Académique Documents
Professionnel Documents
Culture Documents
Chapitre 3:
1. Introduction
Les méthodes de lissage exponentiel ont été introduites par Holt en 1958, Winters en
1960 et popularisées par le livre de Brown en (1963)
Les méthodes de lissage constituent l’ensemble des techniques empiriques de prévision
qui accordent plus ou moins d’importance aux valeurs du passé d’une série temporelle.
Ce sont des méthodes d’extrapolation qui donnent un poids prépondérant aux valeurs
récentes : les coefficients de pondération décroissent exponentiellement en remontant
dans le temps.
Chacune des méthodes dépend d’un ou plusieurs paramètres dites « paramètres de
lissage » compris entre 0 et 1
Le poids de chacune des valeurs passées se calcule à partir de ces paramètres.
1
11/12/2023
(𝑋 ℎ − 𝑎)
2
11/12/2023
Définition:
La prévision de la série à l’horizon ℎ, notée 𝑿𝑻 𝒉 fournie par la méthode de lissage
exponentiel simple est donnée par:
𝑋 ℎ = (1 − 𝜆) 𝜆 𝑋
𝑋 ℎ = 1 − 𝜆 [𝜆 𝑋 +𝜆 𝑋 +𝜆 𝑋 +⋯+ 𝜆 𝑋 ]
= 1 − 𝜆 [𝑋 + 𝜆𝑋 +𝜆 𝑋 + ⋯+ 𝜆 𝑋 ]
c’est une somme pondérée par les coefficients 𝜆 qui décroissent exponentiellement.
Par exemple, si 𝜆 = 0.2
j 1 2 5 8 10 15 30 … 100
𝜆 0.2 0.004 0.0003 2.6× 10 10
3.3× 10 0 … 0
Remarques
• La prévision est une moyenne de toutes les observations passées, pondérée de sorte à ce
que plus l’observation soit ancienne moins elle ait d’importance.
La mémoire de la prévision dépend de la constante de lissage
• Si la prévision 𝑋 ℎ est indépendante de l’horizon ℎ, alors elle peut être note par 𝑿𝑻
• La constante de lissage 𝜆 permet de définir le type de prévision:
Si 𝜆 est proche de 0 La prévision est souple i.e. fortement influencée par les
observations les plus récentes.
Si 𝜆 = 0 La prévision est égale à la dernière observation 𝑿𝑻
Si 𝜆 est proche de 1 La prévision est rigide i.e. l’influence des observations passées
est d’autant plus importante et remonte loin dans le passe.
Si 𝜆 = 1 Toutes les observation ont le même poids dans la prévision
3
11/12/2023
= 1 − 𝜆 𝑋 + 𝜆 1 − 𝜆 [𝑋 +𝜆 𝑋 + ⋯+𝜆 𝑋 ]
𝑋 ℎ
𝑋 ℎ =𝑋 ℎ + 1 − 𝜆 [𝑋 − 𝑋 ℎ ] (2)Dernière
prévision
erreur de
Remarques:
• La première formule de mise à jour (1) stipule que 𝑋 ℎ est le barycentre entre
𝑋 ℎ , la valeur prédite à l’horizon h à partir des T−1 premières observations et 𝑋 la
dernière observation.
• La deuxième formule de mise à jour fait intervenir la dernière erreur de prévision
[𝑋 − 𝑋 ℎ ].
• L’ initialisation du processus de récurrence se fait par 𝑋 ℎ = 𝑋 ou par la moyenne
des observations 𝑋 , … , 𝑋 .
4
11/12/2023
Exemple
On considère la série 𝑋 qui désigne le trafic maritime dans un port sur une période de 6
ans : 𝑡 1 2 3 4 5 6
𝑋 2700 2950 2660 2980 3010 3040
Donner une prévision de la série par lissage exponentiel simple avec 𝜆 = 0.3
Corrigé:
On applique la première formule de mise à jour, on obtient: 𝑋 ℎ = 1 − 𝜆 𝑋 + 𝜆𝑋 ℎ
𝑋 = 𝑋 1 = 𝑋 = 2700
5
11/12/2023
𝑡 1 2 3 4 5 6 7
𝑋 2700 2950 2660 2980 3010 3040 --
𝑋 2700 2700 2875 2724.4 2903.35 2978 3091.4
𝑿𝑻 𝒉 = 𝒂𝑻 . 𝒉 + 𝒃𝑻
𝜆 𝑋 − (𝑎 + 𝑏)
6
11/12/2023
𝑆 𝑡 = 1−𝜆 𝜆 𝑋 et 𝑆 𝑡 = 1−𝜆 𝜆 𝑆 (𝑡 − 𝑗)
𝑏 =2𝑆 𝑇 −𝑆 𝑇
𝑆 𝑡 = 1 − λ 𝑋 + λ𝑆 𝑡 − 1
𝑆 𝑡 = 1 − λ 𝑆 (𝑡) + λ𝑆 𝑡 − 1
𝑎 =𝑎 + (1 − 𝜆) 𝑋 − 𝑋 (1)
𝑏 =𝑏 +𝑎 + (1 − 𝜆 ) 𝑋 − 𝑋 (1)
7
11/12/2023
Exemple
Soit la série 𝑋 désigne le nombre de navires entrant dans un pays durant l’année 2021 :
t Jan Fév. Mars Avr. Mai Ju Juil. Aout Sep. Oct. Nov. Dec
𝑋 5423 5151 5572 5871 5882 5841 6492 6395 7298 7025 7025 6824
Donner une prévision du nombre de navires en Janvier 2022 et février 2022 la série par
lissage exponentiel avec 𝜆 = 0.3
Corrigé:
On applique les formules de mise à jour de 𝑆 𝑡 et 𝑆 𝑡 on obtient:
on effectue d'abord un premier lissage:
𝑺𝟏 𝒕 = 𝟏 − 𝝀 𝑿𝒕 + 𝝀𝑺𝟏 𝒕 − 𝟏
On initialise 𝑆 1 à 𝑋 ⇒ 𝑆 1 = 𝑋 = 5423
𝑆 2 = 1 − λ 𝑋 + λ𝑆 1 = 1 − 0.3 × 5151 + 0.3 × 5423 = 5233
𝑆 3 = 1 − λ 𝑋 + λ𝑆 2 = 1 − 0.3 × 5572 + 0.3 × 5233 = 5470
𝑆 1 = 𝑆 1 = 5423
𝑆 2 = 1 − λ 𝑆 2 + λ𝑆 1 = 0.7 × 5233 + 0.3 × 5423 = 5290
𝑆 3 = 1 − λ 𝑆 3 + λ𝑆 2 = 0.7 × 5470 + 0.3 × 5290 = 5416
8
11/12/2023
t Xt S1(t) S2(t) a b X^
1 5423 5423 5423 0 5423 5423
2 5151 5233 5290 -133 5176 5043
3 5572 5470 5416 126 5524 5651
4 5871 5751 5650 234 5851 6085
5 5882 5843 5785 135 5900 6035
6 5841 5841 5825 40 5858 5898
7 6492 6297 6155 331 6439 6769
8 6395 6366 6302 147 6429 6576
9 7298 7018 6804 501 7233 7734
10 7025 7023 6957 154 7089 7242
11 7025 7024 7004 47 7045 7092
12 6824 6884 6920 -84 6848 6764