Mettre le modèle au travail : prévision et intervalle de confiance

Le modèle retenu bat les deux baselines

print("MAE baseline (moyenne):", mae_moyenne)
print("MAE baseline (persistance):", mae_persistance)
print("MAE ARMA(1,1), prevision a 1 pas:", resultats["ARMA(1,1)"]["mae"])

MAE baseline (moyenne): 13.12
MAE baseline (persistance, 'comme hier'): 7.33
ARMA(1,1): MAE (1 pas)=6.66

Une fois évalué dans les mêmes conditions que les baselines (prévision glissante à un pas, coefficients figés), l’ARMA(1,1) bat les deux — la persistance naïve et la moyenne globale.

Prévoir plusieurs jours à l’avance

Pour planifier une astreinte hebdomadaire, une prévision à un seul jour ne suffit pas. get_forecast produit une prévision multi-horizon, avec un intervalle de confiance :

forecast_7j = meilleur_modele.get_forecast(steps=7)
print(forecast_7j.predicted_mean.round(1).values)
print(forecast_7j.conf_int(alpha=0.05).round(1).values)

Prevision a 7 jours:
[167.5 161.4 157.6 155.3 153.9 153.  152.4]
Intervalle de confiance (95%):
[[152.  183.1]
 [139.7 183.1]
 [134.  181.3]
 [131.  179.6]
 [129.3 178.5]
 [128.3 177.7]
 [127.7 177.2]]

Deux lectures importantes

1. La prévision revient progressivement vers la moyenne (de 167,5 à 152,4, proche de la moyenne globale de 151,4) : c’est le comportement attendu d’un modèle avec un terme AR — passé quelques jours, l’inertie s’efface et la meilleure estimation redevient la moyenne à long terme de la série.
2. L’intervalle de confiance s’élargit avec l’horizon (de ±15,5 au jour 1 à ±24,8 au jour 7) : plus on prévoit loin, moins la prévision est fiable — une évidence statistique que le modèle rend explicite, plutôt que de masquer derrière un chiffre unique trompeusement précis.

Prochaine étape

👉 Ouverture : au-delà de l’ARMA

---

Junior TSAFACK – 12/09/2026