Contenu

• Nous nous intéressons aux séries temporelles où la quantité d'intérêt a été observée à de suffisament nombreuse reprises pour pouvoir chercher à modéliser sa dynamique temporelle.
• Nous travaillerons également à la modélisation de plusieurs séries temporelles observées simultanément.
• Nous ne nous intéresserons pas aux études longitudinales où un phénomène a été observé en un nombre restreint de pas de temps. Il faudra pour cela se diriger vers les modèles mixtes.

Préliminaires

• Référence : https://otexts.com/fpp2/
• Liste des packages R à installer : forecast, ggplot2, fpp, fpp2, vars

Partie 1 : généralités et lissage exponentiel

Slides TimeSeries-part1.pdf

• Exercice 1 : première manipulation avec le jeu de données "varicelle" varicelle.csv
• Exercice 2 : prévision par lissage exponentiel de la concentration en co2
• Exercice 3 : prévision par lissage exponentiel des précipitations à San Francisco sanfran.csv

Partie 2 : modèles SARIMA

Slides TimeSeries-part2.pdf

• Exercice 1 : analyse de la série AirPassengers
• Exercice 3 : prévision avec modèle ARIMA de la série uschange
• Exercice 4 : prévision des précipitations à San Francisco avec modèle SARIMA
• Exercice 5 : prévision du nombre de cas de varicelles avec modèle SARIMA
• Exercice 6 : prévision de la série AirPassengers avec modèle SARIMA

Partie 3 : réseaux de neurones et modèles de machine learning

Slides ReseauxDeNeurones.pdf et TimeSeries-part3.pdf

• Exercice 1 : prévision des précipitations à San Francisco par réseaux de neuronnes

Partie 4 : séries multivariées

Slides TimeSeries-part4.pdf

• Exercice 1 : prévision de la demande en électricité à partir de covariables
• Exercice 2 : prévision des données uschange

Bonus

• Détection de rupture dans les séries temporelles: Detection-de-rupture.pdf
• Clustering de séries temporelles: Clustering.pdf et TimeSeries-clustering.pdf