Comment prévoir une série 01 Charger la série. Collez des nombres séparés par des espaces, des virgules ou des retours à la ligne, cliquez sur une démo, ou tirez un vecteur ou une colonne de tableau de l’espace de données ; huit points finis est le minimum. 02 Lire le contrôle. La ligne de saison nomme la meilleure période m et sa force (en dessous de 0.3 signifie pas de saisonnalité nette), et le graphique ACF place les premiers décalages face à la bande de bruit blanc en pointillés ±1.96/√n. 03 Lancer la course des modèles. Le backtest glissant met de côté les derniers points, réajuste sur chaque préfixe et classe la MAE à un pas entre naïf, dérive, SMA, EWMA, tendance linéaire et (quand une période saisonnière est fixée) Holt-Winters ; MAPE et RMSE sont à côté, avec une ligne sur le gagnant. 04 Prévoir. Fixez l’horizon h (1 à n), forcez éventuellement un modèle, modifiez la période m et basculez entre saisonnalité additive ou multiplicative (la multiplicative n’apparaît que si toutes les valeurs sont positives). Les cartes indiquent la valeur du pas suivant, son intervalle à 95 % et le σ résiduel ; un h supérieur à n/2 déclenche un avertissement d’extrapolation. 05 Transmettre les chiffres. Publiez une carte, ou envoyez le tableau et les points de prévision à l’espace de données ou à la calculatrice graphique . Lectures travaillées Chaque chiffre vient des deux boutons de démo ; le même collage les reproduit.
Étape
Entrée
Lecture
Contrôle
Chiffre d’affaires trimestriel, 20 points
Saison m = 4 , force 0.97 ; ACF décalage 1 0.6531 contre la bande de bruit blanc ±0.4383
Course
même série, hold = 4
Holt-Winters MAE 1.1876 (MAPE 0.771% , RMSE 1.3131 ) ; tendance linéaire 8.9719 ; SMA 9.5 ; EWMA 10.908 ; naïf 11.75 ; dérive 11.998
Prévision
gagnant, h = 4
Pas suivant 174.318 , intervalle à 95 % 171.23 … 177.41 , σ résiduel 1.5756 ; pas suivants 157.470501 , 153.500074 , 170.755617
Contrôle
Actifs mensuels, 12 points
Saison m = 2 , force 0.644 ; la course place la linéaire 0.26427 juste devant Holt-Winters 0.27457
Prévision
linéaire, h = 2
28.9197 puis 30.9022 ; intervalle du pas 1 28.473 … 29.366 , σ résiduel 0.22785
La ligne de course indique « MAE 1.188 vs runner-up 8.972 » ; les quatre moyennes trimestrielles totalisent 656.044109 contre 599 pour la dernière année réelle.
Six modèles dans une course Le naïf répète la dernière valeur, la dérive ajoute la pente moyenne, la SMA moyenne une fenêtre, l’EWMA lisse exponentiellement, la tendance linéaire ajuste une droite OLS, et Holt-Winters suit niveau, tendance et saison. Les paramètres α, β et γ de Holt-Winters sont recherchés en grille sur cinq valeurs chacun — la meilleure de 125 combinaisons, pas un MLE. Les intervalles sont la RMS des résidus à un pas dans l’échantillon, élargie par √k : σ = 1.5756 donne des demi-largeurs de 3.088 au pas 1, 6.176 au pas 4 et 10.24 au pas 11. La course se décide sur la queue mise de côté.
Hypothèses et limites
La réponse hérite de la série et des réglages. Les points sont supposés équidistants ; les intervalles sont des approximations normales des résidus ±1.96·σ·√k, pas des intervalles analytiques, et l’élargissement √k est une règle de marche aléatoire. Une série constante met tous les modèles à égalité à MAE 0 (le naïf gagne par ordre d’affichage), et un horizon supérieur à la moitié de l’historique est signalé mais tout de même calculé. Ce qu’il ne fait pas : pas d’ARIMA, pas de variable explicative, pas de test de saisonnalité plus complet, pas de traitement des ruptures structurelles — l’historique est extrapolé mécaniquement. Pour les résumés et les tests d’hypothèses, utilisez Statistiques ; pour la puissance, les cartes de contrôle et les données de vie, utilisez Statistiques appliquées . La période saisonnière conditionne la course Sur la démo mensuelle, le détecteur trouve m = 2 (force 0.644) alors que le bouton n’indique que tendance, donc Holt-Winters est admis et perd d’un cheveu : 0.26427 pour la linéaire contre 0.27457 . Tapez 4 dans Saison m et les mêmes données couronnent Holt-Winters à 0.19618 . Ajoutez un treizième mois à 28.5 et la course automatique bascule aussi : Holt-Winters 0.28117 contre linéaire 0.36741 . Sur la démo trimestrielle, le 1.1876 gagnant exige m = 4 ; sans période exploitable, la meilleure MAE est 8.9719 . La période fixe aussi l’horizon par défaut (4 trimestres ici, 2 mois en mensuel). Notez-la, sinon le modèle change sous la prévision.
Où ça s’inscrit Planifier les quatre prochains trimestres La démo de chiffre d’affaires répond à la question de l’assistant : prochain trimestre 174.318 , un total de quatre trimestres de 656.044109 contre 599 pour la dernière année réelle, et un intervalle à 95 % en fin de période de 171.23 … 177.41 .
Dimensionner la capacité à partir d’une tendance mensuelle La démo d’actifs monte de 28.9197 à 30.9022 en deux mois et atteint 50.7274 au mois 12 ; l’intervalle du pas 1 28.473 … 29.366 est assez serré pour le personnel, tandis que les pas lointains portent des demi-largeurs de 0.4466 à 1.547 et un avertissement h > n/2.
Vérifier une prévision qu’on vous remet Si le naïf ou la dérive battent le modèle proposé, le chiffre demande plus de preuves ; le graphique ACF montre si la structure dépasse la bande de bruit blanc. Gardez la série dans l’espace de données .
Confidentialité L’analyse, la détection de saison, le backtest et la prévision s’exécutent dans votre navigateur ; rien de ce que vous collez n’est téléversé.
Références
Hyndman, R.J. et Athanasopoulos, G., Forecasting: Principles and Practice , 3e éd., otexts.com （访问日期：2026-10-01）— backtesting, erreur de holdout et évaluation des prévisions.
Hyndman, R.J. et Athanasopoulos, G., Forecasting: Principles and Practice , 3e éd., Chapitre 8, otexts.com （访问日期：2026-10-01）— lissage exponentiel, Holt-Winters et saisonnalité additive vs multiplicative.
NIST/SEMATECH, e-Handbook of Statistical Methods , §6.4.3 Qu’est-ce que le lissage exponentiel ?, itl.nist.gov （访问日期：2026-10-01）— constantes de lissage et erreur de prédiction à un pas.
Wikipedia, Autocorrelation , en.wikipedia.org （访问日期：2026-10-01）— ACF, structure des décalages et bandes de bruit blanc.
Wikipedia, Prediction interval , en.wikipedia.org （访问日期：2026-10-01）— la différence entre intervalles de prédiction et de confiance.
本页计算器
精选工具,点开即用;小工具可直接试算,数值会带入完整计算器。
来源与审阅
更新 2026-10-01 Hyndman, R.J. et Athanasopoulos, G., Forecasting: Principles and Practice, 3e éd., OTexts — Chapitre 5, La boîte à outils du prévisionniste (accessed 2026-10-01) Hyndman, R.J. et Athanasopoulos, G., Forecasting: Principles and Practice, 3e éd., OTexts — Chapitre 8, Lissage exponentiel (accessed 2026-10-01) NIST/SEMATECH e-Handbook of Statistical Methods, §6.4.3 Qu’est-ce que le lissage exponentiel ? (accessed 2026-10-01) Wikipedia : Autocorrélation (accessed 2026-10-01) Wikipedia : Intervalle de prédiction (accessed 2026-10-01)