{"id":63295,"date":"2021-09-22T15:44:25","date_gmt":"2021-09-22T14:44:25","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=63295"},"modified":"2024-09-20T17:45:46","modified_gmt":"2024-09-20T16:45:46","slug":"visual-time-series-forecasting-with-streamlit-prophet","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/visual-time-series-forecasting-with-streamlit-prophet\/","title":{"rendered":"Pr\u00e9vision visuelle des s\u00e9ries temporelles avec Streamlit Prophet"},"content":{"rendered":"

<\/span><\/a><\/span>

Lisez notre article sur<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Auteur<\/h2><\/div>\"Image\"

Maxime Lutel<\/h3><\/div>

Data Scientifique \u00e0 Artefact France<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Vous avez besoin d'une base de r\u00e9f\u00e9rence pour votre dernier projet de pr\u00e9vision de s\u00e9ries temporelles ? Vous voulez expliquer le processus d\u00e9cisionnel d'un mod\u00e8le pr\u00e9dictif \u00e0 une entreprise audience ? Vous aimeriez comprendre si les prix des voitures sont saisonniers avant d'en acheter une nouvelle ? Nous avons peut-\u00eatre quelque chose pour vous ! Cet article pr\u00e9sente Streamlit Prophet, une application web qui aide les scientifiques data \u00e0 former, \u00e9valuer et optimiser les mod\u00e8les de pr\u00e9vision de mani\u00e8re visuelle. Les pr\u00e9visions sont r\u00e9alis\u00e9es \u00e0 l'aide de Prophet, un mod\u00e8le rapide et facilement interpr\u00e9table.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Vous pouvez tester l'application en ligne\u00a0ici<\/a>\u00a0mais il se peut qu'il ne soit pas disponible \u00e0 tout moment, en raison de ressources informatiques partag\u00e9es limit\u00e9es. Une autre option consiste \u00e0 installer le logiciel\u00a0paquet python<\/a>\u00a0et l'ex\u00e9cuter localement.<\/p>\n<\/div>

Qu'est-ce que le proph\u00e8te illumin\u00e9 ?<\/h2><\/div>

Streamlit Prophet est un paquetage Python qui vous permet de d\u00e9ployer une application pour construire des mod\u00e8les de pr\u00e9vision de s\u00e9ries temporelles.\u00a0visuellement<\/strong>\u00a0et\u00a0sans codage<\/strong>. Une fois que vous avez t\u00e9l\u00e9charg\u00e9 un dataset avec les valeurs historiques du signal \u00e0 pr\u00e9voir, l'application forme un mod\u00e8le pr\u00e9dictif en quelques clics, ainsi que plusieurs visualisations pour vous aider \u00e0 \u00e9valuer ses performances et \u00e0 obtenir des informations suppl\u00e9mentaires.<\/p>\n<\/div>

Le mod\u00e8le sous-jacent est construit avec\u00a0Proph\u00e8te<\/strong><\/a>, une biblioth\u00e8que open source d\u00e9velopp\u00e9e par Facebook pour pr\u00e9voir les s\u00e9ries temporelles data. Le signal est d\u00e9compos\u00e9 en plusieurs \u00e9l\u00e9ments tels que la tendance, les saisonnalit\u00e9s et les effets de vacances. L'estimateur apprend \u00e0 mod\u00e9liser chacun de ces blocs s\u00e9par\u00e9ment et additionne ensuite leurs diff\u00e9rentes contributions pour produire une pr\u00e9vision facilement interpr\u00e9table. Il est plus performant lorsque les s\u00e9ries ont de fortes tendances saisonni\u00e8res et lorsque plusieurs cycles de l'historique data sont disponibles. Vous pouvez jeter un coup d'\u0153il \u00e0 ce qui suit\u00a0fil<\/a>\u00a0ou ceci\u00a0article<\/a>\u00a0si vous souhaitez en savoir plus sur les fondements math\u00e9matiques de Prophet.
\nL'interface est r\u00e9alis\u00e9e avec\u00a0\u00c9clair\u00e9 par la lumi\u00e8re du jour<\/strong><\/a>, un framework Python pour la construction d'applications web scientifiques data.<\/p>\n<\/div>

Quelles sont les principales caract\u00e9ristiques ?<\/h2><\/div>

Streamlit Prophet est con\u00e7u pour aider les scientifiques et les analystes commerciaux \u00e0 d\u00e9marrer rapidement leurs projets de s\u00e9ries temporelles. \u00c0 titre d'illustration, disons que nous aimerions pr\u00e9dire les ventes futures de biens de consommation dans un magasin particulier, \u00e0 partir de donn\u00e9es historiques data allant de 2011 \u00e0 2015. Notre s\u00e9rie data ressemble au tableau ci-dessous.<\/p>\n<\/div>

<\/span><\/div>

Un mod\u00e8le de base avec des param\u00e8tres par d\u00e9faut est ajust\u00e9 sur le data d\u00e8s qu'il est t\u00e9l\u00e9charg\u00e9. Voyons maintenant comment nous pourrions utiliser Streamlit Prophet pour l'am\u00e9liorer et parvenir \u00e0 une meilleure compr\u00e9hension du ph\u00e9nom\u00e8ne.<\/p>\n<\/div>

Exploration Data<\/h3><\/div>

La premi\u00e8re \u00e9tape de tout projet de pr\u00e9vision consiste \u00e0 s'assurer que le dataset n'a pas de secrets pour vous. Prophet fournit nativement un\u00a0d\u00e9composition du signal\u00a0<\/strong>pour vous aider \u00e0 atteindre cet objectif. Plusieurs graphiques sont disponibles dans l'application pour vous permettre d'obtenir ces informations pr\u00e9cieuses en un coup d'\u0153il.
\nLe graphique suivant est un bon point de d\u00e9part car il donne une repr\u00e9sentation globale de la s\u00e9rie temporelle t\u00e9l\u00e9charg\u00e9e et contient de nombreuses informations utiles.<\/p>\n<\/div>

<\/span><\/div>

Les points noirs correspondent aux ventes historiques r\u00e9elles, qui se situent la plupart du temps entre 75 et 225 unit\u00e9s par jour. Quelques valeurs aberrantes sans ventes ou avec de faibles volumes peuvent \u00eatre rep\u00e9r\u00e9es \u00e0 la fin de chaque ann\u00e9e, autour de No\u00ebl, lorsque les magasins sont probablement ferm\u00e9s. La tendance est repr\u00e9sent\u00e9e sur une ligne rouge afin d'obtenir une vision plus synth\u00e9tique du signal et de visualiser les \u00e9volutions globales. Enfin, la ligne bleue repr\u00e9sente les pr\u00e9visions faites par un mod\u00e8le Prophet entra\u00een\u00e9 automatiquement sur votre dataset. Ici, nous pouvons voir que le mod\u00e8le pr\u00e9voit une augmentation des ventes en 2016, suivant la tendance \u00e0 la croissance amorc\u00e9e en 2015.<\/p>\n

Ces pr\u00e9visions semblent \u00eatre saisonni\u00e8res, mais il est difficile de distinguer les diff\u00e9rentes composantes p\u00e9riodiques sur ce premier graphique. V\u00e9rifions une autre visualisation pour comprendre comment ces sch\u00e9mas saisonniers affectent la sortie du mod\u00e8le.<\/p>\n<\/div>

<\/span><\/div>

Deux p\u00e9riodicit\u00e9s ont \u00e9t\u00e9 d\u00e9tect\u00e9es et fournissent des informations int\u00e9ressantes sur les habitudes des consommateurs. Le cycle hebdomadaire montre que la plupart des gens font leurs achats le week-end, pendant lequel les pr\u00e9visions augmentent de pr\u00e8s de 40 unit\u00e9s par jour. Le graphique sugg\u00e8re \u00e9galement que les produits vendus ont une saisonnalit\u00e9 annuelle, avec des ventes l\u00e9g\u00e8rement plus importantes en \u00e9t\u00e9 que le reste de l'ann\u00e9e. Ces composantes p\u00e9riodiques et la tendance globale seront ensuite combin\u00e9es par l'estimateur pour produire des pr\u00e9visions pour les jours \u00e0 venir.<\/p>\n<\/div>

\u00c9valuation des performances<\/h3><\/div>

Ces trac\u00e9s synth\u00e9tisent la fa\u00e7on dont data est mod\u00e9lis\u00e9 par Prophet, mais comment s'assurer que cette repr\u00e9sentation est fiable ? Pour r\u00e9pondre \u00e0 cette question l\u00e9gitime, une section de l'application est consacr\u00e9e \u00e0 l'\u00e9valuation de la qualit\u00e9 du mod\u00e8le. Elle fournit rapidement \u00e0 l'utilisateur une performance de base en mati\u00e8re de pr\u00e9vision. Pour ce faire, la s\u00e9rie temporelle est divis\u00e9e en plusieurs parties : le mod\u00e8le est d'abord ajust\u00e9 sur un ensemble d'entra\u00eenement, puis test\u00e9 sur un ensemble de validation. D'autres options telles que la validation crois\u00e9e sont \u00e9galement disponibles pour une utilisation plus avanc\u00e9e.<\/p>\n<\/div>

Diff\u00e9rentes mesures peuvent \u00eatre utilis\u00e9es pour \u00e9valuer la qualit\u00e9 du mod\u00e8le : les mesures absolues telles que l'erreur quadratique moyenne (RMSE) sont utiles pour se faire une id\u00e9e de l'ampleur des erreurs en termes de nombre de ventes, mais les mesures relatives telles que le pourcentage d'erreur absolue moyenne (MAPE) peuvent \u00eatre plus faciles \u00e0 interpr\u00e9ter. C'est \u00e0 vous de choisir la mesure la plus pertinente pour votre cas d'utilisation.<\/p>\n<\/div>

Cependant, il est peu probable que les performances soient uniformes sur tous les points data, c'est pourquoi il ne suffit pas d'obtenir un indicateur global. Nous devons calculer des mesures \u00e0 une granularit\u00e9 plus d\u00e9taill\u00e9e pour obtenir une compr\u00e9hension claire de la qualit\u00e9 du mod\u00e8le. Commen\u00e7ons par une analyse approfondie au niveau quotidien, qui est la granularit\u00e9 la plus faible possible dans notre cas, puisque le mod\u00e8le fait une pr\u00e9diction par jour.<\/p>\n<\/div>

<\/span><\/div>

Nous pouvons observer une variabilit\u00e9 importante : certains jours, l'erreur est sup\u00e9rieure \u00e0 20% alors que d'autres pr\u00e9visions sont presque parfaitement exactes. En gardant ces informations \u00e0 l'esprit, vous ne pouvez probablement pas vous emp\u00eacher de vous demander s'il existe des sch\u00e9mas dans la mani\u00e8re dont le mod\u00e8le commet des erreurs. Y a-t-il des jours particuliers o\u00f9 l'on peut s'attendre \u00e0 ce qu'il ait des r\u00e9sultats m\u00e9diocres ? Heureusement, l'application fournit quelques graphiques pratiques qui nous aideront \u00e0 satisfaire notre curiosit\u00e9.<\/p>\n<\/div>

Diagnostic d'erreur<\/h3><\/div>

La section consacr\u00e9e au diagnostic des erreurs est probablement la plus utile, car elle vous permet de mettre en \u00e9vidence les domaines dans lesquels les pr\u00e9visions pourraient \u00eatre am\u00e9lior\u00e9es et donc d'identifier plus pr\u00e9cis\u00e9ment les principaux d\u00e9fis auxquels vous devrez faire face pour construire un mod\u00e8le de pr\u00e9vision fiable.<\/p>\n

Plusieurs visualisations sont disponibles pour mener \u00e0 bien cette enqu\u00eate. Elles sont interactives, de sorte que vous pouvez facilement vous concentrer sur certaines zones particuli\u00e8res. Par exemple, le diagramme de dispersion ci-dessous repr\u00e9sente chaque pr\u00e9vision faite sur l'ensemble de validation par un seul point, et le survol de celles qui sont \u00e9loign\u00e9es de la ligne rouge nous aide \u00e0 comprendre pour quel type de points data les pr\u00e9visions sont \u00e9loign\u00e9es de la v\u00e9rit\u00e9.<\/p>\n<\/div>

<\/span><\/div>

Dans notre exemple, le survol de la zone sup\u00e9rieure droite montre que les points les plus \u00e9loign\u00e9s de la ligne rouge sont les samedis et les dimanches, ce qui sugg\u00e8re que le mod\u00e8le est plus performant en semaine. Agr\u00e9geons les mesures de performance par jour de la semaine pour valider cette intuition.<\/p>\n<\/div>

<\/span><\/div>

Les erreurs sont en effet plus importantes en moyenne le week-end que le reste de la semaine, ce qui est une information \u00e0 garder \u00e0 l'esprit lorsque l'on essaie d'optimiser le mod\u00e8le. Les performances peuvent \u00e9galement \u00e9voluer dans le temps, c'est pourquoi il est possible de s\u00e9lectionner d'autres niveaux d'agr\u00e9gation disponibles dans l'application pour les v\u00e9rifier. Nous pourrions par exemple calculer les mesures \u00e0 une granularit\u00e9 hebdomadaire ou mensuelle, ou sur une p\u00e9riode sp\u00e9cifique pendant laquelle nous soup\u00e7onnons que les performances sont diff\u00e9rentes de la normale.<\/p>\n<\/div>

Optimisation du mod\u00e8le<\/h3><\/div>

Une fois que nous avons d\u00e9couvert les principales faiblesses du mod\u00e8le, plusieurs options sont disponibles pour l'am\u00e9liorer : la barre lat\u00e9rale de l'application vous permet de modifier la configuration par d\u00e9faut et d'entrer vos propres sp\u00e9cifications. Toutes les mesures de performance et les visualisations sont mises \u00e0 jour chaque fois que vous modifiez les param\u00e8tres, afin d'obtenir un retour d'information rapide.<\/p>\n<\/div>

La premi\u00e8re fa\u00e7on d'obtenir de meilleures performances est d'appliquer un pr\u00e9traitement personnalis\u00e9 \u00e0 votre ensemble data. Plusieurs alternatives sont possibles pour contourner les difficult\u00e9s identifi\u00e9es pr\u00e9c\u00e9demment. Par exemple, une section de nettoyage nous permet de nous d\u00e9barrasser des valeurs aberrantes observ\u00e9es autour de No\u00ebl, qui risquent d'embrouiller le mod\u00e8le. Nous pourrions \u00e9galement filtrer certains jours particuliers, et ainsi former facilement des mod\u00e8les distincts pour la semaine et les week-ends, car ils semblent \u00eatre associ\u00e9s \u00e0 des comportements d'achat diff\u00e9rents. D'autres options de filtrage et de r\u00e9\u00e9chantillonnage sont \u00e9galement disponibles, au cas o\u00f9 elles seraient pertinentes pour le probl\u00e8me en question.<\/p>\n<\/div>

Les hyperparam\u00e8tres Prophet peuvent \u00e9galement \u00eatre r\u00e9gl\u00e9s pour aider le mod\u00e8le \u00e0 mieux s'adapter au data. Ces param\u00e8tres influencent la fa\u00e7on dont l'estimateur apprend \u00e0 repr\u00e9senter la tendance et les saisonnalit\u00e9s des ventes historiques, ainsi que le poids relatif de ces composantes dans la pr\u00e9vision globale. Ne vous inqui\u00e9tez pas si vous n'\u00eates pas familier avec les mod\u00e8les Prophet, certaines infobulles expliquent l'intuition derri\u00e8re chaque param\u00e8tre et vous guident tout au long du processus de r\u00e9glage. Dans la section de mod\u00e9lisation, vous pouvez \u00e9galement alimenter le mod\u00e8le avec des informations externes telles que des vacances ou des variables li\u00e9es au signal \u00e0 pr\u00e9voir (comme le prix de vente des produits par exemple). Ces r\u00e9gresseurs sont susceptibles d'am\u00e9liorer les performances car ils apportent au mod\u00e8le des connaissances suppl\u00e9mentaires sur un ph\u00e9nom\u00e8ne qui a un impact sur les ventes.<\/p>\n<\/div>

Interpr\u00e9tabilit\u00e9 des pr\u00e9visions<\/h3><\/div>

Disposer d'un mod\u00e8le de pr\u00e9vision pr\u00e9cis est une bonne chose, mais \u00eatre capable d'expliquer les principaux facteurs qui contribuent \u00e0 ses pr\u00e9dictions est encore mieux. La derni\u00e8re section de l'application vise \u00e0 nous aider \u00e0 comprendre comment le mod\u00e8le que nous venons de construire prend ses d\u00e9cisions. Il y a diff\u00e9rentes fa\u00e7ons d'aborder cette question : nous pouvons soit examiner une seule composante et voir comment sa contribution aux pr\u00e9visions globales \u00e9volue dans le temps, soit prendre une seule pr\u00e9vision et la d\u00e9composer en la somme des contributions de plusieurs composantes.<\/p>\n<\/div>

Commen\u00e7ons par la premi\u00e8re option. Les diff\u00e9rentes composantes qui influencent les pr\u00e9visions sont la tendance, les saisonnalit\u00e9s et les r\u00e9gresseurs externes. Nous avons d\u00e9j\u00e0 observ\u00e9 l'impact des saisonnalit\u00e9s hebdomadaires et annuelles, alors concentrons-nous sur les r\u00e9gresseurs externes que nous avons inclus dans la section d'optimisation du mod\u00e8le : les vacances et le prix de vente des produits.<\/p>\n<\/div>

<\/span><\/div>

L'impact de certains jours f\u00e9ri\u00e9s est assez important : par exemple, la f\u00eate du travail augmente les pr\u00e9visions de 50 ventes chaque ann\u00e9e au d\u00e9but du mois de septembre, et les baisses \u00e0 No\u00ebl montrent que le mod\u00e8le a pris en compte le fait que les magasins ferment ce jour-l\u00e0. Quant au prix, il a augment\u00e9 d'ann\u00e9e en ann\u00e9e et son impact sur les ventes est donc pass\u00e9 de positif \u00e0 n\u00e9gatif.<\/p>\n<\/div>

Il peut \u00e9galement \u00eatre utile d'expliquer comment le mod\u00e8le a produit une pr\u00e9vision sp\u00e9cifique, en particulier lorsqu'un \u00e9v\u00e9nement particulier influence la pr\u00e9vision. Le graphique en cascade suivant montre cette d\u00e9composition pour la pr\u00e9vision faite le 31 octobre 2012.<\/p>\n<\/div>

<\/span><\/div>

Dans cet exemple, le mod\u00e8le a fini par pr\u00e9voir 96 ventes, ce qui correspond \u00e0 la somme des contributions de cinq composants diff\u00e9rents :<\/p>\n<\/div>