Séries chronologiques saisonnières

Modèles ARIMA en Python

James Fulton

Climate informatics researcher

Données saisonnières

  • Présentent des motifs prévisibles et répétés
  • Se répètent après un certain laps de temps
Modèles ARIMA en Python

Décomposition saisonnière

Modèles ARIMA en Python

Décomposition saisonnière

série chronologique = tendance + saisonnalité + résidu

Modèles ARIMA en Python

Décomposition saisonnière avec statsmodels

# Importation 
from statsmodels.tsa.seasonal import seasonal_decompose

# Décomposer les données
decomp_results = seasonal_decompose(df['IPG3113N'], period=12)

type(decomp_results)

statsmodels.tsa.seasonal.DecomposeResult
Modèles ARIMA en Python

Décomposition saisonnière avec statsmodels

# Tracer les composantes décomposées
decomp_results.plot()
plt.show()

Modèles ARIMA en Python

Trouver la période saisonnière avec l'ACF

Modèles ARIMA en Python

Repérer la saisonnalité avec l'ACF

Modèles ARIMA en Python

Retirer la tendance d'une série

# Soustraire la moyenne mobile longue sur N pas
df = df - df.rolling(N).mean()

# Supprimer les valeurs NaN
df = df.dropna()

Modèles ARIMA en Python

Repérer la saisonnalité avec l'ACF

# Créer la figure
fig, ax = plt.subplots(1,1, figsize=(8,4))

# Tracer l'ACF
plot_acf(df.dropna(), ax=ax, lags=25, zero=False)
plt.show()

Modèles ARIMA en Python

Modèles ARIMA et données saisonnières

Modèles ARIMA en Python

Passons à la pratique !

Modèles ARIMA en Python

Preparing Video For Download...