Découvrez Des Algorithmes de Traitement Des Moyennes Mobiles

04/01/2021 Découvrez des algorithmes de traitement des moyennes mobiles - Analysez et modélisez des séries temporelles - OpenClassrooms
RD
Accueil > Cours > Analysez et modélisez des séries temporelles > Découvrez des algorithmes de traitement des
moyennes mobiles
Analysez et modélisez des séries temporelles
15 heures  Dif cile
Mis à jour le 28/07/2020
 
Découvrez des algorithmes de traitement des

moyennes mobiles
07:01
Commençons par un algorithme simple


On a comptabilisé pendant trois semaines consécutives le nombre journalier de visiteurs d’un musée
dont les jours de fermeture sont le samedi et le dimanche.
https://openclassrooms.com/fr/courses/4525371-analysez-et-modelisez-des-series-temporelles/5001626-decouvrez-des-algorithmes-de-traitement-de… 1/8
Ces données sont encore représentées dans le tableau ci-dessous (avec en sus la série lissée par
moyenne mobile).
Le graphe semble mettre en évidence une tendance linéaire ainsi qu’une saisonnalité de période 5 :
Moyenne mobile
On choisit un modèle additif car les différences (maximum-minimum) semblent similaires sur chaque
période (semaine). Les termes tendanciels pour t ∈ {3, … , 13} gurent dans le tableau ci-après.
On utilise la moyenne mobile M5 a n d’estimer la tendance (supposée linéaire) de la série temporelle.

Pour rappel cette moyenne mobile conserve les tendances linéaires et absorbe les saisonnalités de
période 5.
On calcule les coef cients saisonniers comme suit :
23, 4 + 29, 2 + 25, 4

cmercredi = 26
3
−6, 8 − 8, 2
cjeudi = −7, 5
2
−6, 6 − 7, 6
cvendredi = −7, 1
2
−6, 6 − 6
clundi = −6, 3
2
−6, 2 − 5, 2
cmardi = −5, 7
2
On constate que :
¯¯
c = −0, 12
Les coef cients saisonniers centrés sont :
′
c = 26 − (−0, 12) = 26, 12 ,
mercredi
′
c = −7, 5 − (−0, 12) = −7, 38 ,
jeudi
′
c = −7, 1 − (−0, 12) = −6, 98 ,
vendredi
′
c = −6, 3 − (−0, 12) = −6, 18 ,
lundi
′
c = −5, 7 − (−0, 12) = −5, 58
mardi
La série corrigée des variations saisonnières, est ainsi représentée :
Série corrigée des variations saisonnières
Retrouvez cette série sous forme de tableau à ce lien.
TP : Désaisonnaliser une série temporelle à l’aide de la

fonction decompose
On utilise la fonction `decompose` :
r
1 decomp.x=decompose(x,type="multiplicative")
2 plot(decomp.x)
Pour aller plus loin : l’algorithme X11


Il existe aujourd’hui de nombreux algorithmes élaborés pour corriger les séries tempo-
relles des variations saisonnières. Nous n’entrerons pas dans le détail de ces méthodes mais
présentons ici un de ces représentants les plus simples, l’algorithme X11 développé par le
Census Bureau. Il s’agit d’un algorithme qui procède à une estimation de la série corrigée
des variations saisonnières en 2 phases de 4 étapes chacune.
Considérons une série temporelle répondant au modèle additif classique, avec une tendance
linéaire et une saisonnalité de période 12 (il existe plusieurs versions de cet algorithme :
pour les modèles additifs et multiplicatifs, pour des séries trimestrielles ou mensuelles, avec
une saisonnalité annuelle) :
Xt = Tt + St + εt .
1. Primo-estimation de la tendance
(1)
ˆ = M2×12 Xt
T t
(sur le même principe que la méthode simpli ée vue auparavant).
2. Primo-estimation de la somme composante saisonnière-perturbation

En notant Σt = S t + εt :
(1) (1)
ˆ
= Xt − T
Σ̂t t
(on retranche simplement la primo-estimation de la tendance à la série de départ).
3. Primo-estimation de la composante saisonnière
(1) (1)
2
Ŝ = (I − M2×12 ) (M3 ) Σ̂
t t
(les coef cients sont ainsi normalisés a n que leur somme soit nulle sur une période
de 12 instants consécutifs).
4. Primo-estimation de la série corrigée des variations saisonnières
(1)
C V S(1)
X = Xt − Ŝ
t t
(on retranche la saisonnalité estimée à la série de départ).

5. Estimation dé nitive de la tendance
(2)
C V S(1)
ˆ H
T = M X
t 13 t
(on utilise une moyenne mobile, nommée de Henderson d’ordre FORMULE_MATH a n d’extraire une
seconde tendance à partir de la première série corrigée des variations saisonnières).
6. Estimation dé nitive de la somme composante saisonnière-perturbation (2)
(2) (2)
ˆ
Σ̂ = Xt − T
t t
(on retrouve ici la même procédure que précédemment).
7. Estimation dé nitive de la composante saisonnière
(2) (2)
Ŝ = (I − M2×12 ) M3 M5 Σ̂
t t
(on retrouve ici un lissage et une normalisation de la composante saisonnière).

8. Estimation dé nitive de la série corrigée des variations saisonnières (2)
(2)
C V S(2)
X = Xt − Ŝ
t t
(on retranche la seconde saisonnalité estimée à la série de départ, cette étape clôt
l’algorithme).
J'AI TERMINÉ CE CHAPITRE ET JE PASSE AU SUIVANT
DÉSAISONNALISEZ À L'AIDE DES

 QUIZ : PARTIE 2 
MOYENNES MOBILES
Le professeur
Vincent Le eux
Enseignant à ENSAE-ENSAI Formation continue.
OPENCLASSROOMS
ENTREPRISES
CONTACT
EN PLUS
Français


Découvrez Des Algorithmes de Traitement Des Moyennes Mobiles

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Découvrez Des Algorithmes de Traitement Des Moyennes Mobiles

Transféré par

Droits d'auteur :

Formats disponibles

04/01/2021 Découvrez des algorithmes de traitement des moyennes mobiles - Analysez et modélisez des séries temporelles - OpenClassrooms

Analysez et modélisez des séries temporelles

15 heures  Dif cile

Mis à jour le 28/07/2020

Découvrez des algorithmes de traitement des

Commençons par un algorithme simple

On utilise la moyenne mobile M5 a n d’estimer la tendance (supposée linéaire) de la série temporelle.

On calcule les coef cients saisonniers comme suit :

23, 4 + 29, 2 + 25, 4

Les coef cients saisonniers centrés sont :

La série corrigée des variations saisonnières, est ainsi représentée :

Série corrigée des variations saisonnières

Retrouvez cette série sous forme de tableau à ce lien.

TP : Désaisonnaliser une série temporelle à l’aide de la

Pour aller plus loin : l’algorithme X11

(sur le même principe que la méthode simpli ée vue auparavant).

2. Primo-estimation de la somme composante saisonnière-perturbation

(on retranche simplement la primo-estimation de la tendance à la série de départ).

3. Primo-estimation de la composante saisonnière

4. Primo-estimation de la série corrigée des variations saisonnières

(on retranche la saisonnalité estimée à la série de départ).

(on retrouve ici la même procédure que précédemment).

7. Estimation dé nitive de la composante saisonnière

(on retrouve ici un lissage et une normalisation de la composante saisonnière).

J'AI TERMINÉ CE CHAPITRE ET JE PASSE AU SUIVANT

DÉSAISONNALISEZ À L'AIDE DES

Vous aimerez peut-être aussi