Ouverture : au-delà de l'ARMA

Ce que ce module a couvert

1. Le split chronologique strict, et deux baselines de référence (moyenne, persistance).
2. L’autocorrélation, pour orienter le choix entre MA (mémoire courte, coupure nette) et AR (mémoire longue, décroissance progressive).
3. L’ajustement d’un ARMA, sélectionné par AIC et validé par le test de Ljung-Box sur les résidus.
4. L’évaluation honnête en prévision glissante à un pas — une leçon méthodologique aussi importante que le modèle lui-même : comparer une prévision multi-horizon à une baseline à un pas aurait injustement favorisé la baseline.

Pour aller plus loin

• Saisonnalité (SARIMA) : si le volume de tickets suit un cycle hebdomadaire (moins de tickets le week-end, par exemple), un terme saisonnier (P, D, Q, s) capture ce motif périodique, que l’ARMA de ce module ignore.
• Variables exogènes (SARIMAX) : intégrer une variable externe (une campagne marketing, un jour férié) qui influence le volume sans faire partie de son propre historique.
• Stationnarité et différenciation : une série avec une tendance de fond (croissance ou déclin progressif) doit souvent être différenciée (le d de l’ARIMA) avant modélisation — cette série de tickets, sans tendance, n’en avait pas besoin.
• Une alternative Machine Learning : transformer le problème en régression classique, avec des features de retards (y_{t-1}, y_{t-2}, …, une moyenne glissante) en entrée d’un modèle comme HistGradientBoostingRegressor — une passerelle directe vers les techniques du module 4, appliquées cette fois à des données temporelles.

Prochaine étape

👉 Module 9 : NLP, LLM & RAG

---

Junior TSAFACK – 12/09/2026