WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Evaluation de la dynamique spatio-temporelle de l'évolution de la covid a Libreville par une approche machine learning


par Bakari RAMADANE
Institut Africain d’Informatique - Diplôme d’Ingénieur Informaticien 0000
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

CHAPITRE VI:l'étude de l'algorithme facebook prophet et conception du modèle de prédiction

Ce chapitre sera principalement axé sur la présentation du mode de fonctionnement de l'algorithme Facebook prophet, puis de concevoir le modèle prédictif.

17. Principe détaillé du fonctionnement de Facebook prophet.

La procédure Prophet est une méthode de régression additive qui appartient à la famille des modèles additifs avec les composants et la forme fonctionnelle suivants :

Où :

· g(t) capture la tendance dans la série chronologique, c'est-à-dire qu'il modélise les changements non périodiques dans la série chronologique.

· s(t) capture la saisonnalité de la série chronologique, La saisonnalité représente les changements périodiques que soit journalière, hebdomadaire, mensuelle ou même annuelle dans la série chronologique.

· f(t) capture les vacances ou les événements spéciaux dans la série chronologique et,

· åt est un terme d'erreur irréductible.

a) Modélisation de la tendance g(t)

La tendance peut être modélisée de deux manières différentes dans Prophet, soit par un modèle linéaire par morceaux, soit par un modèle de croissance exponentielle.

Le modèle linéaire par morceaux est donné par :

Où :

· le taux de croissance est désigné par k,

· les ajustements de taux sont désignés par ä,

· ã est un ensemble pour rendre la fonction continue et,

· m est un paramètre de décalage.

Le modèle de croissance exponentielle est donné par :

· C : est la capacité de charge,

· K : est le taux de croissance et,

· m : est un paramètre de décalage.

b) Modélisation de la saisonnalité

La saisonnalité est modélisée avec des séries de Fourier. Les effets saisonniers sont approximés par :

Où P est une période régulière attendue dans les données.

L'ajustement des composantes saisonnières nécessite l'estimation de a1, . . . , aNet b1, . . . , bN...

c) Modélisation des vacances

Les jours fériés sont modélisés par une fonction indicatrice. Supposons que L est le nombre de jours fériés imputé, alors :

La méthode Prophet utilise une technique d'ajustement de courbe pour l'ajustement des séries chronologiques.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Un démenti, si pauvre qu'il soit, rassure les sots et déroute les incrédules"   Talleyrand