Ce document présente notre objectif, l’approche générale, la liste des fonctions et les méthodes principales, sous une forme brève et graphique.

Nous utilisons actuellement le pire cas des prévisions de jours avant 90 % et 100 % de la capacité d’un pool dans les tables de capacité des pools de stockage. Les valeurs du pire cas de ces tables sont calculées chaque jour à minuit.

Les graphes de prévision comprennent les tendances linéaires classiques par moindres carrés, ainsi que plusieurs modèles de prévision avancés.
Les modèles les plus simples et les plus performants reposent sur l’extrapolation saisonnière et sur l’élimination des valeurs statistiques aberrantes.

L’approche employée pour l’extrapolation saisonnière est signalée par un mot-clé dans le nom :

• robust : limite l’effet des mouvements aléatoires brusques dans les données
• reactive-robust : limite l’effet des mouvements aléatoires brusques et construit l’extrapolation sur des tendances réactives
• reactive : donne la priorité aux comportements les plus récents

Les saisons par défaut sont quotidienne, hebdomadaire et mensuelle.

Les autres mots-clés employés sont :

• clean : indique que le modèle emploie directement une approche de retrait des valeurs aberrantes de la série temporelle d’origine
• reactive trends : tendances donnant la priorité aux valeurs les plus récentes

Lorsque nous employons une méthode statistique ou d’apprentissage automatique bien connue, la description en donne les éléments d’identification suffisants.

Guide des méthodes

Le guide qui suit doit donner une compréhension intuitive des deux méthodes principales, l’extrapolation saisonnière et la détection puis le retrait des valeurs aberrantes.

Extrapolation saisonnière

Toutes les méthodes d’extrapolation de base sont en principe très simples : nous transformons la série temporelle d’entrée par des méthodes de décomposition saisonnière précises, nous calculons les interpolations saisonnières, puis nous extrapolons chaque composante sous les conditions propres au modèle. Nous les combinons enfin en un résultat final.

Vous pouvez voir cette approche à l’œuvre sur l’extrapolation hebdomadaire reactive-robust :

Détection et retrait des valeurs aberrantes

L’autre notion importante à comprendre est la méthode de nettoyage des extrêmes statistiques. Les étapes de l’algorithme le plus simple sont les suivantes :

La méthode par défaut applique la règle des 3 sigmas sur la série différenciée pour retirer les valeurs les plus extrêmes. Si un modèle emploie un autre algorithme de nettoyage, nous l’indiquons dans sa description.

Notez que tous les tracés ont été produits avec la bibliothèque Python Matplotlib.