Avant d'entraîner le moindre modèle, il faut une référence. Sur une consommation d'électricité, la prévision naïve (« comme hier ») se trompe vite à cause de la semaine, alors que « comme le même jour de la semaine dernière » reste stable. C'est la barre que tout modèle doit franchir.
Un boulanger qui prévoit ses ventes du dimanche d'après celles du samedi se trompe à chaque fois. S'il regarde le dimanche précédent, il se trompe bien moins, sans aucun calcul.
Trois prévisions sans modèle : la moyenne de l'année passée, le naïf (la dernière valeur connue) et le naïf saisonnier (la valeur du même jour de semaine, une ou plusieurs semaines plus tôt). On les mesure par l'erreur absolue moyenne (MAE) sur une année entière jamais vue.
Consommation journalière synthétique sur 3 ans : niveau de 50 000 MWh, cycle hebdomadaire (week-end à −20 à −26 %), saison d'hiver à +22 %, bruit corrélé. Les erreurs sont mesurées sur la 3e année, prévue h jours à l'avance.
MAE en MWh sur 365 jours de test, graine fixe. Moyenne 7 jours : moyenne des 7 dernières valeurs connues.
On trace l'erreur de chaque méthode pour des horizons de 1 à 14 jours, au bruit choisi plus haut. Le naïf retombe au niveau du saisonnier à 7 et 14 jours : le « dernier jour connu » est alors le même jour de semaine.
Chips mesurés au bruit choisi plus haut (3 % par défaut).
Voici la démarche, puis un exemple.
import numpy as np, pandas as pd y = pd.read_csv("conso.csv", index_col=0, parse_dates=True)["mwh"] h = 3 test = y.index[-365:] moyenne = y.rolling(365).mean().shift(h) naif = y.shift(h) sais = y.shift(7 * int(np.ceil(h / 7))) # même jour de semaine mae = lambda p: (y - p).abs().loc[test].mean() print(mae(moyenne), mae(naif), mae(sais))
Séparer la série en ses composantes pour voir ce que la saison explique, et ce qu'il reste à prévoir.
Statistiques, finance quantitative, machine learning, deep learning, LLM, agents IA, MLOps : 321 épisodes avec des simulateurs à manipuler, pas des vidéos.
Statistics, quantitative finance, machine learning, deep learning, LLMs, AI agents, MLOps: 321 interactive episodes with simulators to play with, not videos.