paramètres et structure
Capsule 4 - Comparer des prévisions de référence
MQT-2101 - Analyse et modélisation des données
Pourquoi ça compte
Une méthode élaborée fait-elle mieux qu’une règle simple?
Un modèle peut très bien reproduire le passé et prévoir moins bien que la dernière valeur connue.
Objectifs de la capsule
- Séparer apprentissage et validation.
- Calculer les deux références naïves.
- Distinguer ajustement et prévision.
Bien ajuster n’est pas bien prévoir
Apprentissage
Validation
erreurs sur le futur simulé
La séparation du cas guidé
60
mois d’apprentissage : 2020 à 2024
12
mois de validation : 2025
T
origine : décembre 2024
Le naïf à origine fixe
\[\widehat y_{T+h\mid T}=y_T,\qquad h\geq1.\]
Une origine en décembre 2024. La dernière consommation mensuelle connue est répétée pour tous les mois de 2025.
Le naïf saisonnier
\[\widehat y_{T+h\mid T}=y_{T+h-m},\qquad 1\leq h\leq m.\]
\(m=12\) : reprendre les douze mois de la dernière année.
Comparer sur les mêmes mois
Du code à la référence
Choisir la période selon l’horizon
Un mois
répéter plusieurs origines à h = 1
Un an
évaluer aussi les horizons jusqu’à 12
Réajuster avant la vraie prévision
1
Évaluer sur 2025
2
Fixer le choix
3
Réajuster sur 2020 à 2025
4
Prévoir 2026
À retenir
Même origine
même information disponible
Référence
naïve et saisonnière
Séparation
comparer avant de réajuster
Production autonome 6.4
Produisez les douze prévisions naïves et saisonnières à la fin de 2024. Superposez-les à la consommation de 2025. Expliquez pourquoi une colonne lag(consommation_kwh) sur tout le fichier répond à un autre scénario.
Auto-vérification
- Mes deux références partagent l’origine de décembre 2024, le calendrier et les douze horizons.
- Je n’ai utilisé aucune valeur de 2025 pour calculer les prévisions à origine fixe.
- J’ai expliqué pourquoi un décalage sur tout le fichier correspond à un autre scénario.
