Vous êtes sur la page 1sur 28

Les outils de gestion

Prvision

Beida Mohammed
Ferhat Taleb Amar
Ingnieurs dtat en informatique
Option : Systmes dInformation (SI)
Tel: +213 (0) 76 17 36 69 Fax: +213 (0) 21 32 58 93
Email: mohamed@mtoolkit.com bilal_ini@yahoo.fr
Site Web: http://www.mtoolkit.com

Rsum

1. Introduction
2. Dfinition et objectifs
3. Domaine dutilisation
4. Mthodologie
5. Prsentation de loutil
6. Exemples dapplication
7. Conclusion

Juillet 2004
Les outils de gestion Prvision

1. Introduction
La prvision est un outil trs intressant la main de tout gestionnaire. Elle joue
un rle trs important dans le processus de planification des actions futures dans
un avenir incertain.
Nous montrons ici quelques concepts lis la thorie de prvision avec une
explication des diffrentes techniques de prvision les plus utilises.

2. Dfinition et objectifs
"Par dfinition, une prvision est une prdiction dans un avenir incertain,
dvnements ou de niveaux dactivits"[7].
Le principal objectif de prvision est de rduire lincertitude lie la non
connaissance du futur. Cest un outil indispensable pour tout gestionnaire dans le
processus de planification.

3. Domaines dapplication
3.1. Gestion de production
- Calcul des besoins externes
- Suivie de lvolution du carnet de commande de lentreprise.
3.2. Gestion des stocks
- Dfinir les rgles de gestion : quand et combien sapprovisionner ?

3.3. Gestion de la maintenance


- Prvoir la dgradation des quipements.
- Prvoir les priodes dapparition des pannes dans la maintenance
prdictive
Les outils de gestion Prvision

4. Mthodologie
1. Recueillir les donnes pertinentes
2. Choisir une technique de prvision
3. Etablir les prvisions
4. Calculer les carts en se basant sur la simulation de lhistorique.
5. Suivre lvolution des prvisions

5. Prsentation de loutil
Avant dentamer les diffrentes techniques de prvision, on doit prsenter
quelques concepts fondamentaux sur la thorie de la prvision :

5.1. Les sries chronologiques (temporelles)


5.1.1. Dfinition : une srie chronologique ou une chronique est une suite
dobservations ordonnes dans le temps prises des intervalles rguliers.
Les donnes dune srie chronologique sont notes Xt avec t=1,2,T
La valeur dun modle de prvision pour la priode t est note par Yt
Pour t Tl : Yt reprsente la simulation de lhistorique
Pour t > T : Yt reprsente les valeurs de prvision

80
Xt
70

60

50

40

30

20

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Periode t

Fig.II.21 : Reprsentation graphique dune srie chronologique


Les outils de gestion Prvision

5.1.2. Caractristique dune srie chronologique


On isole habituellement trois composants dans les sries chronologiques :
La tendance : caractristique dun phnomne dmontrer un patron
stable dans un sens dtermin dans le temps. Le patron peut tre
linaire (modlis par une droite) ou non linaire (logarithmique,
exponentiel,).
La saisonnalit : caractristique dun phnomne qui se rpte
intervalle fix, par exemple tous les hivers, tous les mois, etc
Variation ponctuelle : ce sont des variations dues des circonstances
exceptionnelles. (comme conditions climatiques, exceptionnelles,
grves). Ces phnomnes doivent tre corriger pour garantir la
qualit du modle de prvision.

5.2. Indicateurs de qualit dun modle de prvision


5.2.1. Ecart ponctuel (lerreur de prvision)
Il est dfinit par : et = x t y t
Il reprsente la diffrence entre la ralisation et la prvision.
5.2.2. Ecart algbrique moyen (Ealm)
Il sagit de la moyenne arithmtique des erreurs de prvision sur
lhistorique.
1 T
Ealm= et
T t =1
Plus que lalgbrique moyenne est proche de 0, plus que le modle
de prvision est plus adapt la situation.
5.2.3. Ecart absolu moyen (Eabsm)
Il sagit de la moyenne arithmtique des valeurs absolues des erreurs de
prvision :
T
1
Eabsm=
T
xt y t
t =1

Ce critre mesure lerreur de prvision moyenne du modle


5.2.4 . Ecart quadratique moyen et cart type (Eqm, e )
Il est dfini par la moyenne arithmtique des carrs des erreurs de prvision
sur lhistorique :
Les outils de gestion Prvision

T T
1 1
Eqm=
T
e2t = T
( xt y t ) 2
t =1 t =1

Cest un critre de base la construction de nombreux modles.

Lcart type est la racine de Eqm :


1 T
e=
T t =1
( xt y t ) 2

Elle reprsente la dispersion des donnes autour de la moyenne.

5.2.5 . Critre de complexit du modle de prvision (Cib)


Cib= e Tp/2T
p : le nombre de paramtre du modle de prvision
Ce critre mesure la robustesse et la facilit de mise en uvre du
modle de prvision.

5.3. Dtection et correction des valeurs anormales


Il est souvent, dans un historique, se prsentent des donnes anormales qui
devraient plus se reprsenter dans le futur. Il faut donc dtecter et corriger ces
donnes pour ne pas dgrader la qualit du modle de prvision.
Parmi les mthodes de dtection et correction des donnes, la mthode qui
consiste comparer lerreur de prvision priode par priode par lerreur de
prvision moyen, chaque donne sorte de lintervalle de confiance ([Xt-
Ealm,Xt+Ealm ]) est considr comme une donne anormale. La correction de cette
donne consiste en remplacer par quelques donnes environnantes. Le modle de
prvision final doit tre dvelopp partir des donnes corriges.

5.4. Les mthodes de prvision


On peut schmatiser les diffrentes techniques de prvision par le schma suivant :
Mthode Delphi
Mthodes qualitatives
(Subjectives) Force des ventes

Sondage

Moyenne mobile
Mthode base sur
les rseaux de neurones H Stationnaire
Moyenne

Lissage exponentiel

Ajustement linaire
Mthodes quantitatives Mthodes H Tendanciel

(Objectives) dextrapolation Lissage de Holt


(Lissage double)

Mthode de CMA
H Saisonnier

Mthode de Winters
Mthodes statistiques
Mthode de Box et
mmmkkkjh
17 Jenkins (ARIMA)

Rgression linaire
Mthodes causales
(associative)
Rgression linaire
multiple

Fig.II.22 : Techniques de prvision


Les outils de gestion Prvision

5.4.1. Les mthodes qualitatives (subjectives)


Elles sont bases sur le jugement humain et lexprience professionnelle des
responsables de domaine, les mthodes les plus utilises sont :
Mthode Delphi
Force de ventes
Sondage
Etude de marchetc.
Ces techniques exploitent des donnes non chiffrables et difficiles dcrire
numriquement, pour cela elles ne seront pas traites ici.

5.4.2. Les mthodes quantitatives (objectives)


Les mthodes quantitatives se basent sur ltude de lhistorique (les donnes de
pass), elles font lhypothse que le comportement des donnes de pass va se
poursuivre dans le futur.
On distingue deux catgories dans les mthodes quantitatives :
Les mthodes dextrapolation :
Ces techniques cherchent dterminer lavenir de la variable prvoir partir
de lanalyse des donnes du pass concernant cette mme variable [1]
Les mthodes causales (ou associative) :
Sur la base de donne passe, elle cherche tablir une relation entre la variable
prvoir (variable explique) et une ou plusieurs variables (variables explicatives).
La mthode base sur les rseaux de neurones:
Les rseaux de neurones ont prouv d'tre parmi les meilleures mthodes qui
dtectent les relations caches entre les variables, une fois le rseau analyse ces
donnes (l'apprentissage du rseau), il devient capable de gnrer des prvisions
partir les dpendances trouves entre la variable prvoir et le(s) autre(s)
variable(s).

5.4.2.1. Les mthodes dextrapolation


On peut classer ces mthodes en fonction de lhistorique modliser :
Historique stationnaire
Historique avec tendance
Historique avec saisonnalit

-7-
Les outils de gestion Prvision

Remarque : Il ya aussi la mthode ARIMA qui sadapte au historique stationnaire


mais elle peut tre galement utilise pour les historiques avec tendance et
saisonnires (aprs une certaine transformation).

5.4.2.1.1. Mthodes pour les historiques stationnaires


Un historique stationnaire a la forme suivante :
X t = a + t
a : est une constante
t : est une variable alatoire avec : E( t )=0, ( t ) =

Xt

t
Fig.II.23 : Historique stationnaire

Lobjective des mthodes dextrapolation est didentifier le niveau moyenne de cet


historique.
On distingue trois mthodes :
5.4.2.1.1.1. La moyenne arithmtique
La prvision est reprsente par la moyenne arithmtique des donnes de
lhistorique :
1 T
Yt = Xk
T k =1
t > T

5.4.2.1.1.2. Les moyennes mobiles


Une moyenne mobile dordre N est dfinit comme tant la moyenne arithmtique
sur les N dernires observations. Cette moyenne reprsente la prochaine prvision :
N
1
Yt+1=M (N)=
N
X
k =1
t k t > N

M (N) : reprsente la moyenne mobile sur N dernire priode.

-8-
Les outils de gestion Prvision

Remarque
Il est possible de dfinir des moyennes mobiles pondres, dans lesquelles les
diffrentes donnes ont des poids diffrents.
5.4.2.1.1.3. Le lissage exponentiel simple (ou lissage de Brown)
Dans cette mthode, la prvision courante est calcule en effectuant la moyenne
pondre de la dernire prvision et la dernire ralisation :

Yt= Xt-1+ (1- )Yt-1


Yt= Yt-1 + ( Xt-1 Yt-1)
et 1

Yt= Yt-1+ et 1
En effet, cette mthode consiste corriger la dernire prvision par une partie de
lerreur.
Le paramtre de lissage doit vrifier la contrainte : 0 < < 1
Un test sur les donnes historiques avec plusieurs valeur de permet de
choisir la valeur qui minimise les critres dcart.
Pour les applications de production un =0.1 ou 0.2 recommand.
5.4.2.1.2. Mthodes pour les historiques avec tendance
Un historique avec tendance prend la forme suivante :
X t = a + bt + t
a , b : sont des constantes
t : E( t )=0, ( t ) =

Xt

t
Fig.II.24 : Historique avec tendance

-9-
Les outils de gestion Prvision

Il y a deux techniques de modlisation de tendance considrer ici :


5.4.2.1.2.1. Mthode dajustement linaire
Cette mthode consiste analyser un ensemble de donnes et den extraire la
tendance sous forme dquation linaire de premier degr.
Le modle de prvision peut tre reprsent par lquation suivant :
Yt = a + bt
O a , b sont choisit de manire optimiser le critre derreur quadratique
moyenne :
1 T 2 1 T
Eqm= et = T
T t =1
(X
t =1
t Yt ) 2

La solution de ce problme doptimisation (en utilisant Mthode de moindre carr)


ramne calculer a et b la base des formules suivantes :
T T T T T
T tX t t X t X t a t
t =1 t =1 t =1 t =1 t =1
a= 2
b=

T
T T
Tt 2 t
t =1 t =1
5.4.2.1.2.2. Mthode de lissage de Holt
Lorsque les donnes historiques prsentent une tendance (voire mme des
volutions de tendance). Il est possible dintgrer ce phnomne dans une
approche par lissage [1].
Pour t= 2..T les quations rcurrentes sont alors les suivantes :
a t = Xt+(1- )( a t 1 + b t 1 )

b t = ( a t - a t 1 )+(1- ) b t 1
Avec:
0< , <1

a1 =X1, b1 =0 (initialisation des coefficients)


On note que la premire quation ajoute la correction de tendance bt-1 par
rapport au lissage simple tandis que la deuxime quation remet jour
lestimation de la tendance.
La prvision pour les priodes futures (t>T) sont directement obtenue par :
Yt= aT + (t-T) b T

- 10 -
Les outils de gestion Prvision

Pour une simulation de lhistorique (2 t T) : Yt= a t + b t


5.4.2.1.3. Les mthodes pour les historiques saisonniers (Mthodes
saisonnires)
Une srie saisonnire est une srie dont le patron se rpte toutes les n
priodes durant un certain nombre de priodes [6]

Xt

t
Saison
Fig.II.25 : Srie saisonnire

Un modle saisonnier a la forme suivant :


X t = (a + bt )C t mod T + t
Avec :
X t : la variable prvoir

a, b : Les paramtres de tendance.


C0 , C1 ,...CT 1 : Les Coefficients saisonniers

t : reprsente lerreur
E ( t )=0 ( t ) =
Le modle saisonnier est caractris par le faite que chaque saison possde son
propre coefficient saisonnier.
On distingue deux mthodes pour les sries saisonnires :
Mthode de CMA (Moyenne mobile centr)
Mthode de Winters
5.4.2.1.3.1. Mthode de CMA ( Centered moving average)1
La mthode CMA consiste dsaisonnaliser la srie en utilisant les coefficients
saisonniers et appliquer lune des mthodes prcdentes puis introduire les
coefficients saisonniers.

1
Cette mthode est bien dtaille avec un exemple dans la rfrence [11]

- 11 -
Les outils de gestion Prvision

Elle comprend les tapes suivantes :


Dterminer les coefficients saisonniers par la mthode de moyenne mobile
centre (voir Annexe)
Dessaisonaliser les donnes
Dterminer les paramtres de tendances ( a et b)
Etablir les prvisions dessaisonalises
Introduire les coefficients saisonniers

5.4.2.1.3.2. Mthode de Winters


Ce modle est une extension du lissage simple, permettant la prise en compte
des phnomnes saisonniers ainsi que de la tendance . [1]
La forme gnrique des sries analyses par la mthode de Winters possde une
tendance ascendante double dune saisonnalit croissante comme dmontre dans
la figure suivante :

Xt

Tendance

Saison
t
Fig.II.26 : Srie saisonnire avec augmentation de
tendance

En effet la mthode de Winters consiste un triple lissage exponentiel, dont tous


les paramtres du modle ( a, b, c) sont mis jours quand une nouvelle observation
arrive.
Les deux paramtres du modle ( a, b ) sont mis jour comme dans le lissage de
Holt sauf que lobservation est dabord dessaisonalis.
La combinaison entre les paramtres et le coefficient saisonnier dans une seule
formule donne la prvision.

- 12 -
Les outils de gestion Prvision

at = ( xt / C t S ) + (1 )(at 1 + bt 1 ) . (1)

bt = (at at 1 ) + (1 )bt 1 .. (2)

C t = ( xt / at ) + (1 )C t S .......... (3)

Finalement, la prvision sera calcule selon la formule suivante :


y t ,t + = (at + bt )C t + S

Procdure dinitialisation des paramtres


 Les donnes de deux cycles au minimum sont ncessaires.
Supposons que nous avons 2S points de donnes :
X1,X2..,Xs,.X2s


Calculer la moyenne arithmtique de chaque cycle :

1 S 1 2S
V1 = Xi
S i =1
V2 = Xi
S i = S +1


Dfinir b0 comme tant :
b0= (V2-V1)/S
Vm V1
(Si on a plus de 2 saisons (ex : m saisons) : b0 = )
(m 1) * S
 Dfinir a0 comme tant :

S 1
a0 = V2 + b0 ( )
2

 Les facteurs saisonniers sont calculs selon lquation suivante :


Xt
Ct = 1 t 2S
S +1
Vi ( j )b0
2
i : Lindice du cycle saisonnier comportant le facteur Ct

j : Lindice du facteur dans le cycle saisonnier (ie : j=t mod S)


Remarque : les facteurs saisonniers doivent tre normaliss. (Mme mthode
que CMA)

- 13 -
Les outils de gestion Prvision

5.4.2.1.4 Mthode de Box et Jenkins (ARIMA)


La mthode ARIMA (Autorgressifs intgrs moyenne mobile) dvelopp par Box et
Jenkins (1976) a gagn en popularit dans de nombreux domaines et en particulier
dans celui de la recherche. Elle consiste slectionner un modle de prvision
parmi une classe de modles stochastiques. Il sapplique des sries longues dont
la structure est suffisamment stable.

5.4.2.1.4.1. Les Concepts de base


5.4.2.1.4.1.1 Principe de stationnarit
La thorie sur laquelle sont fondes les modles ARIMA ne sapplique quaux
donnes stationnaires, c'est--dire que la chronique ne doit comporter ni tendance
en moyenne, ni tendance en variance, ni variation saisonnire. Des tests ont
dveloppes pour juger de la non stationnarit des sries2. Dans le cas ou la
chronique nest pas stationnaire, il ya 3 cas pour la transformer en srie
stationnaire :
- Prsence dune tendance en moyenne:
-tendance linaire : supprimer la tendance en pratiquant une
diffrenciation de premier ordre (soustraire la srie dorigine la srie retarde
dune priode)
-tendance quadratique : une diffrenciation de second ordre est
conseille.
-Prsence dune saisonnalit : On doit travailler avec la srie dsaisonnalis, pour
cela une diffrenciation de nombre de priode dune saison est applique au
chronique.

5.4.2.1.4.1.2 Processus autorgressif


Les sries chronologiques sont souvent constitues des lments autocorrls au
sens ou il est possible de dcrire les lments conscutifs de la srie par des
lments (passs) spcifiques dcals dans le temps. On peut synthtiser ce
processus par lquation :
X t = 1 X t 1 + 2 X t 2 + .... p X t p + + et

O : est une constante

2
Pour plus de dtails voir la rfrence [16]

- 14 -
Les outils de gestion Prvision

1 ,.... p Les paramtres du modle autorgressif estimer.


5.4.2.1.4.1.3 Processus de moyennes mobiles
Dans le processus de moyennes mobiles, chaque lment de la chronique ne
dpend pas des lments antrieurs mais aux valeurs antrieures du terme
derreurs .on peut galement dcrire ce processus par lquation suivante :
X t = + et 1et 1 2 et 2 .... q et q

O : est une constante


1 , 2 ,.... q Les paramtres du processus de moyenne mobile.

5.4.2.1.4.1.4 Modle autorgressif moyenne mobile : ARIMA (p,d,q)


Le modle gnral prsent par Box et Jenkins comporte des paramtres
autorgressif ainsi que des moyennes mobiles et comporte explicitement des
diffrenciations dans la formulation du modle [19]
Les trois types de paramtre du modle sont :
- nombre de paramtre autorgressif (p)
- nombre de diffrenciation (d)
- nombre de paramtre de moyenne mobile (q)
noter que dans le modle autorgressif moyenne mobile les valeurs futurs
dpendent la fois des valeurs passes et des erreurs passes. Il peut tre
reprsent par lquation suivante :
X t = 1 X t 1 + 2 X t 2 + .... p X t p + + et 1et 1 2 et 2 3 et 3 .... p et q

5.4.2.1.4.1.5 Fonction dautocorrlation : ACF


Lautocorrlation dordre k dune srie chronologique est la corrlation entre
cette srie et elle-mme avec un retard de k priode [15]
Sa valeur est donne par la formulation suivante :
nk
( yt y )( yt +k y )
t =1
rk = n 1
( yt y ) 2
t =1

- 15 -
Les outils de gestion Prvision

La fonction dautocorrlation (ACF) est la suite des autocorrlations: r1,r2,.rn.


Leur analyse est facilit par la reprsentation graphique (corrlogramme)
suivante :

1,0

0,5
ACF

0,0

-0,5

-1,0 Coefficient
1 3 5 7 9 11 13 15 17 19 21 22
Numro de dcalage

Fig.II.27 : Exemple dun corrlogramme

5.4.2.1.4.1.6 Fonction dautocorrlation partielle: PACF


Lautocorrlation partielle est le coefficient de rgression de Yt-k lorsque Yt est
rgress par Yt-1, Yt-2,,Yt-k. Le corrlogramme partiel (PACF) est le diagramme
reprsentant la srie des autocorrlations partielles [1]
Les autocorrlations partielles sont calcules selon les formules suivantes :

11* = r1
r2 r12
*22 =
1 r12
*kj = *k 1, j kk k 1, k
j

k 1
rk k 1, j rk j
j =1
*kk = k 1
1 k 1, j r j
j =1

- 16 -
Les outils de gestion Prvision

1,0

0,5
PACF

0,0

-0,5

-1,0 Coefficient dautocorrlation


1 3 5 7 9 11 13 15 17 19 21 22 partielle
Numro de dcalage
Fig.II.28 : Exemple dun corrlogramme

5.4.2.1.4.1.7 Brui Blanc


La notion de bruit blanc concerne les erreurs (et) qui par hypothse suivent une loi

normale N(0 ; 2 ) . On parle de bruit blanc si les erreurs (et) sont stationnaires et
non autocorrls entre elles, qui implique quaucune corrlation significative ne
doit apparatre sur le corrlogramme des rsidus.

5.4.2.1.4.2 Mthodologie ARIMA


On peut schmatiser la mthodologie de fonctionnement de la mthode ARIMA par
le schma suivant :
(1) (2) (3) (5)
Identifier Estimer Tester la Valide Etablir des
un modle Les paramtres validit du prvisions

(4) Non valide


Changer
le modle

Fig.II.29 : La Mthode de Box et Jenkins (ARIMA)


(1) : Cette tape consiste trouver les paramtres p et q du modle en examinant
les corrlogrammes et corrlogrammes partielles
(2) : Lestimation des paramtres est obtenues gnralement selon la mthode des
moindre carres

- 17 -
Les outils de gestion Prvision

(3) et (4) : Une analyse des corrlogrammes et corrlogrammes partielles est


ncessaire pour assurer que les rsidus suivent un bruit blanc, dans le cas contraire
on redfinit le modle ARIMA en changeant leurs paramtres
(5) : Cette tape vise a laborer les prvisions a partir du modle choisi.

5.4.2.2. Les mthodes causales (ou associative)


Ces mthodes se basent sur la recherche dune relation entre la variable prvoir
(variable explique) et un ou plusieurs variables (explicatives).
Le modle de prvision a la forme suivante :
Yt= a0 + a1 X1,+ a 2 X2,+. a3 Xnt
X1, X2, Xn sont les variables explicatives
a 0 , a1 ,....a n reprsentent les coefficients estimer.
Les mthodes causales faisant appel aux techniques de rgression. on distingue
deux techniques :
Rgression linaire simple ;
Rgression linaire multiple.

5.4.2.2.1. Modle de Rgression linaire simple


Il sagit dans ce modle destimer une variable explique Y dpend dune seule
variable explicative X. le modle a la forme suivante :
Y= a 0 + a1 X
Les coefficients a0, a1 sont dtermins en minimisant le critre de lcart
quadratique moyenne (Eqm) :
T T
1 1
Eqm=
T
e2t =
t =1 T
(X
t =1
t Yt ) 2

La solution doptimisation donne :


n

X
i =1
i
a 0 = Y -a1 X X=
n
n

Y
a =
xy nx y i =1
i
Y=
x n( x )
1 2 2 n

- 18 -
Les outils de gestion Prvision

5.4.2.2.2. Modle de Rgression linaire multiple


Il sagit dans ce modle destimer une variable explique Y qui est relies
plusieurs variables explicatives X1,X2,Xn.
Y= a0 + a1 X1+ a 2 X2+ a3 Xn+ e
Le modle peut scrire sous forme matricielle :

y1 1 x11 . . x1N a
0
a1
y2
. = . +e
.
.
y 1 xT1 xTN a
T


N

La solution doptimisation du critre de lcart quadratique moyenne (Eqm) qui


donne les coefficients a0,aN est la suivante :
A=(XtX)-1XtY
X : la matrice des variables explicatives
Xt : Transpos de X
A : le vecteur des coefficients a 0 , a1 , a N
Y : le vecteur des yi

5.4.2.2.2.1 Coefficients de dtermination et de corrlation


- Coefficient de dtermination (r2)
Il exprime le pourcentage de variable de Y expliqu par X .
La variabilit totale explique par le modle de rgression est donne par :

(a 0 + a1 X 1,t + a 2 X 2,t + ........a n X n ,t Y ) 2


r2 = t =1
T
-1 r 1
(Y
t =1
t Y) 2

- Coefficient de corrlation (r)


Il exprime le degr de corrlation de Y et X , il mesure lintensit dune liaison
linaire entre la variable prvoir et la forme linaire retenue par la rgression :

- 19 -
Les outils de gestion Prvision

(a
t =1
0 + a1 X 1,t + a 2 X 2,t + ........a n X n ,t Y ) 2
r= T

(Y
t =1
t Y )2

r 1 : X et Y sont fortement corrles (dpendantes)

r +1 : les deux sries accroissent et dcroissent au mme


temps.
r - 1 : si la srie de premire variable accrot la deuxime
dcrot et inversement

r 0 : X et Y sont faiblement corrle, cela signifie labsence de


Relation linaire entre les deux variables

5.4.2.3. Mthode base sur les rseaux de neurones


5.4.2.3.1 Introduction aux rseaux de neurones artificiels
Un rseau de neurones est une approche inspire du systme nerveux humain.
Introduit par le professeur Hal White (UC-San Diego) aux conomistes en 1988, et
dfinitivement apparue en 1994, les rseau de neurones montre une grande
capacit de rsoudre les problmes de prvisions que les mthodes statistiques
classiques grce sa puissance de capter les relations non linaires existante dans
les sries de donnes.

5.4.2.3.2 Dfinition de rseau de neurones


Un rseau de neurones artificiel est un ensemble de neurones interconnects entre
eux de telle sorte que chaque connexion est munie par un poids. Larchitecture du
rseau est entirement spcifie par :
le nombre de cellules (une cellule reprsente un neurone)
le graphe dinterconnexion des cellules
le type de cellule (neurone dentr, cach ou de sortie)

- 20 -
Les outils de gestion Prvision

Le type de neurone permet de dfinir 3 types de couches :


Couche dentr (contient les neurones dentrs)
Couche cache (contient les neurones cachs)
Couche de sortie (contient les neurones de sortie)
Pour simuler un neurone sur un ordinateur, on a besoin dun modle mathmatique
de ce neurone :
Chaque neurone possde un ensemble dentres Xi
Chaque connexion entre deux neurones Xi ,Xj a un poids wji
La sortie dun neurone est dtermine en appliquant une fonction de
transfert sur la somme des produits de la connexion des entres avec leurs
poids (Fig. I.32) :
N
S k = f ( wkj xkj + bk ) . (1)
j =1

1
O : f ( x) =
1 + e x
f : La fonction dactivation sigmode, il yen a dautres mais le sigmode est le
plus utilis.
wkj : Le poids synaptique de la connexion entre le neurone j et k.

xkj : Lentr de la neurone k depuis le neurone j.

bk : Le biais
N : Le nombre de neurone de la couche qui prcde la couche contenant le
neurone k.
Bias b
x1 W1
Fonction
dactivation
Sortie
Entres x2 W2 f () y

xm Wm
Poids synaptiques

Fig.II.30 : Calcul de la sortie dun neurone

- 21 -
Les outils de gestion Prvision

Remarque
Certains livres considrent que la couche dentrs en plus, et comme les cellules
dentrs ne supportent pas les fonctionnalits des cellules du rseau elle ne sera
pas compte parmi les couches de rseau.
5.4.2.3.3 Les rseaux de neurones multicouches MLP Multiplayer
Perceptron
En effet, il existe plusieurs types du rseau de neurones, mais comme nous
intressons aux problmes de prvision, nous allons tudier le type le plus utilis
dans ce domaine. Il sagit de rseaux de neurones multicouches (multiplayer)
(MLP).
Un rseau multicouche contient une couche dentr, une couche de sortie et une
ou plusieurs couche(s) cach(s) (Fig. I.33), chaque couche contient un nombre
dfini de neurones et chaque neurone de la couche L est connect tous les
neurones le la couche L+1 avec un poids Wji de plus chaque neurone possde une
extra entre qui a pour valeur une constante, elle est appele le biais.

Entrs Couche A Entrs Couche A


Couche B Couche B

Couche C

Sortie

Connexion entre
deux neurones

Fig. I.31 : Rseau de neurone multicouche

5.4.2.3.3.1 Utilisation des rseaux MLP dans le cadre de prvision


Comme tous les rseaux de neurones le fonctionnement des rseaux MLP comporte
deux phases : une phase dapprentissage et une autre de reconnaissance. Le
premier consiste entraner les rseaux (selon un algorithme dapprentissage) de
reproduire des valeurs proche aux valeurs dsires selon un critre de performance
donn tan disque lautre consiste transformer les nouvelles entres aux valeurs
prvues.

- 22 -
Les outils de gestion Prvision

Dans notre cas, les entrs reprsentent lhistorique de donnes (ventuellement


les variables indpendantes) et la sortie reprsente la variable prvoir (la
variable dpendante).

Ajustement
des poids
e1
Rseau Sortie Erreur
e2
Entres
ee
de
n Neurones
+ Dsir

d1, d2,.....dn

Fig.II.32 : Lapprentissage du rseau de neurone

5.4.2.3.3.2 Lalgorithme dapprentissage


Les MLP et beaucoup dautres rseaux de neurones apprennent en utilisant un
algorithme appel Retro propagation (back propagation).
Avec la retro propagation la donne est plusieurs reprises prsente au RNN, a
chaque prsentation la sortie du RNN est compare la sortie dsir et une erreur
est calcule, cette erreur est alors retro propager au RNN et employer pour ajuster
les poids de faon ce que lerreur diminue chaque itration et que le modle
neuronal arrive de plus en plus prs de la reproduction de la sortie dsire.

1- Initialisation des poids Wij des petites valeurs alatoires entre 0 et 1.


2- Prsentation des donnes dapprentissage et les sorties dsires (lhistorique)
3- Alimentation-avant. Calcul des valeurs de sorties Sk (quation (1))
4- Retropropagation de lerreur
 Pour les poids de la couche de sortie : k = ( Dk C k ) f ' ( x k )
N
 Pour les poids de la couche de cache : j = f ' ( x j ) k wkj
k =1

5- Ajustement des poids


 Pour les poids de la couche de sortie : wkj = wk j k y j
Remarque
 Pour les poids de la couche de cache : w ji = w ji j xi

6- Rpter les tapes 2 5 jusqu' la convergence de lalgorithme.


- 23 -
Les outils de gestion Prvision

Reprsente le taux dapprentissage, il a pour objectif de contrler la rapidit de


convergence de lalgorithme vers une solution optimal, il est compris entre 0.01 et
0.3
La convergence de lalgorithme est base sur lcart quadratique EC tel que :

1 N
EC=
2 k =1
( Dk C k ) 2

5.4.2.3.3.3 Partition de la srie de donnes


La mthode typique pour lutilisation des rseaux de neurones dans les problmes
de prvision, est dabord de partitionner la srie de donnes de lhistorique en
trois ensembles disjoints : les donnes dapprentissage, les donnes de validation
et celles de teste.
Le rseau est entran sur les donnes dapprentissage, sa capacit de
gnralisation est mesure par les donnes de validation est sa capacit de
prvision est mesure par les donnes de test.
La capacit de gnralisation du rseau de neurones mesure le comportement du
rseau avec les entrs imprvues. Un RNN qui produit une grande erreur de
prvision pour les entrs imprvues mais une petite erreur pour les donnes
dapprentissage est dite davoir une capacit de gnralisation pauvre.
Pour contrler ce phnomne, on est amen suivre la tendance de lerreur
dapprentissage et lerreur de validation aprs chaque cycle dapprentissage, si le
premier a une tendance descendante et le deuxime a une tendance ascendante on
abandonne lapprentissage et rinitialiser lalgorithme nouveaux paramtres.

Erreur

Erreur de validation
Erreur dapprentissage

Meilleure performance en Itration


gnralisation

Fig.II.33 : Evolution des courbes derreurs durant


la phase dapprentissage

- 24 -
Les outils de gestion Prvision

6. Exemple dapplication
Un gestionnaire dune grande socit de vente des produits informatiques dsire
suivre lvolution des demandes sur les PC. Pour cela il veut utiliser loutil
Prvision pour tablir la demande future (horizon de 4 mois) sur les PC.
5.1. Collecter les donnes
Lhistorique des demandes mensuelles de lanne passe est reprsent par le
tableau suivant :
Mois 1 2 3 4 5 6 7 8 9 10 11 12
Demande 200 220 330 580 340 320 400 410 450 500 600 650

6.2. Choisir une technique de prvision


La reprsentation graphique de la srie chronologique, montre quil y a une
tendance linaire ce qui nous ramne de choisir entre lune des deux mthodes de
lhistorique avec tendance : Ajustement linaire ou lissage de Holt, on va utiliser
les deux mthodes et choisir la plus performante (critres dcart).

Xt
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12

t
Fig.II.34 : Reprsentation graphique de la srie chronologique

6.3. Etablir les prvisions


Mthode dajustement linaire
On a lquation dajustement linaire suivant :
y = a + bt

- 25 -
Les outils de gestion Prvision

Appliquant la mthode de moindre carr, on trouve :


a =207,57
b = 32,16
Do on dduit les prvisions des 4 mois suivant :

Priode 13 14 15 16

Y 625.76 657.93 690.09 722.26

Mthode du lissage de Holt


Le modle de Holt est base sur les quations rcurrentes suivantes :
at = xt + (1 )(at 1 + bt 1 )

bt = (at at 1 ) + (1 )bt 1

En initialisant at et bt par les paramtres trouvs par la mthode dajustement


linaire ( a et b )
et appliquant la rcurrence jusqu trouver les prvisions des 4 mois futures, on
obtient les rsultats suivants :

Priode 13 14 15 16

Y 624,4 665,47 706,54 747,61

Remarque : On a pris : = 0,3 et = 0,5


6.4. Calculer les carts en se basant sur la simulation de lhistorique
Lapplication des deux mthodes aux donnes de lhistorique donne :
Mthode dajustement linaire
Priode 1 2 3 4 5 6 7 8 9 10 11 12
X 200 220 330 580 340 320 400 410 450 500 600 650
Y 239,74 271,91 304,07 336,24 368,41 400,58 432,75 464,91 497,08 529,25 561,42 593,58
E=X-Y -39.74 -51,91 25,93 243,76 -28,41 -80,58 -32,75 -54,91 -47,08 -29,25 38,58 56,42

- 26 -
Les outils de gestion Prvision

Mthode du lissage de Holt

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

X 200 220 330 580 340 320 400 410 450 500 600 650

Y 196,91 243,76 322,49 491,21 514,66 495,85 492,33 480,5 479,65 497,1 554,76 624,4

E=X-Y 3,09 -23,76 7,51 88,77 -174,66 -175,87 -92,33 -70,5 -29,65 2,9 45,24 25,6

Les critres dcart des deux mthodes :


Mthode ealm eabsm eqm e cib

Ajustement -0,007 60,76 6956,52 83.405 42,93


linaire
Lissage de Holt -32,80 61,65 7252,63 85,16 104,66

On note que le premier modle est plus performant et moins compliqu que le
deuxime car lcart algbrique moyen (Eqm) de celui-ci est infrieur celui de
l'autre, mme chose pour le cib.

7. Conclusion
La prvision est considre parmi les outils mathmatiques les plus importants
dans le domaine de gestion. Les diffrentes mthodes de prvision, selon le
contexte, peuvent donner une image du futur qui va aider les gestionnaires dans le
processus de prise de la dcision dans lentreprise.

- 27 -
Les outils de gestion Prvision

Bibliographie
Livres et mmoires
[1] : Armand Dayan.
Manuel de Gestion
Ellipses Edition Marketing S.A., 1999, paris.
[2] : Franois KOLB, Vladimir BRIJATOFF
Planification et mthodes des prvisions dans lentreprise
Edition du Tambourinaire, 1969, paris.
[3] : Jean-Louis Brossard, Marc Polizzi
Gerer la production industrielle : Outils et mthodes
Edition Mare Nostrum, 1996.
[4]: Mme.Hamdad
Analyse de donnes
Support de cours 4eme anne (Systme dinformation), INI.

Sites Web
[5]: http://step.polymtl.ca/~scgi2002/docs/J_C_Nash_Fr.pdf
[6]: http://www.gpa.etsmtl.ca/cours/gpa548/Chapitre2.pdf
[7]: http://www.gmc.ulaval.ca/daouda/gmc10312.asp
[8]: http://www.ifresi.univ-lille1.fr/PagesHTML/delmas/fichCVS.pdf
[9]: http://www-marketing.wharton.upenn.edu/forecast/Long-
Range%20Forecasting/contents.html
[10]: http://www.gmc.ulaval.ca/cours/65270/Pr%C3%A9visions2001.pdf
[11]: http://www.zozoll-online.com/cours/p4/amphi%20calcul%20%C3%A9
conomique.doc
[12]: http://step.polymtl.ca/~scgi2002/docs/J_C_Nash_Fr.pdf
[13]: http://www.ensmp.fr/Fr/Formation/2emeCycle/IngCivil/Intro/
Actu2/SysProd/Prevision.pdf
[14]: http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html
[15]: http://christophe.benavent.free.fr/cours/dea/dea5.PDF
[16]: http://condor.ucr.edu/class/mohsen/mgt267f03/_private/Introduction.pdf

- 28 -