Projet de fin d'étude : Prédiction à base d’algorithmes à séries temporelles : ARIMA ET RÉGRESSION LINÉAIRE.

Etudiant : EL GARTI MAROUAN

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. BOUMHIDI JAOUAD

Annèe : 2023

Résumé : En résumé, le modèle ARIMA (moyenne mobile intégrée autorégressive) et le modèle de la régression linéaire sont deux méthodes couramment utilisées pour prévoir les tendances temporelles des données. ARIMA est un modèle statistique qui tient compte des éléments de tendance et de bruit dans les séries chronologiques. Il utilise des calculs complexes pour régler les paramètres du modèle et faire des prévisions. L'ARIMA est souvent utilisé en présence de tendances non linéaires dans les données. Par ailleurs, la régression linéaire est un modèle plus simple qui repose sur une relation linéaire entre la variable dépendante et les variables indépendantes. On l'utilise souvent quand les données ont une tendance linéaire et ne présentent pas de tendances saisonnières significatives. Ces deux approches présentent des avantages et des limitations. ARIMA convient mieux aux données complexes avec des modèles non linéaires, mais il peut être plus difficile à mettre en œuvre et à interpréter. La régression linéaire est plus simple et plus facile à comprendre, mais elle peut être moins exacte pour les données dont les modèles sont plus complexes. Globalement, le choix entre l'ARIMA et la régression linéaire dépend des caractéristiques des données et des objectifs prévus. Il est souvent recommandé d'examiner et de comparer le rendement des deux méthodes afin de choisir la meilleure pour chaque cas particulier. En outre, il est important de souligner que la qualité des prévisions dépend aussi de la qualité des données disponibles et de la période de prévision désirée.