• Automatique

  Par défaut, l’instance choisit automatiquement la meilleure méthode pour vous, en fonction de l’ajustement de la méthode. Pour plus d'informations, consultez Automatic selection of forecast methods.

• Linéaire

  Génère une prévision de régression linéaire basée sur les scores historiques, en utilisant constante et tendance comme variables explicatives.

• Saisonnier

  Génère une prévision de régression linéaire basée sur les scores historiques, en utilisant des variables fictives saisonnières comme variables explicatives. Une « saison » pour cette analyse est une période.

• Tendance saisonnière

  Comme saisonnier, mais inclut une tendance comme variable explicative.

• Tendance saisonnière basée sur Loess (STL)

  Génère une prévision saisonnière en fonction d’une fonction la mieux adaptée. Cette méthode adapte une tendance, une saison et un processus de bruit aléatoire aux données en utilisant une approche de moyenne mobile à pondération exponentielle. Les prévisions sont basées sur l’ensemble des données, avec plus de poids accordé aux observations plus récentes.

• Forêt aléatoire (RF)

  Crée une combinaison d’arborescences de décision où la moyenne des prédictions produites par ces arbres est calculée pour obtenir une seule prédiction. Le caractère aléatoire provient du fait que chaque arbre est construit à partir d’un sous-ensemble aléatoire de données et d’entrées disponibles.

• Auto-régressif (AR)

  Le modèle autorégressif (AR) prévoit les valeurs futures d’un indicateur en utilisant une combinaison linéaire d’une tendance, de variables indicatrices saisonnières et de valeurs passées. Comme le modèle de forêt aléatoire (RF), le modèle AR vérifie le meilleur nombre de décalages. Cependant, le modèle AR relie linéairement les valeurs actuelles aux valeurs passées, tandis que le modèle RF n’est pas linéaire.

Pour plus d'informations, consultez Forecast methods.

• Brouillon
• En cours
• Publiés