🏗️Exemple concret
Prévision des ventes hebdomadaires d'un supermarché : Prophet intègre automatiquement les effets du jour de la semaine, du mois, des vacances scolaires et des promotions planifiées. Erreur MAPE = 4.2% sur 12 semaines. ARIMA classique donnait 8.7% d'erreur sans la gestion native des saisonnalités multiples.
∑ Concept clé
ARIMA(p,d,q) : p=termes autorégressifs, d=différenciation, q=termes de moyenne mobile. Prophet : y(t) = trend(t) + seasonality(t) + holidays(t) + error
🎯Quand l'utiliser ?
✓Prévision de ventes, de consommation, de trafic
✓Détection d'anomalies temporelles
✓Planification opérationnelle (stock, ressources humaines)
✅ Avantages
+Prend en compte l'ordre et la dépendance temporelle
+Prophet : très simple à utiliser, gère les jours fériés
+LSTM : puissant sur de longues dépendances
⚠️ Limites
−Requiert une analyse préalable de stationnarité (ARIMA)
−Sensibles aux changements structurels (COVID, crise)
−LSTM nécessite beaucoup de données et GPU
🛠️ Outils principaux
Prophet (Meta/Python)
statsmodels (ARIMA, SARIMA)
TensorFlow/Keras (LSTM)
Darts (librairie unifiée)
MLPrévisionTime SeriesARIMAProphet