!

pip install pandas matplotlib pmdarima

import pandas as pd
import matplotlib.pyplot as plt
import pmdarima as pm

# Fonction pour importer le fichier Excel

def import_data():
from google.colab import files
uploaded = files.upload()
file_name = list(uploaded.keys())[0]
data = pd.read_excel(file_name)
return data

# Importer les données depuis le fichier Excel

data = import_data()

# Prétraitement des données

data['date'] = pd.to_datetime(data['date'])
data.set_index('date', inplace=True)
data.sort_index(inplace=True)

# Transformation des données pour rendre la série stationnaire

data['masi_diff'] = data['masi'].diff()
data['masi_diff'] = data['masi_diff'].fillna(0) # Remplacer les valeurs manquantes
par 0

# Recherche automatique du meilleur modèle ARIMA

model = pm.auto_arima(data['masi_diff'], seasonal=False, trace=True,
error_action='ignore',
suppress_warnings=True, stepwise=True)

# Afficher les paramètres du meilleur modèle ARIMA

print('Meilleur modèle ARIMA :')
print(model.summary())

# Prévisions pour les 3 prochains jours

forecast, conf_int = model.predict(n_periods=3, return_conf_int=True)

# Reconvertir les prévisions différenciées en échelle d'origine

last_observation = data['masi'].iloc[-1]
forecast = forecast.cumsum() + last_observation

# Afficher les prévisions pour les 3 prochains jours

print('Prévisions pour les 3 prochains jours :')
print(forecast)

# Afficher le graphique des prévisions avec intervalle de confiance

plt.figure(figsize=(10, 6))
plt.plot(data.index, data['masi'], label='Données observées')
plt.plot(forecast.index, forecast, label='Prévisions')
plt.fill_between(forecast.index, conf_int[:, 0], conf_int[:, 1], color='gray',
alpha=0.2, label='Intervalle de confiance')
plt.xlabel('Date')
plt.ylabel('Masi')
plt.title('Prévisions de l\'indice Masi')
plt.legend()
plt.show()