Explorez le concept de prédictions conformes appliqué au domaine de la prévision de séries chronologiques et implémentez-le en Python
Considérez la tâche de prévision des volumes d'appels dans un centre d'appels. Les prédictions jouent un rôle primordial, car elles éclairent l'allocation budgétaire et la planification des effectifs (si davantage d'appels sont attendus, davantage d'agents devraient être disponibles pour répondre).
Nous construisons donc un modèle de prévision et rapportons que la semaine prochaine, le centre recevra 2 451 appels.
Bien entendu, toute prévision de l’avenir s’accompagne d’erreurs et d’incertitudes. Mais comment pouvons-nous le quantifier ?
La réponse logique consiste à utiliser intervalles de prédiction. De cette façon, nous pouvons rapporter une gamme de valeurs futures possibles avec un certain niveau de confiance.
Bien qu'il existe de nombreuses méthodes pour calculer les intervalles de prédiction, elles ne sont pas applicables à tous les modèles et reposent souvent sur une distribution particulière.
Cela pose deux problèmes majeurs. Premièrement, l’hypothèse de distribution peut ne pas être valable dans certains scénarios. Deuxièmement, nous pouvons être limités dans notre choix de techniques de modélisation.
Par exemple, il n’existe pas de moyens simples de mesurer les intervalles de prédiction pour les réseaux de neurones, mais ces modèles peuvent éventuellement générer de meilleures prédictions.
C'est ici que prédictions conformes Ils représentent une méthode de quantification de l’incertitude dans les prévisions qui est à la fois sans modèle et sans distribution.
Dans cet article, nous explorons d’abord l’idée générale derrière les prédictions conformes et découvrons les EnbPI méthode de prévision de séries chronologiques. Enfin, nous l'appliquons dans un petit exercice de prévision.
Apprenez les dernières techniques d'analyse de séries chronologiques avec mon aide-mémoire gratuit pour les séries chronologiques en Python ! Bénéficiez de la mise en œuvre de techniques statistiques et d'apprentissage profond, le tout en Python et TensorFlow !
Commençons!
