Mise en route (blocs-notes Python)

Explicabilité au niveau de l'élément : découvrez comment les attributs de l'ensemble de données influent sur les prévisions pour des séries chronologiques et des points temporels spécifiques.

Comparaison de plusieurs modèles : créez des prédicteurs à l'aide de Prophet, ETS et Deepar+, et comparez leurs performances en visualisant les résultats.

Prévisions de démarrage à froid : utilisez les métadonnées des éléments et l'algorithme DeePar+ pour prévoir les scénarios de démarrage à froid (lorsqu'il y a peu ou pas de données historiques).

Incorporation d'ensembles de données chronologiques connexes : utilisez des ensembles de données de séries chronologiques connexes pour améliorer la précision de votre modèle.

Incorporation des métadonnées des articles : utilisez les métadonnées des éléments pour améliorer la précision de votre modèle.

Utilisation de l'indice météorologique - Utilisez l'indice météorologique pour intégrer des informations météorologiques historiques et prévisionnelles lors de l'entraînement de vos prédicteurs.

Réalisation d'une analyse hypothétique : explorez différents scénarios de tarification et évaluez leur impact sur la demande.

Évaluez la précision au niveau des articles : exportez les statistiques et les prévisions des backtests et évaluez les performances de votre prédicteur au niveau de l'article.