AI 용어집
인공지능 완전 사전
Décomposition additive
Méthode analytique séparant une série temporelle en composantes indépendantes (tendance, saisonnalité, résidus) selon une relation additive où y(t) = g(t) + s(t) + h(t) + ε(t).
Points de changement
Moments automatiquement détectés où le taux de croissance de la tendance change significativement, permettant de capturer des changements structurels dans les données sans intervention manuelle.
Tendance logistique
Modélisation de croissance saturée avec une capacité maximale, utilisant une fonction sigmoïde pour représenter des phénomènes qui plafonnent naturellement dans le temps.
Effets calendaires
Impact spécifique des jours particuliers (fériés, événements exceptionnels) sur les prévisions, modélisé par des régresseurs additionnels avec effets avant et après chaque date calendaire.
Incertitude de prédiction
Intervalle de confiance généré par simulation de Monte Carlo intégrant l'incertitude sur les paramètres de tendance, la saisonnalité et les observations bruitées pour quantifier la fiabilité des prévisions.
Régression piecewise linéaire
Approche modélisant la tendance comme une série de segments linéaires connectés aux points de changement, permettant une flexibilité locale tout maintenant la simplicité interprétative.
Séries de Fourier
Représentation mathématique de la saisonnalité utilisant des combinaisons de sinus et cosinus avec différentes fréquences, permettant une approximation flexible des schémas cycliques réguliers.
Saisonnalité hebdomadaire
Composante cyclique de période 7 jours capturant les patterns récurrents semaine après semaine, modélisée par défaut avec 3 paires de termes de Fourier pour équilibre flexibilité/régularité.
Saisonnalité annuelle
Pattern cyclique de 365.25 jours capturant les variations saisonnières annuelles, configurable en nombre de termes de Fourier selon la complexité des données (10 par défaut).
Cross-validation temporelle
Méthode d'évaluation spécifique aux séries temporelles où les ensembles d'entraînement et test respectent l'ordre chronologique, utilisant des fenêtres glissantes pour évaluer la performance prédictive.
Priors bayésiens
Distributions a priori sur les paramètres du modèle (Laplace pour la tendance, Normal pour la saisonnalité) servant à régulariser l'estimation et prévenir le surajustement aux données bruitées.
Capacité de saturation
Paramètre de la tendance logistique définissant la valeur maximale asymptotique que la série temporelle peut atteindre, essentiel pour modéliser des marchés avec saturation naturelle.
Multiplicateur de saisonnalité
Paramètre ajustant l'amplitude relative de la composante saisonnière par rapport à la tendance, permettant de contrôler l'importance des effets cycliques dans le modèle final.