Innovation,
KernelSynth et TSMix : comment Chronos enrichit les données de préentraînement
Chronos mélange des séries réelles et génère des séries synthétiques pour diversifier son apprentissage : méthodes, résultats et limites à connaître.
Blog
L'IA appliquée à l'entreprise : les analyses de TW3 Partners
⌘K
348 articles
Secteurs,
Réconcilier les prévisions d’un groupe : comprendre la méthode MinT
La réconciliation rend les prévisions des unités compatibles avec leur total. MinT utilise leurs erreurs pour calculer les ajustements, sous conditions.
Secteurs,
Prévisions hiérarchiques probabilistes : obtenir des scénarios cohérents entre niveaux
La réconciliation probabiliste ajuste les scénarios pour respecter les totaux d’une hiérarchie et peut entrer dans l’apprentissage du modèle de prévision.
Innovation,
Saisonnalités multiples : représenter les cycles horaires, hebdomadaires et calendaires
Prévoir une activité exige de distinguer cycles réguliers, jours particuliers et changements durables, puis de vérifier leur apport sur des données nouvelles.
Innovation,
Variables exogènes : quelles informations sont réellement disponibles à la date de prévision ?
Une prévision doit utiliser les informations disponibles à la date de décision. Calendrier, observations et scénarios demandent des règles distinctes.
Innovation,
Prévision naïve saisonnière : construire une référence que le modèle doit dépasser
La prévision naïve saisonnière répète le dernier cycle observé. Voici comment la comparer aux méthodes naïve et avec dérive, puis aux modèles candidats.
Innovation,
Calculer le MASE : choisir la référence saisonnière et interpréter le résultat
Le MASE compare une erreur de prévision à une référence historique. Voici comment choisir la saisonnalité, calculer ce rapport et signaler les cas indéfinis.
Innovation,
Résidus d’un modèle de prévision : lire l’autocorrélation avant de changer d’architecture
Le diagnostic des résidus aide à repérer un biais, une dépendance temporelle ou une dispersion variable avant de tester une modification du modèle.
Innovation,
MAPE et sMAPE : les erreurs de lecture lorsque la demande approche zéro
Le MAPE devient inutilisable quand la demande est nulle. Comparer les limites du sMAPE, du MAE, du RMSE et du MASE aide à choisir un indicateur adapté.
Innovation,
Séries temporelles incomplètes : imputer, masquer ou tronquer l’historique ?
Pour prévoir avec un historique incomplet, le choix entre remplacement, masque et troncature dépend du sens des absences et des informations disponibles.
Secteurs,
Demande intermittente : ce que calcule Croston et où sa portée s’arrête
Croston sépare quantité demandée et espacement des commandes. Comprendre son calcul, ses biais et les critères pour envisager une distribution de demande.
Innovation,
Prévision conforme adaptative : ajuster les intervalles lorsque la distribution change
La prévision conforme adaptative ajuste les intervalles au fil des observations. Comprendre sa couverture, ses limites et le protocole pour la tester.