Séries Temporelles (Time Series)
Suite de points de données indexés dans l'ordre chronologique, souvent utilisés pour la prévision (météo, bourse).
Une série temporelle est une collection d’observations ordonnées dans le temps (minutes, jours, mois, etc.). Contrairement à des données “classiques”, l’ordre des points est essentiel : une valeur dépend souvent des valeurs passées. On parle souvent de fréquence (horaire, quotidienne), d’historique (fenêtre de temps disponible) et de granularité (niveau de détail).
Composantes typiques
Une série temporelle combine souvent plusieurs motifs :
- Tendance : évolution globale (hausse/baisse).
- Saisonnalité : répétitions régulières (jours de la semaine, saisons).
- Cycles : variations plus longues et moins régulières.
- Bruit / anomalies : variations aléatoires ou événements rares.
Comment on les exploite
Pour prévoir, on prépare souvent les données : gestion des valeurs manquantes, lissage, détection d’anomalies, et création de variables dérivées (retards/“lags”, moyennes mobiles). Les modèles vont d’approches statistiques (ARIMA, ETS) à des modèles ML/DL (XGBoost avec features temporelles, LSTM/Transformers), selon la complexité et la quantité de données.
Usages concrets
- Prévision de demande et gestion de stocks.
- Détection d’incidents (monitoring, cybersécurité).
- Finance (volatilité, tendances).
- IoT et maintenance prédictive (capteurs).