Formation séries temporelles avec R

Jour 1 : Comprendre et Explorer les Séries Temporelles

• Introduction aux séries temporelles :

  • Définition, intérêt et applications dans différents domaines.
  • Comprendre les caractéristiques des données temporelles : saisonnalité, tendance, cycles et bruit.

• Gestion des dates et des formats temporels dans R :

  • Manipulation des dates avec les packages lubridate, zoo et xts.
  • Conversion entre différents formats temporels et gestion des fuseaux horaires.

• Création et manipulation d’objets séries temporelles :

  • Création d’objets de type ts, xts et zoo.
  • Chargement et organisation de données temporelles (fichiers CSV, bases SQL, API).

• Analyse descriptive d’une série temporelle :

  • Calcul et interprétation des indicateurs clés (moyenne, variance, autocorrélation, saisonnalité).
  • Visualisation avec les packages ggplot2 et forecast.

Cas pratiques : analyse descriptive d'une série temporelle issue de la consommation énergétique et exploration de ses composants.

Jour 2 : Modélisation et Prévision des Séries Temporelles

• Techniques de filtrage et de lissage :

  • Lissage exponentiel simple, double et triple (Holt-Winters).
  • Filtrage avec des moyennes mobiles et extraction des composants d’une série.

• Introduction aux modèles ARIMA (AutoRegressive Integrated Moving Average) :

  • Identification, estimation et diagnostic des modèles ARIMA.
  • Détection et traitement des séries non stationnaires (différenciation et transformation).
  • Utilisation de auto.arima() pour automatiser la sélection des paramètres.

• Modèles avancés et extensions :

  • ARIMAX (ARIMA avec variables exogènes).
  • Modèles saisonniers (SARIMA et SARIMAX).

• Prédiction et évaluation de modèles :

  • Génération de prévisions et intervalle de confiance.
  • Évaluation des performances à l'aide d'indicateurs (MAE, RMSE, MAPE).
  • Validation des modèles avec des jeux de données d'entraînement et de test.

• Introduction à Prophet (Facebook) :

  • Présentation et mise en œuvre pour modéliser les séries temporelles complexes.

Cas pratiques :

• • Prévision des ventes mensuelles d’une entreprise.
  • Analyse de la demande en électricité et comparaison des modèles ARIMA et Prophet.

Profils :

• Statisticien
• Analyste
• Économiste

Prérequis :

• Connaissances de base en traitement de données (statistique et
  tables de données)
• Connaissances de base en R (avoir suivi la formation R pour la data science ou niveau équivalent)