Séries Temporelles

Dr. Khouloud TALMOUDI

1ère année Master Professionnel en Business Analytics

A.U : 2021 – 2022

Déroulement du cours

▪ Cours : 1 séance de 3h par semaine / 14 semaines (Cours intégré)

▪ Ressources : Notes de cours et TP partagés sur les plateforme MOODLE + Tekouin

▪ Evaluation : Rendus et activités sur MOODLE

▪ Régime de la matière : Mixte

▪ Moyenne finale = Contrôle continu * 40% + Examen * 60%

Plan 1. Régression
linéaire

2. Démarche de base

3. Modèles de ST
stationnaires 4. Les ST non-
stationnaires
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Qu’est ce qu’une série temporelle ?

• Les données d’une série temporelle sont une séquence

d’observations mesurées dans le temps (généralement à des
intervalles de temps réguliers, exemple : données journalières,
hebdomadaires, mensuelles ou annuelles).
• L'intervalle de temps au cours duquel les données sont collectées est
généralement appelé fréquence de la série chronologique.
• Une série temporelle peut être le produit intérieur brut (PIB) chaque
trimestre, précipitations annuelles, indice boursier journalier, etc.
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Qu’est ce qu’une série temporelle ?

• Formellement, les données d’une série temporelle sont une séquence

𝑥𝑡 𝑡∈𝑇 avec 𝑥𝑡 = 𝑋𝑡 (𝑤) est une observation d’une séquence de
vecteurs aléatoires 𝑋𝑡 𝑡∈𝑇 où T est un sous-ensemble de ℤ qui
représente le temps.
• 𝑋 = 𝑋𝑡 𝑡∈ℤ est appelé processus stochastique ou série temporelle, si
pout tout 𝑡 ∈ ℤ, 𝑋𝑡 est une variable aléatoire telle que :
𝑋: Ω × 𝑇 → ℝ
(𝑤, 𝑡) ↦ 𝑋𝑡 (𝑤)
• Régression linéaire
• Introduction aux séries temporelles
• Démarche de base
• Modèles de séries temporelles stationnaires • Notions de base
• Modèles de séries temporelles non-stationnaires • Composantes d’une série temporelle

Qu’est ce qu’un graphique de série temporelle ?

Evolution annuelle du taux d’inflation aux US (1900-2011)
• Régression linéaire
• Introduction aux séries temporelles
• Démarche de base
• Modèles de séries temporelles stationnaires • Notions de base
• Modèles de séries temporelles non-stationnaires • Composantes d’une série temporelle

Qu’est ce qu’un graphique de série temporelle ?

Niveau de CO2 dans l’atmosphère
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Qu’est ce qu’un graphique de série temporelle ?

• Un graphique de série temporelle représente les valeurs observées sur

l’axe des y par rapport à un incrément de temps sur l’axe des x.
• Il représente un moyen préliminaire pour détecter si la série :
‐ est de moyenne décroissante ou croissante (non nulle)
‐ a une tendance temporelle
‐ présente une saisonnalité (phénomène répété au cours du temps)
‐ présente des variations de structure.
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Visualisation d’une série temporelle

1. Importation des données sous R

2. Conversion de la variable temps en un objet date-time
3. Utilisation des commandes spécifiques pour la visualisation :
‐ ggplot dans le package ggplot2
‐ autoplot du package forecast
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Visualisation d’une série temporelle : ggplot()

• Importation des données
bd = read.csv2("basic_data.csv", header = T)
str(bd)
• Visualisation
library(ggplot2)
p = ggplot(data = bd, aes(x = year, y = cases)) +
geom_line() + theme_bw() +
labs(x = "Year", y = "cases",
title="Evolution temporelle du nombre de cas",
subtitle="1981-1989.")
p
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Visualisation d’une série temporelle : ggplot()

• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Visualisation d’une série temporelle : autoplot()

• Importation des données

bd = read.csv2("basic_data.csv", header = T)
str(bd)
• Conversion temps en objet date-time
z = ts(bd$cases, start = c(1981,1), end = c(1989,1), frequency = 1)
• Visualisation
library(forecast)
autoplot(z) + ggtitle("Evolution temporelle du nombre de cas") +
theme_bw() + xlab("Année") + ylab("Cas")
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Visualisation d’une série temporelle : autoplot()

• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Objectifs
Description
Représenter les données et avoir une description simple du comportement
du phénomène observé. (Extraire les propriétés générales de la série)

Explanation
Trouver le modèle qui convient à l’explication du phénomène étudié.

Forecasting (prévision)
Ayant un nombre fini d’observations, il faut faire des prédictions sur le
comportement futur de la série.

Control/Tuning
Après forecasting, il faut ajuster le modèle en réglant ses paramètres.
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Objectifs
• Régression linéaire
• Introduction aux séries temporelles
• Démarche de base
• Modèles de séries temporelles stationnaires • Notions de base
• Modèles de séries temporelles non-stationnaires • Composantes d’une série temporelle

Décomposition d’une série temporelle

Série
temporelle

Composante
Tendance Saisonnalité Périodicité Cyclique
aléatoire
(Trend) (Seasonality) (Periodicity) (cyclic)
(irregular)
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Tendance (trend)
▪ Augmentation ou diminution à long terme
▪ Données collectées sur une longue période
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Tendance (trend)
▪ La tendance peut être croissante ou décroissante
▪ La tendance peut être linéaire ou non-linéaire
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Cycle
▪ Des vagues régulières à long terme
▪ Se produit régulièrement mais peut varier en longueur
▪ Souvent mesuré de pic à pic ou de creux à creux
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Saisonnalité (seasonality)
▪ Des vagues régulières à court terme
▪ Observée dans un délai d'un an
▪ Souvent mensuelle ou trimestrielle
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Composante aléatoire (irregular component)

▪ Des fluctuations imprévisibles, aléatoires ou résiduelles
("residuals")
▪ Due à des variations aléatoires de :
▪ Nature
▪ Accidents ou évènements inhabituels
▪ "Bruit" dans la série temporelle
• Régression linéaire
• Démarche de base
• Modèles de séries temporelles stationnaires
• Modèles de séries temporelles non-stationnaires
• Introduction aux séries temporelles
• Notions de base
• Composantes d’une série temporelle

Récapitulation