Décomposition temporelle et Forecast

Insights in ArcGIS Online
Insights in ArcGIS Enterprise
Insights desktop

Les fonctionnalités Décomposition temporelle et Forecast fractionnent un diagramme chronologique en composants tendance, saisonnier et restants.

Les fonctionnalités Décomposition temporelle et Forecast appliquent la méthode Seasonal-Trend decomposition using LOESS (STL) pour calculer les composants de la série chronologique.

Exemple

Une organisation environnementale étudie l’évolution de la qualité de l’air dans le temps. La décomposition temporelle permet d’étudier l’impact saisonnier sur la qualité de l’air et si celle-ci s’améliore ou se détériore au fil du temps. La fonctionnalité Forecast permet de prévoir les valeurs futures de la qualité de l’air.

Utiliser la fonctionnalité de décomposition temporelle

Pour exécuter la fonctionnalité d’analyse de décomposition temporelle, procédez comme suit :

  1. Créez une carte, un diagramme ou une table à l’aide du jeu de données avec lequel vous souhaitez exécuter la décomposition temporelle.
  2. Cliquez sur le bouton Action Opération.
  3. Effectuez l’une des opérations suivantes :
    • Si votre fiche est un diagramme chronologique, restez sur l’onglet Analyse temporelle.
    • Si votre fiche est un type de diagramme différent ou une table, cliquez sur How has it changed (Comment cela a-t-il changé ?) dans la fenêtre Analytics (Analyse).
    • Si votre fiche est une carte, cliquez sur l’onglet Find answers (Trouver des réponses) puis cliquez sur How is it changed? (Comment cela a-t-il changé ?).
  4. Cliquez sur Temporal Decomposition (Décomposition temporelle).
  5. Pour Choose a layer (Choisir une couche), sélectionnez le jeu de données avec lequel vous souhaitez exécuter la décomposition temporelle.
  6. Pour Choose a date/time field (Choisir un champ de date/heure), sélectionnez le champ de date/heure que vous souhaitez utiliser pour votre chronologie.
  7. Développez la section Additional options (Autres options) et entrez des valeurs pour les paramètres Choose a number field (Choisir un champ numérique), Adjust for seasonality (Ajuster pour la saisonnalité) et Select window size (Sélectionner la taille de fenêtre), si besoin est. Pour plus d’informations, reportez-vous aux Remarques d'utilisation.
  8. Facultativement, sélectionnez Show forecast (Afficher la prévision) pour inclure les valeurs prévues à votre chronologie. Si Show forecast (Afficher la prévision) est sélectionné, il est également possible de régler le paramètre Set forecast horizon cycles (Définir les cycles de l’horizon de prévision) pour déterminer le nombre de cycles inclus dans la prévision. Le nombre de cycles par défaut est deux.
  9. Cliquez sur Run (Exécuter).

Utiliser la fonctionnalité Forecast

Pour exécuter la fonctionnalité d’analyse Forecast, procédez comme suit :

  1. Créez une carte, un diagramme ou une table à l’aide du jeu de données avec lequel vous souhaitez exécuter la décomposition temporelle.
  2. Cliquez sur le bouton Action Opération.
  3. Effectuez l’une des opérations suivantes :
    • Si votre fiche est un diagramme chronologique, restez sur l’onglet Analyse temporelle.
    • Si votre fiche est un type de diagramme différent ou une table, cliquez sur How has it changed (Comment cela a-t-il changé ?) dans la fenêtre Analytics (Analyse).
    • Si votre fiche est une carte, cliquez sur l’onglet Find answers (Trouver des réponses) puis cliquez sur How is it changed? (Comment cela a-t-il changé ?).
  4. Cliquez sur Forecast.
  5. Pour Choose a layer (Choisir une couche), sélectionnez le jeu de données avec lequel vous souhaitez exécuter prévision.
  6. Pour Choose a date/time field (Choisir un champ de date/heure), sélectionnez le champ de date/heure que vous souhaitez utiliser pour votre chronologie.
  7. Développez la section Additional options (Autres options) et entrez des valeurs pour les paramètres Choose a number field (Choisir un champ numérique), Adjust for seasonality (Ajuster pour la saisonnalité) et Select window size (Sélectionner la taille de fenêtre), si besoin est. Pour plus d’informations, reportez-vous aux Remarques d'utilisation.
  8. Réglez le paramètre Set forecast horizon cycles (Définir les cycles de l’horizon de prévision) pour déterminer le nombre de cycles inclus dans la prévision. Le nombre de cycles par défaut est deux.
  9. Cliquez sur Run (Exécuter).

Remarques sur l'utilisation

Les fonctionnalités Décomposition temporelle et Forecast sont accessibles via le bouton Action Opérationsous How has it changed (Comment cela a-t-il changé ?) sur l’onglet Find answers (Trouver des réponses) ou sur l’onglet Temporal analysis (Analyse temporelle) dans un diagramme chronologique. L’entrée doit être un jeu de données comprenant un champ de date/heure et contenir au minimum une année de données. Pour plus d’informations, reportez-vous à la rubrique Fonctionnement des fonctionnalités Décomposition temporelle et Forecast.

Utilisez le paramètre Choose a date/time field (Choisir un champ de date/heure) pour sélectionner le champ de date/heure auquel appliquer la décomposition temporelle.

Développez la section Additional options (Autres options) pour afficher les paramètres Choose a number field (Choisir un champ numérique), Adjust for seasonality (Ajuster pour la saisonnalité) et Select window size (Sélectionner la taille de fenêtre). Le tableau suivant présente ces paramètres et leurs valeurs par défaut :

ParamètreDescriptionValeur par défaut
Choisir un champ numérique

Un champ indiquant la valeur de chaque observation sur la série chronologique. Par exemple, lorsque de la décomposition d’une série chronologique de températures moyennes mondiales dans le temps, utilisez le champ de température pour le paramètre Choose a number field (Choisir un champ numérique).

Aucune. La valeur de chaque point est déterminée par le total.

Ajuster pour la saisonnalité

La saisonnalité permet de déterminer comment est calculé le composant saisonnier.

Les options de saisonnalité disponibles sont les suivantes :

  • Par semaine
  • Par mois
  • Par trimestre
  • Par an

Aucune. Une saisonnalité appropriée est sélectionnée en fonction de vos données.

Sélectionner la taille de fenêtre

La taille de la fenêtre détermine le pourcentage de points de données utilisés dans le calcul de lissage.

50 %

Pour Décomposition temporelle, sélectionnez Show forecast (Afficher la prévision) pour créer une série chronologique en sortie montrant les valeurs futures prévues sur la base du composant saisonnier et du composant de saisonnalité ajustée. Le nombre de cycles de la prévision est déterminé par le paramètre Set forecast horizon cycles (Définir les cycles de l’horizon de prévision). La valeur par défaut est de 2. Le paramètre Show forecast (Afficher la prévision) n’est pas disponible pour la fonctionnalité Forecast car il est toujours activé.

Les résultats des fonctionnalités Décomposition temporelle et Forecast comprennent deux jeux de données : un appelé STL et un appelé Forecast - STL (n’est inclus pour Décomposition temporelle que si le paramètre Show forecast (Afficher la prévision) est activé).

Le jeu de données STL comprend des champs pour les données brutes (basés sur le total ou sur le champ numérique utilisé pour décomposer la série chronologique), quatre composants (saisonnier, tendance, restants et saisonnalité ajustée), et le champ de date/heure d’origine.

Le jeu de données Forecast - STLcomprend le champ de date/heure d’origine, plus les champs pour les données brutes (basés sur le total ou sur le champ numérique utilisé pour décomposer la série chronologique), l’estimation et les intervalles supérieurs et inférieurs de prévision (80 % et 95 %).

Fonctionnement de la Décomposition temporelle et de la Prévision

Les fonctionnalités Décomposition temporelle et Forecast utilisent la méthode STL pour décomposer une série chronologique selon ses composants saisonnier, tendance et restants. Les données requises dans l'algorithme STL dépendent de la saisonnalité utilisée pour décrire le composant saisonnier.

Saisonnalité

La saisonnalité (également appelée périodicité) est utilisée par l’algorithme STL pour corriger les effets saisonniers dans une série chronologique. Par exemple, la qualité de l'air a tendance à suivre un cycle annuel avec une amélioration de la qualité de l'air pendant les mois d'hiver et une détérioration de la qualité de l'air pendant les mois d'été. Par conséquent, les données concernant la qualité de l'air peuvent être décomposées en utilisant la saisonnalité mensuelle pour ajuster la série chronologique aux cycles récurrents d'amélioration et de détérioration de la qualité de l'air afin de mieux comprendre la tendance générale de la qualité de l'air sur la durée.

La saisonnalité peut être hebdomadaire, mensuelle, trimerstrielle ou annuelle. Les besoins en matière de données pour les fonctionnalités Décomposition temporelle et Forecast dépendent de la saisonnalité utilisée.

Pour toutes les options de saisonnalité, les données sont divisées en sous-séries. Le jeu de données doit comporter au moins une occurrence de chaque sous-série pour pouvoir utiliser la Décomposition temporelle ou Forecast.

Le tableau suivant résume les options de saisonnalité ainsi que les sous-séries et les besoins en données pour chacune d'entre elles.

SaisonnalitéSous-sériesConditions requises pour les données

Par semaine

Semaine 1 à 52 Par exemple, la semaine du 1er janvier au 7 janvier est la semaine 1, celle du 8 janvier au 14 janvier est la semaine 2, et ainsi de suite.

Un minimum de 52 semaines de données avec au moins un point de données pour chaque semaine.

Par mois

Mois de janvier à décembre.

Un minimum de 12 mois de données avec au moins un point de données pour chaque mois.

Par trimestre

Trimestres 1 à 4

Un minimum de quatre trimestres de données avec au moins un point de données pour chaque trimestre.

Par an

Années individuelles Par exemple, dans le cas d’un jeu de données comprenant des données commençant en 2015 et se terminant en 2020, les sous-séries seraient 2015, 2016, 2017, 2018, 2019 et 2020.

Un minimum de quatre années de données avec au moins un point de données pour chaque année.

Exemple

Vous souhaitez exécuter la fonctionnalité de Décomposition temporelle ou Forecast en utilisant la saisonnalité hebdomadaire sur un jeu de données comprenant des données collectées quotidiennement de janvier 2015 à décembre 2020. Toutefois, le système de collecte des données étant suspendu chaque année du 1er au 10 janvier pour des opérations de mises à jour et de maintenance, aucune donnée n'est collectée pendant cette période. Pour utiliser la saisonnalité hebdomadaire, vos données doivent inclure au moins un point de données pour chaque semaine. Puisque vous n’avez aucune donnée pour la semaine 1 (du 1er janvier au 7 janvier), vous ne pouvez pas utiliser la saisonnalité hebdomadaire sur le jeu de données. Toutes les autres options de saisonnalité peuvent être utilisées sur le jeu de données, car celui-ci répond aux exigences en matière de données : un minimum d’une occurrence pour chaque sous-série mensuelle, trimestrielle et annuelle.

Pour pouvoir appliquer la saisonnalité hebdomadaire sur le jeu de données, l’interruption du service de collecte est reportée au 2 janvier à partir de l’année 2021. Les données collectées le 1er janvier 2021 constituent un point de données pour la sous-série de la semaine 1, le jeu de données a désormais un point de données pour chaque sous-série.

Remarque :

L'exigence d'un point de données par sous-série est une exigence globale, et non une exigence annuelle. C'est pourquoi le point de données du 2 janvier 2021 répond à cette exigence, même si aucune donnée n'est disponible pour la semaine 1 de 2015 à 2020.

Intervalles de prédiction

Les intervalles de prédiction sont calculés par la fonction Forecast (Prévision) à l’aide de l’équation suivante de Hyndman et Athanasopoulos (2018, chap. 7) :

ŷT+h|T ± cσh

Où :

  • ŷt = valeur moyenne de la distribution de la prévision à l’instant t.
  • ŷT+h|T = prévision cumulée de ŷt jusqu’à l’instant T pour h cycles d’horizon prévisionnel.
  • c = probabilité de couverture
  • σh = racine carrée de la variance de prévision

Bibliographie

Hyndman, Rob J. et George Athanasopoulos. 2018. Forecasting: Principles and Practice. 2nd ed. Melbourne, Australia: OTexts. OTexts.com/fpp2.