Décomposition des Séries Temporelles

Une série temporelle est un ensemble de points de données collectés à intervalles réguliers, généralement utilisés pour analyser et faire des prévisions sur les tendances et les modèles dans les données au fil du temps. Les principaux composants d'une série temporelle en Python incluent :

• Horodatage : L'horodatage est le moment où chaque point de données a été collecté. Les horodatages sont généralement au format de date, heure ou objet datetime et sont utilisés pour ordonner les points de données dans une série temporelle ;

• Tendance : La tendance est une augmentation ou une diminution à long terme des valeurs des données. Les tendances peuvent être déterminées en analysant la pente de la ligne de meilleure ajustement à travers les points de données au fil du temps ;

• Saisonnalité : La saisonnalité est un modèle régulier qui se produit à un moment spécifique ou sur une période de temps spécifique. Il s'agit généralement d'un modèle répétitif qui se produit chaque année, mois ou autres périodes de temps ;

• Bruit : Le bruit représente les variations aléatoires dans les données qui ne suivent aucune tendance ou saisonnalité. Cela pourrait être dû à des erreurs de mesure, des fluctuations aléatoires ou d'autres facteurs qui ne font pas partie du modèle sous-jacent dans les données.

En Python, la bibliothèque pandas fournit certaines fonctionnalités pour travailler avec des données de séries temporelles comme le rééchantillonnage, le décalage et le roulement. Et aussi, Python dispose de bibliothèques comme statsmodels, prophet et fbprophet pour la prévision des séries temporelles.

Description des méthodes

• statsmodels : Ce module fournit des classes et des fonctions pour estimer et analyser divers modèles statistiques, y compris l'analyse des séries temporelles, l'analyse de régression, et plus encore ;

• statsmodels.api.tsa.seasonal_decompose(x, model='additive', filt=None, period=None, two_sided=True, extrapolate_trend=0) : Cette fonction décompose une série temporelle x en composants saisonniers, de tendance et résiduels en utilisant un modèle additif ou multiplicatif. Elle renvoie un objet DecomposeResult ;

• DecomposeResult.plot() : Cette méthode trace les composants décomposés de la série temporelle (saisonnier, tendance et résiduel) en utilisant Matplotlib. Elle renvoie un objet Figure de Matplotlib contenant les graphiques.