Time Series & Forecasting
Les séries temporelles (Time Series) regroupent les méthodes statistiques et de Machine Learning permettant d’analyser, de modéliser et de prévoir des phénomènes évoluant dans le temps.
L’objectif est de comprendre les dynamiques temporelles, d’identifier les tendances et les saisonnalités, et de produire des prévisions fiables pour anticiper les évolutions futures.
Ce mémo rassemble les principaux concepts théoriques, les modèles de prévision et leurs applications à la prise de décision.
🧱 Fondations#
- Statistiques et probabilités (distributions, estimation, intervalles de confiance)
- Modélisation statistique (biais/variance, régularisation, validation)
- Fondamentaux des séries temporelles (stationnarité, autocorrélation, décomposition)
- Processus stochastiques (bruit blanc, marche aléatoire, ergodicité)
📈 Modèles de séries temporelles#
- Modèles classiques (AR, MA, ARMA, ARIMA)
- Modèles saisonniers et lissage exponentiel (SARIMA, ETS, Holt-Winters)
- Modèles multivariés (VAR, VARMA, VECM, cointégration)
- Modèles avancés et modernes (multivariate time series, hierarchical forecasting)
- Machine Learning et Deep Learning temporel (XGBoost, LSTM, Transformers)
🛠️ Feature Engineering & Préparation#
- Feature engineering temporel (lags, rolling statistics, variables calendaires)
- Préparation des données temporelles (fréquence, resampling, valeurs manquantes)
- Gestion des tendances, saisonnalités et transformations (différenciation, logarithmes)
🎯 Validation et prévisions#
- Validation et pièges (time-based cross-validation, data leakage)
- Backtesting et validation robuste (rolling windows, expanding windows, baselines)
- Évaluation des prévisions (MAE, RMSE, MAPE, MASE, biais)
- Prévisions probabilistes (quantiles, intervalles de prédiction, distributions)
- Prévisions hiérarchiques (réconciliation, cohérence entre niveaux)
💼 Applications business et prise de décision#
- Forecasting business (demand forecasting, revenue forecasting)
- Allocation des ressources (stocks, budgets, capacités)
- Prévision de la demande et gestion des stocks
- Prévisions financières et économiques (revenus, indicateurs, scénarios)
- Forecasting et optimisation des décisions (contraintes, simulation, incertitude)
⚙️ Industrialisation et fiabilité#
- Pipelines temporels (feature pipelines, gestion du temps, batch vs streaming)
- Production et monitoring (retraining, drift, suivi des performances)
- Scalabilité et performance (volumes temporels, optimisation des calculs)
- Versioning et reproductibilité (modèles, datasets, expériences)
- Communication des prévisions (visualisation, incertitude, dashboards)