Dans ce module, vous aurez une idée de la portée de ce cours et apprendrez à utiliser SAS Viya for Learners pour effectuer les pratiques du cours.

Ce module passe en revue les idées fondamentales sur les séries temporelles. Vous apprenez les composantes de base de la variation systématique dans les données de séries temporelles et quelques spécifications de modèles simples, tels que l'ordre autorégressif un et la marche aléatoire. Vous apprendrez également à connaître les modèles de lissage exponentiel ou ESM, à sélectionner un ESM champion et à générer des prévisions sur les séries temporelles.

Ce module comporte quatre parties. La première partie décrit les modèles traditionnels pour les données stationnaires : Les modèles de moyenne mobile autorégressive ou ARMA. La deuxième partie décrit comment le cadre ARMA est généralisé pour prendre en compte la variation des tendances. Cela implique l'intégration et aboutit au modèle ARIMA. La troisième partie décrit comment le modèle ARIMA est adapté pour traiter les variations saisonnières des données. La quatrième et dernière partie du module présente la régression dynamique ou le modèle ARIMAX et décrit les concepts liés à l'identification des composantes de la fonction de transfert et à la spécification des modèles ARIMAX.

Dans ce module, nous combinons le monde des séries temporelles et celui de l'analyse bayésienne. Nous commençons par un bref examen de l'analyse bayésienne. Nous explorons ensuite la manière d'incorporer des composantes autorégressives, saisonnières et exogènes dans une série temporelle bayésienne. Nous concluons par une discussion sur la notation bayésienne et les distributions prédictives a posteriori.

Dans ce module, vous apprenez à utiliser les outils d'apprentissage automatique de SAS pour prévoir des séries temporelles individuelles. Vous apprenez à préparer les données de séries temporelles pour les utiliser avec les outils d'apprentissage automatique, et à construire et évaluer des modèles de prévision à l'aide de ces outils. Nous nous concentrons sur les modèles de gradient boosting et de réseaux neuronaux récurrents et nous discutons des cas où il serait utile d'utiliser ces méthodes.

Ce module décrit comment les prévisions générées en dehors du système de prévision peuvent être prises en compte dans SAS Visual Forecasting. Nous utiliserons des prévisions externes pour créer une prévision combinée ou d'ensemble qui a le potentiel d'améliorer la précision de la prévision par rapport aux prévisions externes qui la composent. Ce module se termine par une discussion sur les prévisions de modèles hybrides qui combinent les approches traditionnelles et d'apprentissage automatique de la prévision.