ARIMA et boosting temporel

Naive saisonnier d'abord

Répéter t-saison bat souvent les gros modèles mal réglés. Puis ARIMA (autorégressif + différenciation + moyenne mobile, ordres p/d/q sur validation) et ETS (lissage exponentiel tendance-saison) pour tendance-saison, puis boosting sur lags + calendrier avec validation déroulante. Le deep ne vient qu'après ces trois baselines battues avec marge.

# naive saisonnier : y_pred[t] = y[t-24] en horaire ; boosting sur lags via pipeline temporel

Coût

ARIMA interprétable et sobre, boosting robuste aux exogènes, deep gourmand et fragile en petit historique. À horizon court et série stable, restez simple.