Partie 1 Modèles statistiques de séries temporelles

Chapitre 1 Analyse des séries chronologiques

1.1 Format des données de séries chronologiques
1.2 Composition de l'échantillon de données de séries chronologiques
1.3 Résumé
1.4 Bibliothèque pour l'analyse des séries temporelles

Chapitre 2 Modèle de série chronologique simple
2.1 Modèle de prédiction naïf
2.2 Application du modèle naïf

Chapitre 3 Décomposition des séries temporelles et lissage exponentiel
3.1 Décomposition classique des séries temporelles
3.2 Lissage exponentiel

Chapitre 4 Modèle ETS
4.1 Estimation des paramètres du modèle ETS
4.2 Sélection et prédiction des modèles ETS
4.3 Application du modèle ETS

Chapitre 5 Modèle thêta
5.1 Structure du modèle thêta
5.2 Application du modèle thêta

Chapitre 6 Modèles ARIMA et VARIMA
6.1 Modèle ARIMA
Modèle 6.2 SARIMA
6.3 Mise en place du modèle SARIMA, estimation des paramètres et prédiction
6.4 Procédures d'analyse pour les modèles ARIMA automatiques et ARIMA
6.5 Application du modèle SARIMA
Modèle 6.6 VARIMA

Chapitre 7 CHAUVES-SOURIS et CHAUVES-SOURIS
Modèle BAT 7.1
Modèle 7.2 TBATS
7.3 Application et utilisation des BATS et des TBATS

Chapitre 8 Filtre de Kalman
8.1 Comprendre le filtre de Kalman
8.2 Projection linéaire
8.3 Dérivation du filtre de Kalman
8.4 Estimation et prédiction des paramètres du filtre de Kalman

Partie 2 Modèles de séries temporelles mixtes

Chapitre 9 AR-NET et intervalle conforme
9.1 AR-NET
9.2 Intervalle conforme

Chapitre 10 Prophète neuronal
10.1 Tendances
10.2 Saisonnalité
10.3 Modèles autorégressifs et modèles de régression des covariables passées
10.4 Régression des covariables futures et effets des événements et des jours fériés
10.5 Fonction de perte, régularisation et processus de pré-nettoyage des données de Neural Prophet
10.6 Modèles globaux et locaux
10.7 Validation croisée et prévision des modèles de séries temporelles
10.8 Estimation par intervalle conforme

Partie 3 : Apprentissage automatique et apprentissage profond : Modèles de séries temporelles

Chapitre 11 Modèles locaux et globaux
11.1 Structure du modèle de séries temporelles multiples et du modèle de séries temporelles globales
11.2 Séries temporelles multivariées et séries temporelles multiples
11.3 Prévision de séries temporelles à l'aide de modèles de régression

Chapitre 12 : Analyse des séries temporelles à l’aide de l’apprentissage d’ensemble
12.1 Analyse de séries temporelles basée sur l'apprentissage d'ensemble

Chapitre 13 N-BATS et N-Coups
13.1 N-BEATS
13.2 N-HiTS
13.3 Application de N-BEATS et N-HiTS

Chapitre 14 Prédiction de séries temporelles à l'aide de réseaux de neurones récurrents
14.1 Modèle RNN
14.2 Application des modèles de séries temporelles RNN

Chapitre 15 Réseaux de neurones convolutifs temporels (TCN) et transformateurs
15.1 Modèle de séries temporelles TCN
15.2 Modèle de série temporelle du transformateur

Chapitre 16 DLinear, NLinear et TiDE
16.1 Modèle linéaire LTSF
16.2 TiDE
16.3 Séries temporelles non stationnaires dans les modèles de séries temporelles d'apprentissage profond
16.4 Applications et applications de DLinear, NLinear et TiDE

Chapitre 17 : TFT, covariance invariante et explicabilité
Structure TFT 17.1
17.2 Applications et applications des TFT
17.3 Modèle global conditionnel utilisant des covariables invariantes
17.4 Explication de la possibilité de TFT

Chapitre 18 Prédiction probabiliste
18.1 Prédiction probabiliste
18.2 Prédiction probabiliste dans les modèles d'apprentissage profond
18.3 Prévision probabiliste à l'aide de fléchettes

Chapitre 19 : Modèles d’apprentissage profond multivariés et multi-séries temporelles
19.1 Analyse de séries temporelles multiples et multivariées à l'aide de modèles de séries temporelles d'apprentissage profond
19.2 Prévision des indices KOSPI et KOSDAQ et prévision de séries chronologiques multivariées

Chapitre 20 : Classification des séries temporelles et prédiction du cours des actions à l’aide de DTW
20.1 DTW (Distorsion Temporelle Dynamique) et Trajectoire de distorsion
20.2 Regroupement des séries temporelles et effets de regroupement
20.3 Prédiction du cours des actions par recherche de modèles

Les méthodes de prévision des séries temporelles peuvent être divisées en (1) méthodes statistiques, (2) méthodes hybrides et (3) méthodes basées sur l'apprentissage profond.
Les méthodes statistiques représentatives comprennent la décomposition des séries temporelles, ARIMA et VARIMA, et les méthodes hybrides sont des techniques de prévision des séries temporelles qui combinent des méthodes statistiques et des méthodes basées sur l'apprentissage profond, telles que Prophet et Neural Prophet.
Les modèles de séries temporelles basés sur l'apprentissage profond ont considérablement amélioré et affiné la capacité prédictive des séries temporelles grâce aux trois principales architectures d'apprentissage profond : MLP, RNN et CNN. Parmi les exemples représentatifs, citons BlockRNN, TCN, N-HiTs, Transformer, DLinear, TiDE et TFT.

L'auteur enseigne les modèles statistiques de séries temporelles en classe depuis 30 ans et l'apprentissage automatique, l'apprentissage profond, l'apprentissage par renforcement et l'IA explicable (XAI) depuis 7 ans ; il pense donc que l'émergence de modèles de séries temporelles de haut niveau utilisant l'apprentissage profond n'est qu'une question de temps.
En particulier, les modèles de séries temporelles d'apprentissage profond publiés au cours des 3 à 4 dernières années ont montré des résultats remarquables, tant sur le plan quantitatif que qualitatif.

La prévision précise des séries chronologiques joue un rôle crucial dans la finance, la logistique, le marketing, les ressources humaines, la planification économique et la prise de décision.
Les grands supermarchés proposent des dizaines de milliers d'articles, et leurs ventes sont enregistrées en temps réel.
L'utilisation de ces données pour prévoir avec précision les ventes d'articles fournit des informations importantes pour la prise de décision concernant la production, la distribution, le personnel, le placement et la présentation des produits, la promotion sélective, la publicité, etc.
Ce type de données est appelé données multiples, et comme il s'agit de données volumineuses avec de nombreuses observations de séries temporelles pour chaque élément et un très grand nombre d'éléments, l'application d'un modèle de séries temporelles basé sur l'apprentissage profond est essentielle.

Cependant, l'application des modèles de séries temporelles d'apprentissage profond se heurte à un obstacle important : la nécessité de posséder des connaissances préalables approfondies en apprentissage profond et d'acquérir des compétences en programmation, notamment dans des langages tels que TensorFlow ou PyTorch.
Pour éviter cela, l'auteur a utilisé Darts et une bibliothèque appelée Neural Prophet afin d'appliquer et de mettre en œuvre facilement des modèles d'apprentissage profond.
Les auteurs estiment que les modèles de séries temporelles basés sur l'apprentissage profond et les modèles de séries temporelles hybrides remplaceront rapidement les modèles statistiques conventionnels de séries temporelles dans la prévision des séries temporelles.
En effet, cette bibliothèque facilite l'application de modèles d'apprentissage profond par rapport aux modèles statistiques de séries temporelles, et ses capacités de traitement des données de séries temporelles à grande échelle ainsi que sa précision de prédiction sont nettement supérieures à celles des modèles statistiques. De plus, elle permet d'expliquer les raisons des résultats de prédiction et la contribution des variables explicatives.

Ce livre est conçu pour permettre l'application et l'utilisation de méthodes de prédiction de séries temporelles à l'aide d'environ 30 modèles de séries temporelles et de l'exploration des modèles de séries temporelles.
Le choix de deux hyperparamètres ou hypothèses de modèle, voire plus, pour un seul modèle signifie qu'au moins 60 modèles peuvent être appliqués aux données de séries temporelles données.
En maîtrisant le contenu de ce livre, vous acquerrez la configuration du modèle, les méthodes de prévision et les méthodes d'interprétation des résultats de prévision pour une meilleure prévision des séries temporelles, et vous aurez la capacité de construire votre propre modèle d'ensemble de séries temporelles en ajustant des dizaines de modèles à une seule série de données temporelles.

Bien que nous ayons essayé de faire un bon livre, il peut comporter quelques imperfections.
Nous vous remercions de votre compréhension. Toute modification apportée après publication sera disponible dans la salle de données du site web de Free Academy (www.freeaca.com). Veuillez vous y référer.
Enfin, je tiens à exprimer ma gratitude à Jinse Park, qui m'a aidée pour la conception et la relecture de ce livre, ainsi qu'à ma famille aimante, qui me soutient et m'encourage toujours.