Rapport détaillé du projet SC 

:
HASSIBOU Ilhame
NOUINI Minatou
DSE

Le but de notre projet est de faire une application de la méthode de Box

et Jenkins sur la série chronologique nommée Passager.
Notre travail sera donc :
Construire le modèle adéquat permettant de prévoir la série
chronologique.
Pour cela on a suivi les étapes suivantes :
 1ere étape :
Récupérer le fichier des données
On a importé les modules python qu’on va utiliser avant d’importer notre
base de données utilisé :
  2eme étape :
Décomposition de la série en échantillon d’entrainement
project_appr et de validation project_val :

On a décomposé notre data en DEUX échantillons 85% , 15%

85% pour apprentissage
15% pour validation

Résultats :

 Etape 3 :
Création d’un objet de type série temporelle contenant
cette série :
On a utilisé la fonction subplot() qui permet d'organiser les différents
tracés à l'intérieur d'une grille d'affichage. Apres on a affiché

Représentation graphique :

 Etape 4 :
Analyse qualitative de la série

On décompose la serie :

Ici on a fait  La fonction appelée seasonal_decompose dans le statsmodels pour

décomposer les données dans ses composantes / montrer les modèles – la
tendance, la saisonnalité et les composantes résiduelles de séries chronologiques.
  Etape 5 :
Analyse des corrélogrammes simple et partiel de la série pour un
décalage d’ordre 𝐾≥36.
On remarque d’après les graphes que la plupart des valeurs sont
contenues dans la zone balayé en bleu donc l’autocorrélation n’est pas
significative dans notre cas. Donc d’après cette analyse on peut déduire
que notre série n’est pas stationnaire.

 Etape 6 :
la méthode de Box et Jenkins

Tous d’abord assurons nous que cette série n’est pas stationnaire en
utilisant test de Dickey-Fuller qui sert à calculer p-value :
On a p-value > 0 donc la série n’est pas stationnaire.

Afin de rendre notre série stationnaire on doit effectuer la différenciation :

On applique le test de Dickey-Fuller maintenant

Resultat :

D’où la série a devenu stationnaire

Passons maintenant à l’estimation à l’aide d’un modèle ARIMA :

On a fait appel à la fonction auto_arima() à partir de la bibliothèque pmdarima puis on a

pris le meilleure modèle ARIMA d’après la valeur de AIC de tous les modèles ARIMA. Le
meilleur modèle à prendre est le modèle ARIMA(5,1,0)(2,1,0)[12] . (la plus petite valeur de
l’AIC)
On a importé :
Le programme cherche à minimiser l’indice AIC, et finalement choisi le
modèle ayant la valeur minimale de cet indice comme modèle optimale
pour la série donnée.
Puisque les modèles ARIMA ont des limitations en ce qui concernes les
saisonnalités, on poursuit la modélisation avec un modèle SARIMA avec
les mêmes paramètres de ARIMA :

Results :

 Etape 7 : representation graphique de la seried et de la prevision

  Etape 8 :
Evaluation des prévisions obtenues