Qu'est-ce que la prévision de séries temporelles ?
La prévision de séries temporelles est un type d'approche statistique ou de machine learning qui tente de modéliser les données de séries temporelles historiques afin d'effectuer des prédictions sur des points temporels futurs.
Défis de la prévision de séries temporelles
Par rapport à d'autres types de modèles, la prévision de séries temporelles s'accompagne de défis uniques, tels que la saisonnalité, les effets des jours fériés, la parcimonie des données et l'évolution des tendances. De nombreuses techniques de machine learning ne fonctionnent pas bien dans ces cas, en raison de la nature séquentielle et de la corrélation temporelle entre les séries temporelles. Par exemple, la validation croisée k-fold peut entraîner une fuite de données. Les modèles doivent être réentraînés pour générer de nouvelles prévisions. L'équilibre entre sur-apprentissage et sous-apprentissage est un acte délicat sans la possibilité de randomiser la dimension temporelle. Avec potentiellement des millions d'éléments à prévoir, l'évolutivité de toute solution de prévision doit également être prise en compte. En plus des prévisions, d'autres tâches peuvent être importantes pour l'entreprise, comme la détection d'anomalies, la quantification de l'incertitude et l'inférence causale. La prévision de séries temporelles ne se limite pas à l'apprentissage supervisé sur des données avec des codes temporels. Heureusement, Google Cloud offre une large gamme de solutions pour tous les besoins des entreprises.
Un grand magasin de vente, par exemple, peut avoir des millions d'articles en prévision afin d'avoir un stock suffisant lorsque la demande est élevée et ne pas surstocker lorsque la demande est faible.
Cas d'utilisation de la prévision de séries temporelles
Prévision de la demande et planification des capacités
Prévision de la demande de produits de détail
Créez une solution de bout en bout pour prévoir la demande de produits de détail. Utilisez les données de vente historiques pour entraîner un modèle de prévision de la demande à l'aide de BigQuery ML, puis visualisez les valeurs prévues dans un tableau de bord Looker Studio à partager avec les personnes concernées. Découvrez comment créer une solution de prévision de la demande permettant une capacité de scaling à des millions de produits avec Google Cloud grâce à notre modèle de référence pour la prévision de la demande. Vous pouvez également découvrir comment la prévision de la demande peut réduire le gaspillage alimentaire avec notre modèle de référence.
Prévision de prix des produits de base
Les modèles de séries temporelles sont utilisés pour prévoir les prix des produits de base essentiels à votre activité et à vos processus de production, et pour informer vos modèles de flux de trésorerie et vos plans financiers.
Prévision de flux de trésorerie
Les modèles de séries temporelles sont généralement combinés avec des modèles de régression et de classification pour produire des prévisions de flux de trésorerie très précises basées sur des séries temporelles comptables historiques, ainsi que sur des entrées provenant de données transactionnelles et d'obligations contractuelles. Ici, vous pouvez utiliser ARIMA_PLUS avec BigQuery ML et le combiner avec des modèles supervisés dans BigQuery ML, comme GLM, les modèles d'arbres boostés et AutoML.
- Prévision de chaîne d'approvisionnement
- Les facteurs susceptibles d'influencer la demande sont nombreux et, pour les centres de distribution, il est essentiel de se préparer à l'avance pour répondre à la demande des consommateurs. Découvrez comment Vertex AI Forecast aide les centres de distribution de la chaîne d'approvisionnement à créer des modèles capables d'inclure des signaux comme la météo, des avis sur les produits, des indicateurs macroéconomiques, des actions des concurrents, des prix des marchandises, des frais de transport, des coûts des transporteurs maritimes, et bien plus.
Détection d'anomalies
Détection d'anomalies avec la prévision de la demande
Pendant les vacances, les fêtes ou les promotions de fin d'année, certains pics sont parfois prévisibles et attendus. Mais qu'en est-il des pics (ou baisses) inattendus ? Par exemple, comment identifier une demande inhabituellement élevée (ou inhabituellement faible) à laquelle vous ne vous attendiez pas ? Découvrez comment vous pouvez utiliser la détection d'anomalies avec BigQuery ML pour trouver un pic anormal dans les locations de vélos qui coïncide avec le jour où les transports publics ont été perturbés dans la ville de Londres.
Contrôle de la qualité de fabrication et surveillance des métriques
Des capteurs IoT aux résultats de production, la surveillance des métriques peut prendre de nombreuses formes. Le point commun est toutefois de prévoir la plage type de ces métriques afin de pouvoir anticiper et réagir le plus rapidement possible avec des systèmes de surveillance en place.
D'autres cas d'utilisation courants pour la détection des anomalies incluent les anomalies de prix dues à une mauvaise tarification, la détection des anomalies en temps réel et le contrôle de la qualité de fabrication.
Inférence causale
Efficacité des annonces
Dans quelle mesure vos annonces ont-elles contribué à l'essor d'une entreprise ? L'inférence causale peut vous aider à examiner la pertinence statistique des campagnes publicitaires.
Impact des grands événements sur les séries temporelles
Il est possible que vous souhaitiez savoir si l'impact d'événements majeurs, comme le Brexit, sur une série chronologique était statistiquement pertinent. Découvrez comment procéder à une inférence causale pour répondre à la question "Quel a été l'impact du vote du Brexit sur les taux de change entre la livre sterling et le dollar américain ?"
Les promotions, l'efficacité des incitations et les estimations de l'élasticité des prix constituent d'autres domaines d'analyse par inférence causale.
Prévision de séries temporelles sur Google Cloud
BigQuery ML
BigQuery ML permet aux utilisateurs de créer et d'exécuter des modèles de machine learning dans BigQuery à l'aide de requêtes SQL standard. Il accepte un type de modèle appelé ARIMA_PLUS permettant d'effectuer des tâches de prévision de séries temporelles et de détection d'anomalies.
Grâce à la modélisation ARIMA_PLUS dans BigQuery ML, vous pouvez faire des prévisions sur des millions de séries temporelles en une seule requête SQL, sans quitter votre entrepôt de données.
ARIMA_PLUS est essentiellement un pipeline de modélisation de séries temporelles, qui inclut les fonctionnalités suivantes :
- Déduire la fréquence des données de la série temporelle
- Gérer les données manquantes, les intervalles de temps irréguliers et les horodatages en double
- Détecter les valeurs aberrantes des pics et des baisses, ainsi que les changements brusques de niveau, et les corriger.
- Gérer les effets des jours fériés, la saisonnalité et les tendances
Des dizaines de millions de séries temporelles peuvent être prévues en même temps avec une seule requête. Différents pipelines de modélisation s'exécutent en parallèle, si suffisamment d'emplacements BigQuery sont disponibles.
Vous pouvez commencer à utiliser BigQuery ARIMA_PLUS à l'aide des tutoriels suivants :
- Prévisions de séries temporelles uniques du trafic Web Google Analytics avec BigQuery ML ARIMA_PLUS
- Prévisions de séries temporelles multiples de trajets à vélo à New York avec BigQuery ML ARIMA_PLUS
- Prévisions évolutives avec des millions de séries temporelles dans BigQuery
- Prévisions de la demande pour les ventes au détail avec BigQuery ML ARIMA_PLUS
Pour en savoir plus, consultez la documentation publique de BigQuery ML.
Vertex Forecast
Vertex Forecast offre aux utilisateurs plusieurs options pour entraîner le modèle de prévision de séries temporelles :
- Modèle AutoML. Avec l'entraînement AutoML, diverses approches d'extraction de caractéristiques sont d'abord appliquées. Une recherche rapide d'hyperparamètres est ensuite effectuée, puis AutoML explore de nombreuses architectures de modèle avancées, y compris certains modèles appartenant à Google, pour finalement générer un modèle de haute qualité pertinent pour vous.
- Seq2seq plus. Dans le processus d'entraînement, des hyperparamètres spécifiques à l'architecture du modèle séquence-à-séquence sont utilisés, ce qui permet de réduire l'espace de recherche des hyperparamètres et d'obtenir une convergence rapide.
Pour en savoir plus, consultez la documentation publique de Vertex Forecast.
Pour commencer, suivez le tutoriel sur les prévisions Vertex.
Prévision personnalisée
Si vous souhaitez utiliser votre propre code personnalisé, mais que vous souhaitez exploiter l'infrastructure d'entraînement/de diffusion sur Google Cloud, vous pouvez utiliser Vertex AI Workbench pour exécuter tout code en Python, R, TensorFlow ou PyTorch.
Prévision univariée ou multivariée
Avec la prévision univariée, vous prévoyez les données futures uniquement à l'aide des données de séries temporelles historiques. Par exemple, pour prévoir la température demain à New York, la prévision univariée consiste à n'utiliser qu'une seule variable, les températures historiques, pour prévoir les températures futures. Avec la prévision univariée, vous pouvez également découvrir des modèles et des tendances saisonniers.
Avec la prévision multivariée, vous prévoyez les données futures en utilisant plusieurs facteurs. Par exemple, pour prévoir la température de demain à New York, en plus des températures historiques, vous pouvez également utiliser la pression barométrique, l'indice UV, le pourcentage de couverture nuageuse dans les zones géographiques voisines, la vitesse du vent et d'autres variables.
Vous avez trouvé l'inspiration ? Relevons ensemble vos défis.
Découvrez comment BigQuery ML peut aider votre organisation. Consulter la documentation.
Produits et services associés
Google offre la possibilité de gérer chaque étape du cycle de vie des données, de l'exécution des transactions opérationnelles à la gestion des applications analytiques dans les entrepôts et les lacs de données, en passant par la gestion complète des expériences basées sur les données pour décloisonner les informations. L'IA/le ML sont un composant essentiel du cloud de données. Ils aident non seulement les entreprises à obtenir des insights améliorés, mais également à automatiser les processus métier principaux en se basant sur les données.
