forme et paramètres d’un modèle
MQT-2101 - Approfondissement facultatif
Faut-il plus de complexité pour améliorer la décision?
Le prochain bloc présente plusieurs méthodes. Leurs exigences et leur entretien comptent autant que leur nom.
Structure explicite
forme et paramètres d’un modèle
Adaptation locale
mémoire et pondération du passé
Global dans une série
une structure sur toute la période
Local dans une série
une structure qui évolue
Histoire de la cible
naïf, lissage, ARIMA
Informations externes
calendrier, météo, occupation
Calendrier futur
connu à l’origine
Prix réalisé futur
à prévoir ou scénariser
Automatiser
calcul et actualisation
Surveiller
erreurs, ruptures, qualité
\[\widehat y^{\mathrm{comb}}=w\widehat y^{(1)}+(1-w)\widehat y^{(2)},\quad 0\leq w\leq1.\]
Exemple simple : moyenne à poids égaux, fixée avant la comparaison.
\[\operatorname{Var}(we_1+(1-w)e_2)=w^2\operatorname{Var}(e_1)+(1-w)^2\operatorname{Var}(e_2)+2w(1-w)\operatorname{Cov}(e_1,e_2).\]
Erreurs peu corrélées : diversification possible. Aucun gain garanti.
\(\widehat y^{\mathrm{final}}=\widehat y^{\mathrm{base}}+\widehat e^{\mathrm{base}}\)
Modèle de base → prévision de ses erreurs → correction
Module 7
lissage et comparaison
Module 8
tendance et saisonnalité
Module 9
variables externes et autocorrélation
Adéquation
structure, horizon, données
Entretien
disponibilité et suivi
Combinaison
complémentarité à vérifier
Proposez deux familles à comparer pour la consommation d’électricité. Calculez la moyenne à poids égaux des deux références et sa MAE sur 2025. Justifiez sa disponibilité et précisez comment réévaluer ce choix.