stable ?
j=j+1

final (i) = (i)

initialisation
j=1

P(n+1) ...

Finalement: final = f(Min e2moyen)

En considrant un lissage sur une priode T=2, soit deux poids mis en jeu, il est possible de
visualiser le carr moyen de l'erreur par une fonction en forme de cuvette (c.f. Figure 17).
En ralit la surface de cette courbe n'est pas uniforme en raison du caractre alatoire des
observations passes!

Remarque: mthode des MMS: (i) = = 1/T = Cte


Le processus gnral du calcul d'optimisation du vecteur de pondration est dcrit par le
schma de la Figure 16.

Min e

1
2

Figure 17

37

38

Mathmatiquement, le calcul d'optimisation des T lments du vecteur poids consiste se


dplacer le long de cette courbe cuvette de manire atteindre le point minimum
(Mthode de la plus grande pente dcroissante).

Dtail du calcul (K=0.10, j=1):


P(3) = (0.5  1) + (0.5  2) = 1.5
e(3) = 1 - 1.5 = -0.5

Ainsi, tous calculs effectus, l'quation rsultante se prsente sous la forme:


ainsi: 1 = 0.5 + (2  0.1  (-0.5)  1) = 0.4
2 = 0.5 + (2  0.1  (-0.5)  2) = 0.3

'(i) = (i) + [2KeD(i)]

soit en valeurs normes: 1 = 0.571 & 2 = 0.429

avec: 1 i T
K = constante d'apprentissage (valeur exogne)
(Cte de rglage, adaptation rapide du modle)
e = erreur du modle de prvision: D(t+1) - P(t+1)

puis : P(4) = (0.571  2) + (0.429  1) = 1.57 .....


Rsultats de pondration en fonction du nombre d'itrations:

Il s'agira enfin de normer ce vecteur de pondration:

' (i)

= 1

i=1

Exemple: soit une srie priodique 1-2 (EXEMPLE A) approche par une mthode de filtrage
adaptatif avec une priode de lissage de T=2.

Vecteur de pondration: = [1;2]


Pondration initiale:
0 = [0.5;0.5]

Nombre ditrations j
1
2
3
4
5
6

Pondration 1
0.804
0.940
0.983
0.995
0.999
1.000

Pondration 2
0.196
0.060
0.017
0.005
0.001
0.000

j=nombre ditrations
EXEMPLE A
Priodes
1
2
3
4
5
6
7
8
9
10
11

Tableau 8

Donnes
1
2
1
2
1
2
1
2
1
2
Prvision
Pondration
MQ

K=0.10
j=2
1.20
1.87
1.15
1.90
1.11
1.93
1.08
1.95
1.06

K=0.50
j=1
1.50
1.00
1.50
1.00
1.50
1.00
1.50
1.00
1.50

0.804
0.196

0.940
0.060

0.500
0.500

0.35
0.37

0.12
0.13

0.79
0.80

Filtrage adaptatif
j=1
1.50
1.57
1.41
1.67
1.33
1.76
1.26
1.82
1.20

1
2

39

REMARQUES:
 le coefficient K doit tre spcifi avec soin. En effet, une valeur leve de K provoque,
chaque tape, des rajustements trs importants qui peuvent conduire des incohrences ou
une divergence du modle! (c.f. EXEMPLE A, Tableau 8: K=0.5; j=1),
 il est noter finalement que cette mthode peut aboutir des modles de prvision d'une
prcision sensiblement meilleure que celle obtenue avec des techniques de Moyennes
Mobiles ou de Lissages Exponentiels, mais au dtriment dapproches plus complexes.

HORIZON DE PREVISION: idem celui des autres mthodes de lissage (MMS, MMD,
LEX, LEXD, ...)

La Figure 18 ci-aprs prsente l'EXEMPLE A avec les conditions: K=0.10 & j=1, et la Figure
19 reprend lEXEMPLE B avec la mthode du Filtrage Adaptatif avec les paramtres: K=0.10
& j=5.

40

Figure 18: EXEMPLE A, Filtrage Adaptatif K=0.10 & j=1

Figure 19: EXEMPLE B, Filtrage Adaptatif: K=0.10 & j=5

FILTRAGE ADAPTATIF: K=0.10 & j=1

FILTRAGE ADAPTATIF: K=0.10 & j=5

1000

2
1.9

900

1.8
1.7

800

1.6
700

1.5
1.4

600

1.3
1.2

500

1.1
t

t
1
1

6
Donnes

41

10

11

400
1989

1990

1991

1992

1993
Donnes

42

1994

1995

1996

3.2.2 LISSAGE EXPONENTIEL SIMPLE: approche adaptative [LEXAD]

En reprenant le mme exemple dvelopp dans le cadre de la mthode LEX (c.f. 3.1.3):
EXEMPLE A

Cette mthode consiste calibrer en fonction de t le coefficient de lissage , de manire


minimiser l'cart du modle de prvision.
En partant de l'quation gnrale du LEX (c.f. 3.1.3): P(t+1) = D(t) + (1-)P(t)
en introduisant = (t):
P(t+1) = (t)D(t) + [1-(t)]P(t)

avec:
(t+1) = E1(t)/E2(t)

Donnes
11
12
14
9
13
16
7
12
10
11
Prvision

Tableau 9 MQ

E1(t) = e(t) + (1-)E1(t-1)


E2(t) = e(t) + (1-)E2(t-1)
et: e(t) :
E1(t):
E2(t):
:

Priodes
1
2
3
4
5
6
7
8
9
10
11

e(t) = D(t) - P(t),


lissage de l'cart e(t)
lissage de la valeur absolue de l'cart e(t)
constante de lissage de l'cart

P(t)
11.0
11.0
11.9
13.8
9.5
10.5
11.4
9.3
9.6
9.7
10.0

Lissage Exponentiel Adaptatif


0=0.90 & =0.10
e(t)
E1(t)
E2(t)
0.0
0.00
0.00
1.0
0.10
0.10
2.1
0.30
0.30
-4.8
-0.21
0.75
3.5
0.16
1.03
5.5
0.70
1.48
-4.4
0.20
1.76
2.7
0.45
1.86
0.4
0.45
1.72
1.3
0.53
1.68

3.5
3.7

(t)
0.90
0.90
0.90
0.90
0.28
0.16
0.48
0.11
0.24
0.26
0.32

Compar.
LEX
=0.90
11.0
11.0
11.9
13.8
9.5
12.7
15.7
7.9
11.6
10.2
10.9
4.1
4.3

valeurs initiales:
P(1) = P(2) = D(1)
E1(1) = E2(1) = 0
(1) = (2) = (3) = (4) = 0
Le tableau ci-dessus montre une amlioration sensible de la moyenne quadratique (MQ) par
rapport aux rsultats obtenus avec la mthode LEX = 0.9 = Cte.
Il est galement intressant de noter l'adaptation importante du coefficient !

Remarque: l'quation:
(t+1) = E1(t)/E2(t),
pourrait tre remplace par: (t) = E1(t)/E2(t)

Nanmoins cette mthode provoque souvent des rponses d'adaptation trop


brutale, c'est la raison pour laquelle il est prfrable d'introduire une certaine
inertie au modle par le dcalage de .

HORIZON DE PREVISION: idem celui des autres mthodes de lissage exponentiel


(LEX, LEXD, ...)

La Figure 20 prsente lEXEMPLE B modlis par un Lissage Exponentiel Adaptatif avec les
conditions: o = 0.20 & = 0.10

43

44

Figure 20: EXEMPLE B, Lissage Exponentiel Adaptatif, o = 0.20 & = 0.10

3.3 METHODES DE REGRESSIONS


Les techniques examines jusqu'ici (MMS, MMD, LEX, LEXD, ...) tentaient d'identifier la loi
fondamentale sous-jacente une srie chronologique.
Les mthodes de rgressions supposent qu'une loi de base est connue, et qu'elle peut tre
modlise par une quation dont les coefficients sont dterminer de manire minimiser les
carts entre la srie de donnes et le modle: P=f(t) (le temps, dans ce cas de rgression
simple, tant la variable indpendante).

LISSAGE EXPONENTIEL ADAPTATIF

1000

900

De telles mthodes (c.f. galement 3.5), destines modliser la tendance gnrale dune
srie de donnes, sont frquemment appliques dans le cadre de prvisions moyen et long
terme (stabilit?!).

800

700

L'analyse de rgression ne se limite pas uniquement ce type de relation simple (P=f(t)), mais
est utilise dans la dtermination de modles conomtriques dans le but d'estimer la valeur
d'une srie en fonction d'une ou de plusieurs autres sries de donnes (variables
indpendantes): modles causals (rgressions simples et multiples), X=f(Y), X=f(Y,Z,V...)

600

500

3.3.1 REGRESSIONS LINEAIRES [RP1]


t
400
1989

1990

1991

1992

1993
Donnes

1994

1995

Rgression polynomiale de degr 1

1996

Ce modle prsuppose que la loi de variation de la srie chronologique est une droite
d'quation:
P(t) = A0 + A1t

TENDANCE LINEAIRE
dont les coefficients A0 et A1 sont dterminer de faon minimiser la somme des carrs des
carts:
e2(t) = [D(t) - P(t)]2
pour tous t (ces carts pouvant tre positifs, ngatifs ou nuls), ainsi:

2
Condition: Min e (t)

METHODE DES MOINDRES CARRES

t=1

45

46

EXEMPLE A: Rgression linaire n=10 (c.f. Figure 21)

EXPOSE DE LA METHODE

Soit D une srie de donnes dfinie par les points:


[D1,t1], [D2,t2], ... , [Dn,tn]
Il s'agit alors de dterminer une droite d'quation:
P(t) = A0 + A1t
avec la condition que A0 et A1 minimisent:
S = e2 = e12 + e22 +...+ en2
n

(Remarque: la notation )
t =1

En dveloppant cette relation:


S = [D(1)-(A0+A1)]2 + [D(2)-(A0+2A1)]2 + ... + [D(n)-(A0+nA1)]2
S est minimum lorsque ses drives partielles par rapport A0 et A1 sont nulles:

Priodes t
1
2
3
4
5
6
7
8
9
10

t2
1
4
9
16
25
36
49
64
81
100

D(t)
10
12
14
11
13
16
12
15
14
15

tD(t)
10
24
42
44
65
96
84
120
126
150

P(t)
11.3
11.7
12.1
12.6
13.0
13.4
13.8
14.3
14.7
15.1

t = 55
(t)2 = 3025

t2 = 385

D = 132

(tD) = 761

A0 = 10.87
A1 = 0.424

11

Prvision: P(t) = 10.87 + 0.424t

15.5

Tableau 10

1.4

S/A0 = 0 & S/A1 = 0


16

Les quations obtenues sont ainsi:


A0n + A1t - D(t)
=0
A0t + A1t2 - [tD(t)] = 0

Donnes
15

aprs rsolution de ce systme de deux quations deux inconnues:


14

[(D(t))t2] - [(t)((tD(t)))]
A0 =
(nt2) - (t)2

13

[n(tD(t))] - [(t)(D(t))]
A1 =
(nt2) - (t)2

12

A0 : dcalage l'origine
A1 : pente de la droite

11

PREVISION: estimation d'une valeur prvisionnelle en t=n+:

10

t
1

P(n+) = A0 + A1(n+)

10

Figure 21

La Figure 22 ci-aprs prsente, pour lEXEMPLE B, lapplication dune rgression linaire.

47

48

Figure 22: EXEMPLE B, Rgression Linaire


Rsultat: A0=706 & A1=-0.471

MESURE DE PERFORMANCE: COEFFICIENT DE CORRELATION LINEAIRE

L'quation du coefficient de corrlation linaire, exprim au paragraphe 2.1, se traduit par:


REGRESSION LINEAIRE

1000

r=

Variation EXPLIQUEE
Variation TOTALE

En d'autres termes, ce coefficient mesure l'efficacit de l'ajustement du modle par rapport aux
donnes, sa variation tant comprise entre +1 et -1 (c.f. Figure 23).

900

corrlation forte: r +1 ou r -1

800

/ corrlation nulle: r 0

700

600

500
t

CORRELATION POSITIVE

CORRELATION NEGATIVE

CORRELATION NULLE

400
1989

1990

1991

1992

1993

1994

1995

1996

Figure 23

Donnes

Ainsi, dans les exemples prcdents des Figures 21 & 22:


EXEMPLE A, Figure 21: r = 0.66
EXEMPLE B, Figure 22: r = 0.11

Remarque: la formule du coefficient de corrlation linaire dcrite au paragraphe 2.1 peut


galement s'crire:

r=

n
n
n
n
(X(i) Y(i)) - X(i) Y(i)
i =1
i =1
i =1

n
n
n
n
(n
X(i) 2 ) ( X(i)) 2 (n Y(i) 2 ) ( Y(i)) 2
i =1

i =1
i =1
i =1

r=

49

avec: X t et Y D(t), alors:

n
n
n
n
(t D(t)) - t D(t)
t =1
t=1 t =1

n
n
n
n
(n
t 2 ) ( t) 2 (n D(t) 2 ) ( D(t)) 2
t =1

t =1
t =1
t =1

50

3.3.2 REGRESSIONS NON LINEAIRES [RPx]

De plus, la technique des moindres carrs peut tre tendue aux polynmes de degr k (c.f.
3.3.1), ainsi:

En appliquant la mme dmarche que celle expose au paragraphe 3.3.1 (rgression linaire),
il est possible, moyennant un changement de variable, de prendre en compte, pour dcrire la
loi de base de variation d'une srie chronologique, des quations non linaires, en particulier:

a2. PARABOLE
P(t) = A0 + A1t + A2t2

Parabole des moindres carrs

a1. FONCTION HYPERBOLIQUE


P(t) = 1/(A0 + A1t)

b2. CUBIQUE

ou: (1/P(t)) = A0 + A1t


en posant: Ph(t) = 1/P(t) Ph(t) = A0 + A1t

P(t) = A0 + A1t + A2t2 + A3t3

Cubique des moindres carrs

b1. FONCTION EXPONENTIELLE

c2. COURBE DE DEGRE k

P(t) = A0A1t

P(t) = A0 + A1t + A2t2 + ... + Aktk

ou: Log P(t) = Log A0 + tLog A1 = A0' + A1't


en posant: Pe(t) = Log P(t) Pe(t) = A0' + A1't
d2. FONCTION LOGISTIQUE (degr 2)
c1. FONCTION PUISSANCE

P(t) = A0 + A1Log t + A2(Log t)2

( extension une fonction logarithmique de degr k)

P(t) = A0tA1

ou: Log P(t) = Log A0 + A1Log t = A0' + A1Log t


en posant: Pp(t) = Log P(t) Pp(t) = A0' + A1Log t

EXEMPLE A: Rgression linaire et non linaire (comparaison)

d1. COURBE en S
P(t) = AS/(1 + A0e-A1t)

avec AS = valeur de l'asymptote (phnomne seuil!, c.f. schma 4)

AS

t
1
2
3
4
5
6
7
8
9
10

D(t)
10
12
14
11
13
16
12
15
14
15

Linaire
11.29
11.72
12.14
12.56
12.99
13.41
13.84
14.26
14.68
15.11

11

Prvision

15.53

16.00

1.44
0.66
10.9
0.424
-

Tableau 11

Schma 4
51

A0
A1
A2
A3

Hyperbol. Puissance
11.18
11.24
11.53
11.62
11.90
12.02
12.29
12.43
12.71
12.85
13.16
13.29
13.65
13.74
14.17
14.21
14.73
14.70
15.34
15.20

Parabol.
10.75
11.53
12.23
12.84
13..35
13.78
14.11
14.35
14.50
14.56

Cubique
10.35
11.66
12.56
13.13
13.46
13.66
13.82
14.03
14.37
14.96

Log. k=2
10.23
11.74
12.54
13.07
13.46
13.77
14.02
14.22
14.40
14.56

15.72

14.53

15.87

14.70

1.48
0.65

1.46
0.66

1.40
0.69

1.37
0.70

1.36
0.71

0.0921
-0.0027
-

10.9
1.03
-

9.87
0.924
-0.455
-

8.53
2.11
-0.302
0.0155

10.2
2.30
-0.183
-

52

Figure 24: EXEMPLE A


Comparaison: rgression linaire - rgression logarithmique de degr k=2

Figure 25a: INSTABILITES, EXEMPLE B modlis par une rgression polynomiale du


6me degr

16

EXEMPLE B: Rgression du 6me degr


1400
Donnes

Donnes

1200

15
1000

14

800

Logistique
(k=2)

600

Linaire

13

400

200

12

t
0
1989

1990

1991

1992

1993

1994

1995

1996

11

Figure 25b: INSTABILITES, EXEMPLE B modlis par une rgression polynomiale du


7me degr

t
10
1

10
EXEMPLE B: Rgression du 7me degr
1000

APPLICATION: ces mthodes de rgression sont avant tout destines modliser la


caractristique TENDANCE dune srie de donnes chronologique. Il ne
faudrait ainsi pas vouloir modliser dautres caractristiques, en particulier
les facteurs priodiques (saisonnalit ou cycles), laide de modle de
rgression dordre lev de k. Cela conduirait des instabilits de
prvisions (extrapolations) du modle (c.f. Figure 25).

500

-500

HORIZON DE PREVISION: rgressions seules: moyen long terme


rgression avec superposition des facteurs saisonniers et
cycliques: court moyen terme (c.f. 3.5)

-1000

-1500
Donnes
-2000
1989

53

1990

t
1991

1992

1993

54

1994

1995

1996

REMARQUE: certaines sries chronologiques peuvent prsenter, localement, plusieurs


tendances marques (c.f. Figures 26)

Il sagira alors, en fonction de lhorizon de prvision souhait, de considrer:


- soit une approche locale par rgressions successives (prvision court
terme)
- soit une approche globale par rgression unique (prvision moyen, voire
long terme)
Ces deux approches (calcul de tendances) pouvant tre enrichies des
composantes cycliques et saisonnires (c.f. 3.5)

3.3.3 REGRESSIONS MULTIPLES [RM]


Un modle de rgression multiple est dfini par une quation permettant d'estimer une
variable X, en fonction de variables indpendantes Y, Z, ... (modle conomtrique):
X = f(Y,Z,...)

La dmonstration de la mthode se fera au travers dun exemple: X = f(Y,Z)


soit: X(i) = a + bY(i) + cZ(i), avec a, b et c = constantes

Approche locale

Si X, Y & Z = f(t), alors: i t


Par analogie la droite de rgression des moindres carrs (ensemble de n points deux
dimensions), il sera dfini un plan de rgression des moindres carrs (ensemble de n points
trois dimensions; si dimension>3 hyperplan de rgression).
En appliquant la mme technique que celle dcrite au paragraphe 3.3.1, il est possible
d'obtenir le systme d'quations normales suivantes:
X
t

= an + bY

+ cZ

(XY) = aY + b(Y2) + c(YZ)


(XZ) = aZ + b(YZ) + c(Z2)

Figure 26a

La rsolution de ces quations conduit dterminer les constantes: a, b et c.


Approche globale

Exemple: X = f(Y,Z), explication de X en fonction de Y & Z

Figure 26b

n ou t
1
2
3
4
5
6
7
8
9
10
11
12

X
64
71
53
67
55
58
77
57
56
51
76
68

Y
57
59
49
62
51
50
55
48
52
42
61
57

Z
8
10
6
11
8
7
10
9
10
6
12
9

Y2
3249
3481
2401
3844
2601
2500
3025
2304
2704
1764
3721
3249

Z2
64
100
36
121
64
49
100
81
100
36
144
81

XY
3648
4189
2597
4154
2805
2900
4235
2736
2912
2142
4636
3876

XZ
512
710
318
737
440
406
770
513
560
306
912
612

753

643

106

34843

976

40830

6796

YZ
456
590
294
682
408
350
550
432
520
252
732
513
5779
Tableau 12

55

56

Ainsi, les quations dfinies prcdemment deviennent (n=12):


753 = 12a +

Figure 27: Reprsentation graphique du plan de rgression X=f(Y,Z) de l'exemple prcdent.

643b + 106c

40830 = 643a + 34843b + 5779c


6796 = 106a + 5779b + 976c
d'o aprs rsolution du systme:

80

Donnes

a = 3.65
b = 0.855
c = 1.51

70

Equation du plan de rgression:

Modle

60

15

Xestim = 3.65 + 0.855Y + 1.51Z

(c.f. Figure 27)


50

10

Comparaison: X & Xestim


n ou t
1
2
3
4
5
6
7
8
9
10
11
12

X
64
71
53
67
55
58
77
57
56
51
76
68

Y
57
59
49
62
51
50
55
48
52
42
61
57

Z
8
10
6
11
8
7
10
9
10
6
12
9

Xestim
64.4
69.1
54.6
73.2
59.3
56.9
65.7
58.2
63.2
48.6
73.9
65.9

40

Coefficients de
corrlation linaire
r(X,Y) = 0.820
r(X,Z) = 0.770
r(Y,Z) = 0.798
r(X,Xestim) = 0.842

5
40

50

60

Tableau 13

4.85

REMARQUE: le calcul de prvisions: P(n+) Xestim(n+) se fera par l'quation du plan


(hyperplan) de rgression dfinie ci-dessus.
Il est vident que pour pouvoir calculer Xestim(n+), il faut connatre Y(n+),
Z(n+), ... dtermins, par exemple, partir des mthodes de prvision
(appliques une srie chronologique unique) exposes dans ce chapitre 3
(Moyennes Mobiles, Lissage Exponentiel, Rgressions Simples, Mthode de
Box-Jenkins, ...).

57

58

Exemple numrique appliqu la srie de l'EXEMPLE B

3.4 SAISONNALITE
Les mthodes de Rgression, exposes au paragraphe 3.3, ont permis de modliser la
caractristique tendance d'une srie chronologique.
En rfrence aux Figures 1 & 2, il apparat que la saisonnalit (par dfinition: cycles contenus
lintrieur dune anne) constitue un lment important des sries de donnes bases sur une
chelle mensuelle ou trimestrielle de temps.
En effet, la mise en vidence et la quantification des indices saisonniers permettront disoler
explicitement cette caractristique et de ce fait, offriront la possibilit de dsaisonnaliser la
srie de base (c.f. Figure 29) avant de lui appliquer une (ou plusieurs) mthode(s) de prvision
destines alors expliquer les caractristiques de tendance(s) et de cycles (c.f. 3.4.1 &
Figure 30).
Diffrentes techniques existent pour calculer ces indices (c.f. galement 3.5.2).
Celle expose dans ce paragraphe est base sur la mthode des Moyennes Mobiles Centres
[MMC] (c.f. 3.1.1).

t
D(t)
89 1
695
2
684
3
817
4
800
5
773
6
807
7
712
8
610
9
499
10
842
11
801
12
722
Tableau 14

MMC
730.2
729.3
727.9
731.0
728.1
721.3
T=12

[%]
97.5
83.6
68.6
115.2
110.0
100.1

Expos synthtique de la mthode:

ou en liminant les valeurs extrmes:

 Application de la mthode MMC (T=12 ou T=4, selon la base temporelle)


limination des caractristiques alatoires et saisonnires: PMMC = f(Td,C)

moyen(j) =

moyen(j) =

Fa =

[%]
95.4
94.0
120.3
107.7
98.0
107.0
91.0
88.4
74.2
120.4
113.9
102.8

... 1995

1 N
(i, j)
N i=1

1 N

(i, j) max(i, j) min(i, j)

N - 2 i=1

1200
12

(j)

j=1

 Calcul de : = D/PMMC = f(S,A)

Fa =

 Calcul de moyen: moyen = f(S)

MMC
716.7
710.3
710.1
710.3
706.3
701.7
698.0
688.0
674.8
659.4
654.8
659.3
T=12

IS(j) = Famoyen(j) [%]

avec:

= tendance
= cycles
= saisonnalit
= alatoire

D(t)
684
668
854
765
692
751
635
608
501
794
746
678

L'indice saisonnier du mois (ou trimestre) j sur les annes i se calcule alors:

Cette mthode consiste effectuer une MMC sur 12 mois (base de temps mensuelle) ou 4
trimestres (base de temps trimestrielle). Il s'agit ensuite de dterminer, par mois ou par
trimestre, le rapport [%] de la valeur de la donne de base celle obtenue par MMC, puis
de calculer, pour un mme mois ou trimestre, la moyenne (avec la possibilit dexclure les
deux valeurs extrmes) norme de ces rapports sur plusieurs annes.

 Donne de base comprenant au plus les caractristiques: Td


C
D = f(Td,C,S,A)
S
A

t
90 1
2
3
4
5
6
7
8
9
10
11
12

400
4

(j)

j=1

N = nombre d'annes d'observation


Fa = facteur d'ajustement ISmoyen / an = 100%
Remarque: calcul de moyen(j)
Plutt qu'une moyenne, de laquelle est ventuellement dduite les valeurs
extrmes, il serait galement possible de calculer la valeur mdiane des (i,j).

59

60

En appliquant la dmarche dcrite ci-avant, les indices saisonniers de l'EXEMPLE B sont


ainsi:

3.4.1. INTERET DE L'INDICE SAISONNIER SUR LA PREVISION


La dmarche gnrale d'application d'une mthode de prvision tait jusqu'alors le suivant:

1.2

JANVIER
FEVRIER
MARS
AVRIL
MAI
JUIN
JUILLET
AOUT
SEPTEMBRE
OCTOBRE
NOVEMBRE
DECEMBRE

: 0.912
: 0.922
: 1.094
: 1.073
: 1.121
: 1.145
: 0.970
: 0.853
: 0.796
: 1.146
: 1.042
: 0.956

D(t)

D = f(Td,C,S,A)

0.8

MODELE

P(t)
P = f(Td,C,S)

En dsaisonnalisant la srie de donnes:

0.6

Ds(t) = D(t) / IS(t)

0.4

il est alors possible de calibrer un modle de prvision sur la base de cette srie
dsaisonnalise (aide au modle qui ne devra prendre en compte, au plus, que les
caractristiques tendance(s) et cycles):

0.2

10 11

Ds(t)

Ds = f(Td,C,A)

12

Figure 28

MODELE

Ps(t)
Ps = f(Td,C)

puis, il sagira de resaisonnaliser le modle de prvision (c.f. 3.5):


Figure 29: EXEMPLE B, srie de donnes brutes et dsaisonnalises

P(t) = Ps(t)IS(t)
EXEMPLE B: SERIE BRUTE & DESAISONNALISEE
1000

La dmarche complte de prsente alors:

Donnes brutes

D(t)

900

D = f(Td,C,S,A)

800

Ds(t)
Ps(t)

MODELE
Ps = f(Td,C)
Ds = f(Td,C,A)

INDICES SAISONNIERS

Shma 5

700

La Figure 30 ci-aprs prsente l'application, la srie de l'EXEMPLE B dsaisonnalise, du


modle de Rgression Linaire resaisonnalis selon la dmarche expose ci-dessus (c.f. Figure
22 pour comparaison).

600

500
t
400
1989

P(t)

P = f(Td,C,S)
+

1990

1991

1992

61

1993

1994

1995

62

Figure 30: EXEMPLE B: Rgression Linaire avec effet de saisonnalit, A0=702 & A1=0.412

3.5 METHODES PAR DECOMPOSITION


L'ensemble des mthodes dcrites jusqu'ici ( l'exception des mthodes de Rgressions) ne
cherchaient pas distinguer les diffrentes composantes de la loi gnrale sous-jacente
caractrisant la srie chronologique de donnes.

REGRESSION LINEAIRE (+saisonnalit)

1000

Les mthodes par dcomposition tentent de mettre en vidence explicitement, et gnralement


quantitativement, les diffrentes caractristiques dune srie chronologique de donnes:
tendance(s), cycles, saisonnalit

900

800

3.5.1 DECOMPOSITION PAR FACTEURS D'INFLUENCE [DEC]


Dtermination qualitative des cycles

700

Ce modle de prvision consiste identifier, isoler et dterminer, indpendamment les


unes des autres, les diffrentes caractristiques dune srie de donnes chronologique (c.f.
Figure 1 et 3.4).

600

500

Au plus, une srie chronologique de donnes est compose des caractristiques suivantes:
t

400
1989

1990

1991

1992

1993
Donnes

1994

1995

1996

Remarque: certains modles sont du type multiplicatif (c.f. Schma 5): P = f(TdCS) ou
partiellement multiplicatif: P = f[(x%Td)(y%C)(z%S)],

dautres peuvent tre du type additif: P = f(Td+C+S) (ou partiellement additif)


Ces approches contrastes permettent ainsi damplifier ou de rduire leffet de
chaque caractristique avec la possibilit dintgrer (selon les mmes rgles de
calcul) certaines actions spciales prvues dans lhorizon de prvision (c.f.
5.2.2d).

63

D(t) = f(Tendance(s), Cycles, Saisonnalit) + Alatoire

Le modle, au mieux, identifiera les caractristiques Tendance(s), Cycles, Saisonnalit (par


dfinition lalatoire nest pas modlisable! Cest--dire quun modle idal conduirait :
e(t)=f(Alatoire), c.f. 5).
P(t) = f(Tendance(s), Cycles, Saisonnalit)

Modle idal: D(t)[f(Td, C, S, A)] = P(t)[f(Td, C, S)] + e(t)[f(A)]


Il s'agit alors de dcomposer chaque lment de cette srie de faon faire ressortir
explicitement: Td: le facteur de tendance(s),
C: le facteur de cycle(s).
S: le facteur saisonnier (indices saisonniers),

64

Les dmarches et mthodes suivantes seront utilises pour mettre en vidence l'ensemble de
ces facteurs:
Tendance(s): rgressions (linaires, non linaires, simples, multiples, ...),
(c.f. 3.3)
Saisonnalit: indices saisonniers (MMC, ...)
(c.f. 3.4 & 3.5.2)

Les graphiques ci-aprs prsentent, par recomposition, les caractristiques suivantes:


 Figure 31: Tendance & Cycles
 Figure 32: Tendance & Alatoire
 Figure 33: Tendance & Cycles & Saisonnalit
 Tendance & Saisonnalit: c.f. Figure 30

CYCLE(S): DEMARCHE QUALITATIVE (analyse quantitative, c.f. 3.5.2)


Un cycle est la gnralisation du facteur saisonnier (cas particulier) mis en
vidence au paragraphe prcdent, mais, par dfinition, de priode
suprieure 12 mois!

Expos de la dmarche par lexemple:


si D(t) est une srie mensuelle de donnes, lapplication dune mthode de
Moyenne Mobile [MM] sur 12 mois (priode de lissage: T=12,
respectivement T=4 mois pour une srie base trimestrielle) limine (par
dfinition) les fluctuations saisonnires et rduit, voire annule, lalatoire de
la srie, ainsi:

PREVISION: la prvision seffectue par extrapolation des 3 composantes de base, savoir:


- la Tendance: selon la loi impose initialement et dont les coefficients ont
t dtermins par la mthode des moindres carrs
- la Saisonnalit: par extrapolation des indices mensuels ou trimestriels
- les Cycles: si ces derniers sont significatifs, par extrapolation de forme
(approche qualitative) de lensemble des cycles (approche globale)

Le paragraphe 3.5.2 prsente une approche de dtermination quantitative des


cycles: quations des cycles par dcomposition en sries de Fourier 1). Dans
ce cas, la mthode dextrapolation est identique celle de la tendance ou de
la saisonnalit.

MM(T=12 ou 4 mois) = Tendance  CYCLE(S)

Laction de ces deux dernires composantes, sur la prvision, se fait par


superposition la caractristique Tendance.

La tendance tant dtermine explicitement par une mthode de rgression,


alors:
CYCLE(S) = MM(T=12 ou 4 mois) / Tendance
Dtermination qualitative des cycles

HORIZON DE PREVISION: court moyen terme, en fonction de la stabilit des


caractristiques cycliques et saisonnires!

Exemple numrique: EXEMPLE B


En dcomposant cette srie de donnes mensuelles, il est possible de faire ressortir les facteurs
suivants:
 Tendance: rgression linaire (srie dsaisonnalise), quation: PTd(t) = 702 - 0.412t

1)

Remarque: dautres mthodes quantitatives ont t dveloppes ou font lobjet


actuellement de recherche. En particulier, les approches lies la thorie des
fractales (dtermination de la fonction de transition) semblent intressantes et
prometteuses.

 Indice saisonniers: c.f. paragraphe 3.4, Figure 28


 Cycles: c.f. dmarche ci-dessus
 Alatoire (1 t n): e(t) = D(t) - P(t) = D(t) - f(Tendance  Cycles  Saisonnalit)

65

66

Figure 31: EXEMPLE B, mthode par Dcomposition


TENDANCE & CYCLES

Figure 32: EXEMPLE B: mthode par Dcomposition


TENDANCE & ALEATOIRE

DECOMPOSITION: Tendance & Cycles

1000

DECOMPOSITION: Tendance & Alatoire

1000

900

900

800

800

700

700

600

600

500

500
t

400

t
400

1989

1990

1991

1992

1993
Donnes

67

1994

1995

1996

1989

1990

1991

1992

1993
Donnes

68

1994

1995

1996

Figure 33: EXEMPLE B: mthode par Dcomposition


TENDANCE & CYCLES & SAISONNALITE

3.5.2 DECOMPOSITION PAR SERIES DE FOURIER [DFR]


(Analyse de FOURIER, dtermination quantitative des cycles)

Cette approche (applicable de faon gnrale aux sries stationnaires et priodiques) consiste
isoler et modliser un chantillon significatif de donnes (ou lensemble des donnes)
laide de sinusodes lmentaires (harmoniques) afin de mettre en vidence tous
phnomnes priodiques (indices saisonniers, cycles), de type:

DECOMPOSITION: Tendance & Cycles & Saisonnalit

1000

900

y(t) = Asin[(((t)/N)2) + ]
avec: A = amplitude
= frquence (priode)
= angle de phase
N = nombre de valeurs

800

700

En superposant ces sinusodes lmentaires, et aprs dveloppement des quations (c.f.


ANNEXE 1), il devient (mthode applicable aux sries stationnaires en tendance, c.f.
remarque ci-aprs relative aux filtres):

600

500

Y(t) =
t

a(0) m
+ [(a( ) cos( )) + ((b( ) sin( )) ]
=1
2

400
1989

1990

1991

1992

1993
Donnes

1994

1995

1996

avec: = ((t)/N)2
t = 1 ... N
m = (N-1)/2
a(0)/2 = moyenne de la srie (tendance nulle)
et a(0), a() et b() les N inconnues du systme: rsolution d'un systme de N quations
N inconnues.
L'amplitude associe chaque harmonique ainsi que l'angle de phase, sont alors dfinis:
A( ) = a( ) 2 + b( ) 2

et ainsi: ( ) = arcsin

69

&

a( )
A( )

70

sin ( ) =

a( )
A( )

EXEMPLE A: soit la srie de 21 valeurs obtenues par l'quation:

EXEMPLE A: ANALYSE de FOURIER


Rsolution dun systme de 21 quations, soit la possibilit de mettre en vidence les 10
premires harmoniques: m = (N-1)/2)

2 t

Y(t) = 50 + 10 sin
2 +
4
21

t
1
2
3
4
5
6
7

Y(t)
59.83
59.17
55.32
49.63
44.06
40.56
40.43

t
8
9
10
11
12
13
14

Y(t)
43.48
48.88
54.67
58.84
59.94
57.58
52.59

t
15
16
17
18
19
20
21

Y(t)
46.70
41.95
40.01
41.53
46.00
51.86
57.07
Tableau 15

soit une sinusode de valeur moyenne = 50, de frquence = 2, d'amplitude = 10 et d'angle de


phase = 45 (c.f. Figure 34).

0
1
2
3
4
5
6
7
8
9
10

Coefficients
de FOURIER
a()
b()
100.0
0.00
0.00
7.07
7.07
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00

Amplitudes et angles de
phase des harmoniques
A()
() []
0.00
29.26
10.00
45.00
0.00
36.43
0.00
283.11
0.00
36.40
0.00
347.76
0.00
331.56
0.00
289.69
0.00
300.90
0.00
85.21

 a(0)
 harmonique 2

Tableau 16

2 t

Ces rsultats sont ainsi conformes lquation initiale: Y(t) = 50 + 10 sin
2 + ,
4
21
avec: 50 moyenne de la srie: a(0)/2 = 100/2 = 50
2t harmonique: =2
10 amplitude de lharmonique 2: A(=2) = 10
/4 dphasage de lharmonique 2: (=2) = 45

SINUSOIDE: moyenne=50, amplitude=10, phase=45[o]


60

55

MODELE DE PREVISION
50

Le modle de prvision, bas sur l'analyse de FOURIER, consiste superposer une srie
d'harmoniques juges significatives (amplitudes, ...) d'aprs les tableaux des coefficients,
amplitudes et angles de phase exposs ci-dessus.

45

Ainsi:
P(t) =

t
40
1

a(0)
+ [(a( ) cos( )) + ((b( ) sin( )) ](i)
i
2

9 10 11 12 13 14 15 16 17 18 19 20 21

Figure 34

avec: = ((t)/N)2
i = choix des harmoniques

Remarque: indpendamment d'un modle de prvision, la dcomposition en sries de


FOURIER s'avrera trs utile dans le cadre dune analyse de donnes (c.f. 4.1)
afin de mettre vidence quantitativement tous phnomnes cycliques.
71

72

APPLICATION DE LA METHODE: procdure de filtrage

3.6 METHODES DE BOX & JENKINS (introduction)

La dcomposition en srie de Fourier peut sappliquer directement sur la srie chronologique


brute rendue, si besoin, stationnaire et ventuellement dsaisonnalise (il est toutefois noter
que la saisonnalit est un cycle particulier, qui peut ainsi tre mis en vidence par une
dcomposition en sries de Fourier!). Dans ce cas, lanalyseur de Fourier, devra distinguer les
composantes cycliques, des facteurs alatoires perturbateurs.
Le recours un FILTRE, appliqu aux donnes brutes, permettra dliminer, ou tout au
moins de rduire, ces facteurs alatoires, pour ne conserver que les composantes cycliques.
Les mthodes de lissage offrent la possibilit, de manire simple, de filtrer les donnes de
base brutes par un choix judicieux des valeurs des paramtres de lissage (c.f. Figure 5,
paramtre T=12). Il sagira alors de sassurer que la srie est stationnaire en tendance avant
dappliquer la mthode de Fourier.
Le modle complet de prvision (Td + C + S) se fera conformment la procdure dcrite au
paragraphe prcdent (c.f. PREVISION, 3.5.1).

Figure 35: EXEMPLE B, dcomposition en sries de FOURIER


Application dun filtre (c.f. ci-avant)
(Echantillonnage des 61 premires valeurs, choix des harmoniques 1 & 2)

Le modle de prvision de BOX & JENKINS [MBJ] peut tre considr comme une
gnralisation des techniques de Rgression et de Lissage.
L'application de cette mthode prsuppose que la srie chronologique rponde aux critres
suivants:
- le processus correspond partiellement un modle AUTOREGRESSIF (AR),
- le processus correspond partiellement un modle du type MOYENNES MOBILES
PONDEREES (MA),
- la srie est STATIONNAIRE.
Diffrentes techniques permettent, par transformation des valeurs initiales, de rendre une
srie stationnaire: diffrentiation, rgression, ...

3.6.1 MODELES
a. MODELE AUTOREGRESSIF (AR)
Si la valeur d'une srie chronologique D(t) peut tre dtermine chaque priode par
pondration relative des valeurs prcdentes, alors:

DECOMPOSITION EN SERIES DE FOURIER (avec filtre)

1000

D(t) = 1D(t-1) + 2D(t-2) +... + qD(t-q) + e(t) + K

900

avec: i = coefficients de pondration des valeurs D(t-i) prcdentes,


e(t) = cart en t
K = terme constant (srie stationnaire en moyenne)

800

En pratique, des modles du premier et second ordre sont frquemment utiliss (un ordre
suprieur pouvant induire des carts autocorrls important dus des perturbations
historiques):

700

600

Modles AR:
1er ordre:

500

D(t) = 1D(t-1) + e(t) + K

2me ordre: D(t) = 1D(t-1) + 2D(t-2) + e(t) + K

400
1989

1990

1991

1992

1993
Donnes

73

1994

1995

1996

74

b. MODELE PAR MOYENNES MOBILES PONDEREES (MA)


Une autre approche d'analyse de la srie est de supposer un niveau moyen connu, et dcrire
l'volution de cette srie par rapport cette valeur moyenne (analyse par carts):
D(t) = e(t) - 1e(t-1) - 2e(t-2) - ... - qe(t-q) + K

3.6.2 DETERMINATION DES PARAMETRES ET MODELES DE


PREVISION
a. MODELE AR
En partant de l'quation gnrale:

avec: i = coefficients de pondration des carts e(t-i) prcdents,


K = terme constant (srie stationnaire en moyenne)
Exemples de modles MA du 1er et 2me ordre:
1er ordre:

D(t) = e(t) - 1e(t-1) + K

2me ordre: D(t) = e(t) - 1e(t-1) - 2e(t-2) + K

c. MODELE MIXTE (ARMA)

D(t) = 1D(t-1) + 2D(t-2) +... + qD(t-q) + e(t) + K


en dveloppant et en transformant cette quation (cart la moyenne, calcul des valeurs
espres, ...) compte tenu des hypothses dapplication de la mthode de BOX-JENKINS
(stationnarit, ...): quations de YULE-WALKER (pour plus de dtail, le lecteur se
rapportera aux ouvrages cits en rfrence la fin de ce document)
r1 = 1
+ 2r2 + ... + qrq-1
r2 = 1r1 + 2
+ ... + qrq-2
...
rq = 1rq-1 + 2rq-2 + ... + q

Le modle ARMA sobtient par superposition des modles AR & MA.

o les rq peuvent tre estims (1re approximation) par les coefficients simplifis
d'autocorrlation dfinis au paragraphe 2.1.

Exemple modle d'ordre 1:

Exemple:

D(t) = 1D(t-1) - e(t) - 1e(t-1) - K

Modle du 1er ordre q=1:

r1 = 1 1 = r1

Modle du 2me ordre q=2: r1 = 1 + 2r2


r2 = 1r1 + 2
r1 = coefficient d'autocorrlation dcal d'une priode,
r2 = coefficient d'autocorrlation dcal de deux priodes.
En rsolvant ce systme de deux quations deux inconnues: 1 & 2:
1 = [r1(1 - r2)]/(1 - r12)
2 = (r2 - r12)/(1- r12)

75

76

MODELES DE PREVISION AR

b. MODELE MA

a.1 MODELE DU PREMIER ORDRE

La dtermination des coefficients i est faite par un processus de calcul analogue celui
dcrit dans le cadre du modle AR, ainsi:

Equation gnrale (transformation: cart la moyenne): D(t) = 1D(t-1) + e(t)


avec: D(t) = D(i) - Dm

et

Dm = moyenne de la srie D

ainsi: D(t) - Dm = 1(D(t-1) - Dm) + e(t)

D(t) = Dm(1-1) + 1D(t-1) + e(t)

Modle du 1er ordre q=1:

r1 = (-1)/(1 + 12)

1 = rsolution de cette quation du second degr, ainsi:

avec: P(t)=D(t)-e(t), donc:

1 =

1 1 4 r1 2
2r1

P(t) = Dm(1- 1) + 1D(t-1)


Modle du 2me ordre q=2: r1 = [-1(1 - 2)]/(1 + 12 + 22)
r2 = (-2)/ (1 + 12 + 22)

a.2. MODELE DU DEUXIEME ORDRE


Equation gnrale: D(t) = 1D(t-1) + 2D(t-2) + e(t)

1, 2 rsolution de ces deux quations du second degr, deux inconnues 1 & 2, avec:
r1 & r2, respectivement 1er et 2me coefficients d'autocorrlation de la srie D(t)

et: D(t) - Dm = 1(D(t-1) - Dm) + 2(D(t-2) - Dm) + e(t)

D(t) = Dm(1-1- 2) + 1D(t-1) + 2D(t-2) + e(t)

donc:

P(t) = Dm(1- 1- 2) + 1D(t-1) + 2D(t-2)

MODELES DE PREVISION MA

b.1 MODELE DU PREMIER ORDRE


Equation gnrale: D(t) = D(t) - Dm = e(t) - 1e(t-1)
ainsi: D(t) = Dm + e(t)- 1e(t-1)

avec P(t)=D(t)-e(t), donc:

P(t) = Dm - 1e(t-1)

b.2 MODELE DU DEUXIEME ORDRE


En oprant de faon analogue au modle du premier ordre:

P(t) = Dm - 1e(t-1) - 2e(t-2)

77

78

c. MODELE ARMA

3.6.3 CHOIX D'UN MODELE

Modle du 1er ordre, quation gnrale: D(t) = 1D(t-1) - e(t) - 1e(t-1) - K

dtermination des coefficients 1 & 1.


Par analogie aux modles AR & MA (mme processus de calcul), il devient:

Le choix d'un modle (AR, MA ou ARMA) se fera grce l'examen des coefficients
d'autocorrlation (et autocorrlation partielle) de la srie de donnes, en les comparant des
processus AR, MA ou ARMA connus.

r1 = [(1 - 11)(1 - 1)]/(1 + 12 - 211)


r2 = 1r1

La valeur des coefficients entrant dans les calculs des modles AR, MA & ARMA, dont la
dtermination est dcrite au paragraphe 3.6.2, peut tre affine (simulation) aprs observation
des valeurs d'autocorrlations des rsidus (c.f. chapitre 5).

Ainsi, en dveloppant la premire quation en r1:

Si la srie a t dsaisonnalise ou si , par artifice mathmatique, elle a t rendue


stationnaire, il s'agira de corriger en consquence les rsultats P(t)!

12(r1 - 1) + 1(1 + 12 - 2r1 1) + r1 - 1 = 0

Les Figures 36, 37 & 38 prsentent l'application de chacun de ces modles l'EXEMPLE B
(srie dsaisonnalise + stationnarise).

1, avec 1 = r2/r1, et r1 & r2, respectivement 1er et 2me coefficients d'autocorrlation de


la srie D(t)

3.6.4 CONDITIONS D'APPLICATION


MODELE DE PREVISION ARMA: MODELE DU PREMIER ORDRE

MODELE AR:

Equation gnrale: D (t) = 1D (t-1) + e(t) - 1e(t-1)

 1er ordre:

ainsi: D(t) - Dm = 1(D(t-1) - Dm) + e(t) - 1e(t-1)

 2me ordre: -2 < 1 < +2

et: D(t) = Dm(1 + 1) + 1D(t-1) + e(t) - 1e(t-1)

-1 < 1 < +1
-1 < 2 < +1

et

-1 < 2 < +1

avec: P(t) = D(t) - e(t), alors:

P(t) = Dm(1 + 1) + 1D(t-1) - 1e(t-1)

MODELE MA:
 1er ordre:

-1 < 1 < +1

 2me ordre: -2 < 1 < +2

79

et

80

Figure 36: EXEMPLE B, Modle AR du 1er ordre

Figure 37: EXEMPLE B, Modle AR du 2me ordre

AR[1] (dsaisonnalise + ajustement en tendance)

1000

AR[2] (dsaisonnalise + ajustement en tendance)

1000

900

900

800

800

700

700

600

600

500

500

t
400

t
400

1989

1990

1991

1992

1993
Donnes

81

1994

1995

1996

1989

1990

1991

1992

1993
Donnes

82

1994

1995

1996

Figure 38: EXEMPLE B, Modle MA du 2me ordre

4. CHOIX D'UNE METHODE DE PREVISION,


ANALYSE DE LA SERIE CHRONOLOGIQUE DES DONNEES

MA[2] (dsaisonnalise + ajustement en tendance)

1000

Le choix d'une mthode de prvision dpend du nombre de valeurs prvisionnelles dsires


(prvision immdiate, court, moyen ou long terme, c.f. 4.2), de la base temporelle, des
caractristiques (tendance, saisonnalit, cycles, ...) de la srie (des sries) chronologique(s) de
donnes (c.f. 1.4) et du nombre d'observations disponibles.

900

800

4.1 ANALYSE DE LA SERIE CHRONOLOGIQUE DE DONNEES


700

Diffrentes techniques plus ou moins sophistiques permettent cette analyse, quelques-unes


ont t retenues et prsentes dans ce paragraphe.

600

500

4.1.1 ANALYSE GRAPHIQUE ET STATISTIQUE


t
400
1989

1990

1991

1992

1993

1994

1995

1996

a. VISUALISATION GRAPHIQUE (Exemple: c.f. 3.1.3, EXEMPLE A)

Donnes
20

15

10

0
1

5
6
Priodes

10

Figure 39
Cette approche ne permet que le choix grossier d'un modle ou d'une srie de modles; choix
qui sera affin par une analyse plus fine des donnes (par exemple: calcul des coefficients
d'autocorrlation, c.f. 4.1.2) et par un examen de la qualit du modle de prvision (c.f.
chapitre 5).
Vouloir estimer, sur la base de l'observation graphique des donnes, une tendance, un cycle, ...
peut s'avrer difficile et conduire des conclusions errones (biais humains, c.f. 1.2).
83

84

Figure 40: Coefficients d'autocorrlation de la srie 1-2, dcrite au paragraphe 3.2.1

b. ANALYSE D'ECARTS PAR PERIODE SUCCESSIVE


Exemple de la Figure 39

SERIE 1-2: AUTOCORRELATION DES DONNEES

Valeur moyenne: 11.50

Ecart-type: 2.55
Croissance

Priodes
1
2
3
4
5
6
7
8
9
10

Donne: D(t)
11
12
14
9
13
16
7
12
10
11

absolue
1.00
2.00
-5.00
4.00
3.00
-9.00
5.00
-2.00
1.00

1
0.8

relative
9.09 %
16.67 %
-35.71 %
44.44 %
23.08 %
-56.25 %
71.43 %
-16.67 %
10.00 %

0.6
0.4
0.2
0
-0.2
-0.4
-0.6

Tableau 17

c. ANALYSE GENERALE DE TENDANCE(S) (c.f. 3.3)


Modles de rgressions (approche itrative)
d. INDICES SAISONNIERS (c.f. 3.4)
Par dfinition, mise en vidence et quantification des cycles particuliers de priodes
infrieurs une anne
e. ANALYSE DE FOURIER (c.f. 3.5.2)
Dtection et analyse dtaille de tous phnomnes priodiques

-0.8
-1
1

4
5
Priodes en avance

Figure 41: Coefficients d'autocorrlation d'une srie en forme de rampe pente constante
(Srie de 50 valeurs, c.f. 3.1.1, Exemple A)

RAMPE (constante): AUTOCORRELATION DES DONNEES


1
0.8
0.6

4.1.2 AUTOCORRELATION DES DONNEES


Cette technique, dont les quations de base ont t dcrites au chapitre 2 permet de mettre en
vidence une corrlation dune mme srie de donnes considre des priodes
diffrentes: effets de tendance, de saisonnalit, de cycles, ...
(Mthodes de BOX-JENKINS: choix du modle AR, MA ou ARMA).

0.4
0.2
0
-0.2
-0.4

Exemples:

-0.6

1. Figure 40:

srie 1-2, applique dans le cadre de la prsentation de la mthode du


Filtrage Adaptatif (c.f. 3.2.1, Figure 18)

2. Figure 41:

srie de 50 valeurs dune rampe pente constante: 1, 2, 3, ... , 50

-0.8
-1
1

5
6
7
Priodes en avance

3. Figures 42 a&b: EXEMPLE B (c.f. Figure 2)


85

86

10

Figure 42a: EXEMPLE B, coefficients d'autocorrlation, dcalage jusqu' 24 priodes, mise


en vidence de la saisonnalit (histogramme horizontal).

Figure 42b: EXEMPLE B, coefficients d'autocorrlation, dcalage jusqu' 24 priodes, mise


en vidence de la saisonnalit (histogramme vertical enrichi des valeurs des
coefficients d'autocorrlation).

EXEMPLE B: AUTOCORRELATION DES DONNEES


1

EXEMPLE B: AUTOCORRELATION DES DONNEES

0.6

0.444
-0.016
-0.118

0.4

0.019
0.116

0.8

Mois en avance

0.047
0.142
0.005

0.2
0

-0.204
-0.229

-0.2

0.063
0.366

-0.4

-0.033
-0.382
-0.342
-0.100
0.020
-0.028
-0.022
-0.311
-0.529

-0.6
-0.8
-1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Mois en avance

-0.414
0.100
0.461
0.002
-0.263
-0.191
-0.022
0.077
0.027
0.067
-0.182
-0.313
-0.073
0.483
0.759

-1

-0.8

-0.6

-0.4

-0.2

0.2

0.4

0.6

0.8

Intervalle de confiance des coefficients d'autocorrlation d'une srie de 84 valeurs alatoires: 0.214

87

88

4.1.3 CORRECTIONS DE VALEURS ABERRANTES

4.2 CHOIX D'UN MODELE DE PREVISION

Il peut arriver que certaines valeurs particulires d'une srie de donnes soient aberrantes
(erreurs de mesure, phnomne extrieur ponctuel, ...).
Il s'agit alors, (sous certaines conditions et avec prcaution!) de corriger (d'adapter) ces valeurs
afin qu'elles ne perturbent pas trop fortement la loi mathmatique du modle de prvision (c.f.
Figure 43 et 5.2.2 d).

Le tableau ci-dessous prsente, titre indicatif, les domaines de validit de diffrentes


mthodes en fonction de lhorizon de prvision souhait (base temporelle de rfrence:
valeurs mensuelles).

Exemple: rgression linaire avec effet perturbateur

METHODES
Mthodes de lissages
Filtrage adaptatif
Mthodes par dcomposition
Mthodes de BOX-JENKINS
Rgressions simples
Rgressions multiples

PREVISIONS
court terme moyen terme
de 1 3 mois
< 2 ans

immdiates
< 1 mois

long terme
> 2 ans

Certaines applications intgres de gestion (GPAO, MRP, MRPII, ...) comportent un module
danalyse prvisionnelle qui fait appel automatiquement plusieurs mthodes de base en
fonction des caractristiques des donnes et des horizons de prvision souhaits.
Il est alors souvent opportun, avant toute mise en pratique, de tester ces modules pour
connatre leurs rponses globales ou locales:
- des variations ou des drglements de la srie de donnes (c.f. 4.3),
- des extrapolations sur des horizons court, moyen ou long terme.

temps

Figure 43

De tels modules peuvent galement identifier et interprter (c.f. 5.2.2) des drglements
ponctuels de la srie chronologique (actions spciales, c.f. 5.2.2 d) et les reproduire dans le
futur en fonction dactions comparables probables.

4.2.1 APPLICATION PRATIQUE DE MODELES DE PREVISION


Lapplication dun modle dpend dun certain nombre de facteurs et de critres internes et
externes la srie de donnes (c.f. 1.3).
En fonction de ces facteurs, il sagira de choisir une ou plusieurs (c.f. 7) mthodes de
prvision suceptibles de modliser, en fonction de la base temporelle, lvolution des
caractristiques de la srie chronologique.
Le choix dune mthode est conditionn, entre autre, par lhorizon de prvision souhait (c.f.
tableau ci-dessus), dont le nombre de valeurs est fonction de la base temporelle.
Ainsi, une prvision dune anne comporte:
 12 valeurs prvisionnelles en base mensuelle,
 4 valeurs prvisionnelles en base trimestrielle,
 1 valeur prvisionnelle en base annuelle.

89

90

Par agrgations successives dune srie mensuelle Dm(t) (mois trimestres anne), il est
alors possible de prendre en compte, pour la mme priode prvisionnelle, diffrents modles
applicables des horizons de prvision allant du moyen (12 valeurs) au trs court terme (1
valeur).
La comparaison des rsultats de ces diffrents modles, en valeurs moyennes et probabilistes
(c.f. 5.1 d), se fera finalement aussi par agrgations successives.

4.3 TEST D'UN MODELE DE PREVISION


Afin de comprendre et dvaluer la rponse dun modle des variations marques de
caractristiques dune srie de donnes, il est utile davoir recours des signaux dentre
standards du type: saut, rampe ou impulsion (c.f. Figure 44).

Exemple: soit Dm(t) une srie base mensuelle, Pm(t) sa prvision sur 12 mois, Ptm(t) sa
prvision sur 4 trimestres et Pa(t) sa prvision sur 1 anne.
Signaux dentre standards
12

t =1

t =1

Comparaison des rsultats: Pm(t) Ptm(t) Pa(t)

SAUT

RAMPE

IMPULSION

Si une srie de donnes est le rsultat de lagrgation de n sries partielles, la comparaison des
prvisions de la srie agrge avec celles des sries dsagrges peut savrer intressante et
constituer un moyen de contrle utile.
Soit:
D(t) = [D1(t), D2(t), ..., Di(t)] alors:
Comparaison: P(t) [P1(t), P2(t), ..., Pi(t)] en valeurs dterministes et
probabilistes

Figure 44
La procdure de test suit la logique exprime au schma 6.

Signaux standards

MODELE

Rponses

comparaison

Schma 6
Il est alors possible dvaluer le comportement de chaque mthode de prvision et ainsi de
mettre en vidence, en fonction des paramtres propres chaque modle, des effets de trane
ou dinertie, des dpassements du signal de consigne, des instabilits, ... (c.f. Figure 45).

Rponse de mthodes de Lissage un SAUT unit


Fonction du paramtre de lissage (T ou ) et du degr du modle

Figure 45

91

92

5. RESULTATS ET QUALITE D'UN MODELE DE PREVISION

c. REPRESENTATIONS GRAPHIQUES
 Figure 22:graphique sans l'cart-type, sans prise en compte de la saisonnalit,

Ce chapitre prsente un certain nombre de rsultats (tats de sortie) associs un modle de


prvision obtenus par l'application du logiciel SCALP (Statistique et CALculs
Prvisionnels, ITEP-LEM, Dr Ph. WIESER).

 Figure 30:graphique sans l'cart-type, avec prise en compte de la saisonnalit,

Application numrique: EXEMPLE B, mthode par Rgression Linaire, avec et sans prise
en compte de la saisonnalit.

 Figure 47:graphique avec un cart-type sur l'ensemble des valeurs: donnes + prvisions,
avec prise en compte de la saisonnalit,

 Figure 46:graphique avec un cart-type sur l'ensemble des valeurs: donnes + prvisions,
sans prise en compte de la saisonnalit,

 Figure 48:graphique avec un cart-type sur les valeurs prvisionnelles uniquement, avec
prise en compte de la saisonnalit, zoom sur les deux dernires annes de
donnes et sur les valeurs prvisionnelles.

5.1 RESULTATS

d. INTERET DE LA REPRESENTATION GRAPHIQUE DE LECART-TYPE


a. EQUATION DU MODELE DE PREVISION
(sans prise en compte de la saisonnalit,
srie brute)

(avec prise en compte de la saisonnalit, c.f.


3.4.1)

POLYNOME DE DEGRE: 1

POLYNOME DE DEGRE: 1

P(t) = A0 + A1t

P(t) = A0 + A1t

AVEC LES COEFFICIENTS:

AVEC LES COEFFICIENTS:

A0 = 706
A1 = -0.471

A0 = 702
A1 = -0.412

Lapproche probabiliste (valeur moyenne de la prvision n, c.f. 5.2.2 b) constitue, entre


partenaires, un outil fondamental de dialogue et de ngociation toute prise de dcision (c.f.
1.2).
Il met en vidence la probabilit de se trouver dans une zone de prvision (si lavenir la
srie se comporte de manire analogue au pass!) et doit susciter des rflexions et des
ractions de la part des dcideurs en fonction, par exemple, dlments futurs, exognes la
srie chronologique (c.f. Schma 7).

n
Communication
Ngociation
Choix

b. CALCUL DES VALEURS PREVISIONNELLES DEMANDEES


Donnes

Rsultats des valeurs prvisionnelles en:


- valeurs moyennes,
- valeurs moyennes un cart-type [], (c.f. point d ci-aprs, ainsi que 5.2)

Prvision
t

EXEMPLE B: Rgression Linaire, srie dsaisonnalise (prise en compte de la saisonnalit,


c.f. 3.4.1), =72.81
Prvisions n+, = Prvision moyenne -
1
535.52
2
541.99
3
655.72
...
...

Prvision moyenne
608.33
614.80
728.53
...

Schma 7

Prvision moyenne +
681.14
687.61
701.34
...
Tableau 18

93

94

Figure 46: EXEMPLE B, Rgression Linaire, srie brute avec 12 valeurs prvisionnelles
(reprsentation de l'cart-type sur l'ensemble des valeurs).

REGRESSION LINEAIRE (srie brute)

1000

Figure 47: EXEMPLE B, Rgression Linaire, srie dsaisonnalise avec 12 valeurs


prvisionnelles (reprsentation de l'cart-type sur l'ensemble des valeurs).

REGRESSION LINEAIRE (prise en compte de la saisonnalit)

1000

900

900

800

800

700

700

600

600

500

500
t

400

t
400

1989

1990

1991

1992

1993
Donnes

95

1994

1995

1996

1989

1990

1991

1992

1993
Donnes

96

1994

1995

1996

Figure 48: EXEMPLE B, Rgression Linaire, srie dsaisonnalise avec 12 valeurs


prvisionnelles (reprsentation de l'cart-type sur les seules valeurs
prvisionnelles).
Zoom sur les deux dernires annes de donnes et sur les valeurs prvisionnelles.

REGRESSION LINEAIRE (prise en compte de la saisonnalit)

1000

[ZOOM]

5.2 QUALITE ET PERFORMANCE DU MODELE DE PREVISION

5.2.1 COMPARAISON: DONNEES-MODELE, PERFORMANCE DU


MODELE
 comparaison: donnes-modle
 calcul des carts par priode, en valeurs absolues et relatives

900

 calcul de divers indices de performance: EM, EAM, MQ, , r, U, DW, ... (c.f. 2.2)
800

EXEMPLE B: Rgression Linaire, srie dsaisonnalise.


PERFORMANCE DU MODELE

700

Ecarts
600

500
t
400
1994

1995

1996
Donnes

Mois
1
2
3
4
5
6
7
8
9
10
...

Annes
1989
1989
1989
1989
1989
1989
1989
1989
1989
1989
...

Donnes D(t)
695.00
684.00
817.00
800.00
773.00
807.00
712.00
610.00
499.00
842.00
...

MODELE P(t)
639.86
646.69
766.34
751.34
784.26
800.77
678.30
595.89
555.50
799.38
...

absolus
-55.14
-37.31
-50.66
-48.66
11.26
-6.23
-33.70
-14.11
56.40
-42.62
...

relatifs [%]
-7.93 %
-5.45 %
-6.20 %
-6.08 %
1.46 %
-0.77 %
-4.73 %
-2.31 %
11.32 %
-5.06 %
...
Tableau 19

EXEMPLE B: Rgression Linaire, srie dsaisonnalise.


INDICES DE PERFORMANCE DU MODELE
ECART MOYEN
ECART ABSOLU MOYEN
MOYENNE QUADRATIQUE

[EM]:

0.45

[EAM]:

50.62

[MQ]:

72.81

ECART-TYPE

[]:

72.81

CORRELATION .LINEAIRE

[r]:

0.72

[U]:

0.67

[DW]:

0.80

TEST DE THEIL
TEST DE DURBIN-WATSON

Rgression, cas particulier: MQ (n>30)

97

98

5.2.2 ANALYSE DES ECARTS, DES RESIDUS (DONNEES-MODELE)


Le contrle et lanalyse des carts (rsidus) e(t) = D(t) - P(t) et de ses ratios statistiques
associs (c.f. 2.2 et tableau de rsultats ci-avant) est une condition ncessaire, mais pas
suffisante, pour dterminer les performances et la qualit dun modle de prvision.
Le but espr par lapplication dun modle est que ce dernier explique les caractristiques:
Tendance(s), Cycles et Saisonnalit, ainsi idalement:

e(t) = f(Alatoire)

a. VISUALISATION GRAPHIQUE DES RESIDUS e(t)


Figure 49: EXEMPLE B, Rgression Linaire, srie dsaisonnalise.
Ecarts prvisionnels: e(t)

ECARTS: e(t) (Rgression Linaire dsaisonnalise)

300

200

la caractristique Alatoire ne pouvant, par dfinition, pas tre modlise!


Par lexamen des critres statistiques mis en vidence jusquici (c.f. tableau ci-avant), il est
alors possible de dduire les lments suivants:

 un critre de lcart moyen proche de zro indiquera que les rsidus sont centrs sur
lorigine (pas dviation systmatique de lcart).
Seul intrt de ce critre!
 cart-type, c.f. point b ci-aprs

100

-100
2

 le coefficient de dtermination r , par dfinition, permet de dterminer la part des


variations expliques par le modle (c.f. 2.1), ainsi dans lexemple ci-avant:

-200

variation explique par le modle = 52% (0.722) de la variation totale


 tests de THEIL et de DURBIN-WATSON, c.f. respectivement paragraphe 2.2 & chapitre 6

t
-300
1989

Dautres critres statistiques, exposs aux paragraphes suivants, permettront danalyser la


qualit et le comportement du modle.
A titre dexemple, ces critres complmentaires sont calculs sur la rponse du modle de
Rgression Linaire, avec prise en compte de la saisonnalit, appliqu lExemple B (c.f.
Figure 2).

1990

1991

1992

1993

1994

1995

La visualisation graphique des rsidus e(t) permet, en premire approche, de vrifier si ces
derniers sont centrs sur lorigine et si un cart, une dviation ou/et un phnomne cyclique
systmatique sont prsents.
La Figure 49 (c.f galement Figure 56) prsente ainsi un rsidu cyclique qui doit pouvoir tre
corrig en appliquant, par exemple, une mthode par dcomposition intgrant les cycles (c.f.
3.5).

99

100

b. MISE EN EVIDENCE D'UN DEREGLEMENT DU MODELE DE PREVISION


En supposant que les carts e(t) sont alatoires et distribus suivant une loi Normale centre et
d'cart-type , les probabilits d'observation de valeurs sont alors de (c.f. Figure 50):
68.3[%] entre la valeur moyenne 1
95.5[%] entre la valeur moyenne 2
99.7[%] entre la valeur moyenne 3

La visualisation de lvolution, en fonction du temps, de lcart-type, des donnes et du


modle, permet galement de dceler des drglements locaux, respectivement de la srie
chronologique et de la mthode de prvision applique (c.f. Figure 51).

Figure 51: EXEMPLE B, volution de (t).


Srie brute et modle de Rgression Linaire appliqu la srie dsaisonnalise.

(Intrt dune reprsentation probabiliste des rsultats: c.f. Figures 46 48, et point d du
paragraphe 5.1).

120

Ainsi, un cart e(t) suprieur en valeur absolue 3 indique un drglement local du


systme, par exemple une rupture de stock, une promotion de vente, ...

100

Figure 50: EXEMPLE B, Rgression Linaire, srie dsaisonnalise.


Analyse d'carts: DEREGLEMENT

Donnes brutes

80

DEREGLEMENT (Rgression Linaire dsaisonnalise)

300

EXEMPLE B: EVOLUTION DE L'ECART-TYPE (t)

60

200

40

RESIDUS
Modle: Rgression Linaire, srie dsaisonnalise

20

100
1

t
0

1989

1990

1991

1992

-1

-100
-2

-200

-3

-300
1989

1990

1991

1992

101

1993

1994

1995

102

1993

1994

1995

Figure 52: EXEMPLE B, Rgression Linaire, srie dsaisonnalise.


Analyse d'carts: SIGNAL D'ALERTE (tracking signal).

c. SIGNAL D'ALERTE (tracking signal)


Cette mthode est base sur la comparaison des carts cumuls par rapport une limite de
confiance donne.
Ecarts cumuls en t :

i =1

i =1

e(i) = [D(t) P(t)]

SIGNAL D'ALERTE (Rgression Linaire dsaisonnalise)

16
14

1 t
Ecart absolu moyen en t: EAM(t) = e(t)
t i =1

12
10

Le signal d'alerte SGA (mthode de Brown) est dfini par:

8
6

SGA(t) =

i =1

e(i)

EAM(t)

0
-2

En supposant que les e(t) suivent une loi de distribution Normale centre d'cart-type , alors:

2
0.8

EAM =

En se donnant les limites de confiance 3 (correspondant des probabilits de 99.7%, c.f.


Figure 50), le signal d'alerte SGA(t) devrait se trouver dans les limites suivantes:

-4
-6
-8
-10
-12
-14

-16

SGA(t)

3
4
0.8

1989

1990

1991

1992

Le dpassement de ces limites met en vidence un drglement local du systme.

Remarque: l'inconvnient de cette mthode est son inertie. En effet, lors d'un dpassement
de limite, le systme ne revient que trs lentement vers 0 (c.f. Figure 52)

103

104

1993

1994

1995

d. MISE EN EVIDENCE D'ACTIONS SPECIALES


L'analyse mathmatique d'une srie de donnes chronologiques ne fait pas toujours ressortir
explicitement certains phnomnes lis la politique de l'entreprise: campagnes
promotionnelles, baisses ou hausses de prix, rupture de stocks,...
De tels phnomnes sont baptiss Actions Spcialeset peuvent tre positifs ou ngatifs, avec
ou sans saturation, avec ou sans incidences sur lavenir (c.f. ci-dessous)

Figure 54: EXEMPLE B, Rgression Linaire, srie dsaisonnalise.


Mise en vidence d'actions spciales
Rsidus reprsents en valeurs absolues (courbe redresse)

ACTIONS SPECIALES (Rgression Linaire dsaisonnalise)

300
280

La mise en vidence et la calibration de ces actions spciales permet:

 de visualiser l'effet d'un phnomne ponctuel et ses consquences sur les valeurs futures
de la srie chronologique (modification de tendance, gain de parts de march, ..., c.f.
Figure 53),
 de corriger certaines valeurs historiques associes une action ponctuelle (c.f. 4.1.3),
 d'adapter le modle prvisionnel au cas o une action de mme nature est prvue en t+
(valeurs normes).

260
240
220
200
180
160
140
120
2EAM

100
80
60

Td

40
20

0
1989

1990

1991

1992

1993

Figure 53

La dtermination automatique d'actions spciales est base sur l'analyse des carts e(t)
supposs distribus selon une loi Normale centre, ainsi:
EAM 0.8

(c.f. ci-dessus)

La probabilit pour que: |e(t)| 2EAM est d'environ 90%


Si cette ingalit n'est pas respecte, il existe une forte probabilit dun drglement local de
la srie qui pourrait tre expliqu par action spciale (c.f. Figure 54).

105

106

1994

1995

5.2.3 AUTOCORRELATION DES RESIDUS


Le principe est analogue celui dcrit au paragraphe 4.1.2.
Cette technique, applique aux rsidus e(t) = D(t) - P(t), est destine dterminer sil est
possible de mettre en vidence une loi de comportement de ces carts e(t) (rfrence de
comparaison: srie de n valeurs purement alatoires!), par exemple: une tendance, des cycles,
de la saisonnalit, ... [Rappel, but dun modle: e(t) = f(Alatoire)].
Si tel est le cas, il s'agira de remettre en cause la validit du modle utilis et de le comparer,
sur la base de ce critre, avec d'autres modles de prvision afin de choisir le ou les modles
(ou de calibrer les paramtres d'un modle) adapts pour la srie de donnes tudie.

Exemples: Figure 55, EXEMPLE B, Rgression Linaire, srie brute,


mise en vidence de la saisonnalit
Figure 56, EXEMPLE B, Rgression Linaire, srie dsaisonnalise,
mise en vidence d'un cycle
Figure 57, EXEMPLE B, Dcomposition, prise en compte de la tendance, des
cycles et de la saisonnalit
alatoire

Figure 55: EXEMPLE B, COEFFICIENTS D'AUTOCORRELATION DES RESIDUS.


METHODE: Rgression Linaire, srie brute.
mise en vidence de la saisonnalit

REGRESSION LINEAIRE
1
AUTOCORRELATION DES RESIDUS

0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Mois en avance

107

108

Figure 56: EXEMPLE B, COEFFICIENTS D'AUTOCORRELATION DES RESIDUS.


METHODE: Rgression Linaire, srie dsaisonnalise.
mise en vidence d'un cycle

Figure 57: EXEMPLE B, COEFFICIENTS D'AUTOCORRELATION DES RESIDUS.


METHODE: Dcomposition, Tendance + Cycles + Saisonnalit
alatoire

REGRESSION LINEAIRE avec prise en compte de la saisonnalit


1

DECOMPOSITION: Tendance + Cycles + Saisonnalit


1

AUTOCORRELATION DES RESIDUS

AUTOCORRELATION DES RESIDUS

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

-0.2

-0.2

-0.4

-0.4

-0.6

-0.6

-0.8

-0.8

-1

-1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Mois en avance

Mois en avance

109

110

6. COMPARAISON DE METHODES DE PREVISION


Ce chapitre prsente la comparaison, en terme dindices de performance, de diffrentes
mthodes de prvision appliques la srie de donnes de l'EXEMPLE B (c.f. Figure 2).
Critres de comparaison, tests statistiques sur les rsidus: (c.f. 2.2)

 EM:
 EAM:
 :
 r:
 U:
 DW:

cart moyen,
moyenne de l'cart absolu total,
cart-type,
coefficient de corrlation linaire,
test de THEIL,
test DURBIN-WATSON.

Tableau 20
No Mthodes
1 Moyenne mobile simple
T=12
2 idem 1, avec prise en
compte de la saisonnalit
3 Moyenne mobile double
T=12
4 idem 3, avec prise en
compte de la saisonnalit
5 Lissage exponentiel simple
=0.20
6 idem 5, avec prise en
compte de la saisonnalit
7 Lissage exponentiel double
=0.20
8 idem 7, avec prise en
compte de la saisonnalit
9 Lissage exponentiel Holt
=0.20 et =0.10
10 idem 9 avec prise en compte
de la saisonnalit
11 Lissage de Brown (quad.)
=0.20 + saisonnalit
12 Lissage de Winter
=0.20, =0.10 +saisonn.

rfrence des numros de figures


Fig. EM
EAM
r

5
-1.62 85.70 106.55 0.13

10

12

15

U
0.94

DW
1.06

No Mthodes
13 Filtrage adaptatif
T=12, K=0.10 et j=5
14 idem 13 avec prise en
compte de la saisonnalit
15 Liss. exponentiel adaptatif
0=0.20, =0.10
16 idem 15 avec prise en
compte de la saisonnalit
17 Rgression linaire
18 idem 17 avec prise en
compte de la saisonnalit
19 Dcomposition (qualitat.)
Tendance(1er degr)+Cycles
20 Dcomposition (qualitat.)
Tend.(1er)+Cycles+Saisonn.
21 Dc. Fourier, ajust. Td+S
(ch. 61 val., harm. 1 2 4 7)
22 idem 21 avec filtre
(ch. 61 valeurs, harm. 1 2)
23 Box-Jenkins AR(1)
ajust. en tendance (1er degr)
24 idem 23 avec prise en
compte de la saisonnalit
25 Box-Jenkins AR(2)
ajust. en tendance (1er degr)
26 idem 25 avec prise en
compte de la saisonnalit
27 Box-Jenkins MA(2)
ajust. en tendance (1er degr)
28 idem 27 avec prise en
compte de la saisonnalit
29 idem 27 sans ajustement de
tendance

EM
3.33

EAM
85.41

105.14

r
0.15

U
0.93

suite
DW
1.09

1.01

58.31

76.92

0.69

0.72

0.85

-3.22

89.22

106.75

0.21

0.90

1.30

-1.35

50.10

66.56

0.78

0.60

1.26

22
30

0.00
0.45

84.27
50.62

104.07
72.81

0.11
0.72

0.91
0.67

1.12
0.80

31

-2.06

77.16

94.59

0.44

0.82

1.36

33

-0.30

40.51

59.00

0.83

0.54

1.19

6.56

46.03

70.52

0.74

0.67

0.78

9.30

48.41

74.95

0.70

0.70

0.74

-0.03

75.18

94.12

0.45

0.83

1.74

1.48

41.19

59.15

0.83

0.54

1.99

0.18

73.71

93.93

0.50

0.82

1.47

1.50

43.92

63.46

0.80

0.58

1.25

0.06

76.38

95.81

0.46

0.83

2.37

1.31

47.00

63.17

0.81

0.57

2.07

0.29

94.34

118.56

0.36

1.03

3.08

Fig.
19

20

35

-1.29

59.51

78.70

0.67

0.73

0.82

-13.26

89.99

107.58

0.27

0.98

1.02

-13.13

66.31

80.05

0.69

0.78

0.91

-2.26

88.42

105.98

0.20

0.90

1.32

2.03

50.54

67.32

0.77

0.60

1.11

-3.00

95.66

111.97

0.26

0.95

1.42

-2.69

50.07

66.91

0.79

0.60

1.39

-5.66

93.24

110.65

0.20

0.93

1.24

-5.62

56.74

71.11

0.76

0.63

1.04

REMARQUE: Test de DURBIN-WATSON

0.16

53.31

70.90

0.79

0.64

1.52

6.36

48.48

66.75

0.78

0.60

1.13

Ce test permet de caractriser l'allure des rsidus: e(t) (c.f. quation DW du 2.2), en effet,
une valeur leve (>2) met en vidence un premier coefficient d'autocorrlation des rsidus
ngatif: signe de e(t) - e(t-1) changeant pratiquement chaque priode, alors qu'une valeur
faible (<1) signale un premier coefficient d'autoccorlation positif: signe de e(t) - e(t-1)
relativement stable en fonction du temps.

111

36

37

38

112

Les Figures 58 & 59 ci-dessous prsentent deux sries de rsidus, tires du tableau prcdent
(mthodes 18 & 29), ayant des valeurs DW contrastes (respectivement 0.80 & 3.08).

Figure 60: EXEMPLE B, coefficients d'autocorrlation des rsidus


Mthode no 29: DW = 3.08

e(t), mthode no 18

400

BOX-JENKINS MA[2]
1

300

AUTOCORRELATION DES RESIDUS

200

0.8

100

0.6

0.4

-100
0.2

-200
0

-300
t
-400
1989

1990

1991

1992

1993

1994

-0.2

1995

Figure 58

-0.4
-0.6

e(t), mthode no 29

400

-0.8

300

-1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

200

Mois en avance

100
0
-100
-200
-300
t
-400
1989

1990

1991

1992

1993

1994

1995

Figure 59

Les Figures 56 (mthode 18) & 60 mettent en vidence les coefficients d'autocorrlation
correspondants.

113

114

7. COMBINAISON DE METHODES DE PREVISION

8. CONCLUSON

L'exprience montre qu'en combinant linairement (avec ventuellement un facteur de


pondration) plusieurs mthodes (mme trs simples) cohrentes et applicables la srie
de donnes, il est possible d'amliorer sensiblement les rsultats d'une prvision.

Le but de ce cours a t de prsenter un certain nombre de modles de prvision couramment


utiliss dans la pratique, en particulier dans les modules informatiques intgrs de gestion
dentreprises (MRP, ERP, SCM, ).

En reprenant les exemples du chapitre 6 sur la base du critre de lcart-type :


No
7
7
9
7
9
3

Mthodes
Lissage exponentiel double: =0.20
Lissage exponentiel double: =0.20
+ Lissage exponentiel HOLT: =0.20 et =0.10
Lissage exponentiel double: =0.20
+ Lissage exponentiel HOLT: =0.20 et =0.10
+ Moyenne mobile double: T=12

111.97
110.24
107.34

Il est essentiel de souligner limportance du choix et du paramtrage de ces modles. En effet,


un modle inadapt induira des rsultats prvisionnels aberrants pouvant avoir des
consquences graves pour lentreprise.
Lutilisateur devra ainsi tre connatre le comportement dun modle de prvision appliqu
une srie chronologique de donnes.
Il est de plus ncessaire de souligner que le rsultat dune analyse prvisionnelle constitue
actuellement un outil daide indispensable toute prise de dcision en matire de production,
de planification et de stratgie industrielle.
Lapproche probabiliste de la prvision, qui constitue la base objective toute ngociation
interne et toute prise de dcision, doit imprativement tre intgre dans cette analyse.
Finalement, lexprience montre que :

115

Ce nest pas toujours les modles les plus compliqus qui donnent les meilleurs rsultats

Il vaut mieux une application intelligente de mthodes simples, quun choix inappropri
de modles complexes

116

Avec:

ANNEXE 1

A( ) = a( ) 2 + b( ) 2

DECOMPOSITION PAR SERIES DE FOURIER


DEVELOPPEMENT DES EQUATIONS DE BASE

&

sin ( ) =

a( )
a( )
ou ( ) = arcsin
A( )
A( )

Pour chaque harmonique : a2 + b2 = A2sin2() + A2cos2() = A2[sin2() + cos2()] =


A21
donc:

A = a 2 + b2

et:

a = Asin(), donc sin() = (a/A)

y(t) = Asin[(((t)/N)2) + ]
avec: A = amplitude
= frquence (priode)
= angle de phase
N = nombre de valeurs
En posant: = ((t)/N)2, alors:
y(t) = Asin[ + ]

PROCESSUS DE CALCUL (exemple)


Soit la srie D(t):
90
80
70

Relation fondamentale de trigonomtrie: sin[u + v] = sin(u) cos(v) + cos(u) sin(v)


60

Alors:
y(t) = A[sin()cos() + cos()sin()]

50
40

En posant: a = Asin(), et
b = Acos(), alors:
y(t) = acos() + bsin()

30
20

En superposant les sinusodes lmentaires et compte tenu du dcalage lorigine:


Y(t) =

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Priodes

Figure 61

a(0)
+ [(a( ) cos( )) + ((b( ) sin( )) ]
=1
2
m

avec: = ((t)/N)2
t = 1 ... N
m = (N-1)/2
a(0)/2 = moyenne de la srie (tendance nulle)

La srie D(t) comprend 35 valeurs. Pour chaque harmonique, de frquence paramtre i,


deux inconnues sont dterminer: lamplitude A i et le dphase i.
Soit 2 quations pour chaque harmonique paramtre en frquence, plus une quation
supplmentaire pour dterminer la constante a(0)/2 (moyenne de la srie).
Ainsi, pour cet exemple, les 35 valeurs de donnes pourraient permettre la dtermination de
17 harmoniques: 35 quations (fonction des 35 donnes) 35 inconnues (inconnue a(0)/2 + 2
inconnues par harmonique: 1 + 2x17 harmoniques = 35).

117

118

Par exemple, recherche des 17 premires harmoniques:

Harmonique 1

REFERENCES

Harmonique 2

Quelques rfrences de base:

Priodes

35

Harmonique 3

Priodes

35

FORECASTING
S. Makridakis, S. C. Wheelwright, V. E. McGee
Jhon Wiley & Sons, 1983
Nombreuses rfrences bibliographiques associes

LA PREVISION A COURT TERME


R. Lewandowski
Dunod, 1979 [ISBN 2.04.003153.7]

Harmonique 4

ANALYSE CHRONOLOGIQUE
L. Philips, R. Blomme, C. Vanden Berghe
Cabay Economica, 1981 [ISBN 2-87077-030-8]
1

Priodes

35

Priodes

35

Figure 62
etc., jusqu lharmonique 17.
Soit un systme de 35 quations 35 inconnues:

Harmonique 1

Harmonique 2

SCALP
Logiciel danalyse prvisionnelle
Dr Ph. Wieser
EPFL/IML

FORECASTING INTEGRATION IN LOGISTICS PROCESS


Dr Ph. Wieser
Eurolog 2000, Athnes, mai 2000

D(t1) = [a(0)/2] + [a(1)cos(1) + b(1)sin(1)] (t1) + [a(2)cos(2) + b(2)sin(2)] (t1) +


D(t2) = [a(0)/2] + [a(1)cos(1) + b(1)sin(1)] (t2) + [a(2)cos(2) + b(2)sin(2)] (t2) +

D(tn) = [a(0)/2] + [a(1)cos(1) + b(1)sin(1)] (tn) + [a(2)cos(2) + b(2)sin(2)] (tn) +

THE ESSENTIALS OF LOGISTICS AND MANAGEMENT


Chapter 14 : Forecast analysis and forecasting models
Dr Ph. Wieser
EPFL Press, Lausanne 2007, 2nd edition

La rsolution de ce systmes permettra lobtention des 35 inconnues caractristiques [a(i) et


b(i) Ai et i] des 17 premires harmoniques (de cet exemple) et de la constante de la srie
[a(0)/2].

Remarque: cet exemple montre le processus de calcul appliqu lextraction des 17


premires harmoniques. La dmarche peut videmment tre gnralise au calcul
de toute harmonique (paramtre hors des 17 premires) sur tout chantillon de
donnes.

119

120