Prévision d’un processus à valeurs fonctionnelles en présence de non stationnarités. Application à la consommation d’électricité Article - 2012

Anestis Antoniadis, Xavier Brossat, Jairo Cugliari, Jean-Michel Poggi

Anestis Antoniadis, Xavier Brossat, Jairo Cugliari, Jean-Michel Poggi, « Prévision d’un processus à valeurs fonctionnelles en présence de non stationnarités. Application à la consommation d’électricité  », Journal de la Société Française de Statistique, 2012, pp. 57-78. ISSN 1962-5197

Nous traitons le problème de la prévision d’un processus stochastique à valeurs fonctionnelles. Nous commençons par étudier le modèle proposé par Antoniadis et al. (2006) dans le cadre d’une application pratique -la demande d’énergie électrique en France- où l’hypothèse de stationnarité semble ne pas se vérifier. Le caractère non stationnaire est double : d’une part, le niveau moyen de la série change dans le temps, d’autre part il existe des groupes dans les données qui peuvent être vus comme des classes de stationnarité. Nous explorons diverses variantes et corrections qui améliorent la performance de prédiction. Les corrections visent à prendre en compte la présence de ces caractéristiques non stationnaires. En particulier, pour prendre en compte l’existence de groupes, nous avons contraint le modèle de prévision à n’utiliser que les données qui appartiennent au même groupe que celui de la dernière observation disponible. Si le groupe est connu, un simple post-traitement suffit pour obtenir des meilleures performances de prédiction.

We study here the problem of predicting a functional valued stochastic process. We first explore the model proposed by Antoniadis et al. (2006) in the context of a practical application -the french electrical power demand- where the hypothesis of stationarity may fail. The departure from stationarity is twofold : an evolving mean level and the existence of groups that may be seen as classes of stationarity. We explore some corrections that enhance the prediction performance. The corrections aim to take into account the presence of these nonstationary features. In particular, to handle the existence of groups, we constraint the model to use only the data that belongs to the same group of the last available data. If one knows the grouping, a simple post-treatment suffices to obtain better prediction performances.

Voir la notice complète sur HAL

Actualités