Contexte Métier
Un fournisseur d'énergie doit modéliser la demande d'électricité horaire d'une métropole pour anticiper les pics de consommation. Le volume de données est très important (plusieurs années de données horaires). Le test vise à évaluer la performance de l'action `arima` sur un grand jeu de données et sa capacité à gérer des saisonnalités multiples (journalière, hebdomadaire).
À propos du Set : uniTimeSeries
Analyse et prévision de séries temporelles univariées.
Découvrir toutes les actions de uniTimeSeries Préparation des Données
Création d'une table de consommation horaire sur 3 ans (environ 26 000 observations) avec des saisonnalités journalière (24h) et hebdomadaire (168h).
Copié !
| 1 | DATA casuser.conso_horaire_large; |
| 2 | DO t = 0 to 26303; |
| 3 | datetime_horaire = '01JAN2022:00:00:00'dt + t*3600; |
| 4 | heure_jour = hour(datetime_horaire); |
| 5 | jour_semaine = weekday(datepart(datetime_horaire)); |
| 6 | saison_jour = sin(heure_jour * 2 * constant('pi') / 24); |
| 7 | saison_semaine = cos(jour_semaine * 2 * constant('pi') / 7); |
| 8 | tendance = t * 0.01; |
| 9 | consommation = 500 + tendance + 50*saison_jour + 30*saison_semaine + rannor(54321)*20; |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | FORMAT datetime_horaire datetime20.; |
| 13 | RUN; |
Étapes de réalisation
1
Chargement de la table volumineuse dans la session CAS.
Copié !
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=casuser.conso_horaire_large outcaslib='casuser' casout='conso_horaire_large' replace; |
| 5 | RUN; |
| 6 |
2
Exécution d'un modèle ARIMA avec différenciations multiples (horaire, journalière) sur la table volumineuse. Le nombre de threads est spécifié pour tester la parallélisation.
Copié !
| 1 | PROC CAS; |
| 2 | uniTimeSeries.arima TABLE={name='conso_horaire_large'}, |
| 3 | timeId={name='datetime_horaire'}, |
| 4 | interval='hour', |
| 5 | nThreads=4, |
| 6 | series={{name='consommation', model={{estimate={diff={1, 24}, p=1, q=1}, forecast={lead=48}}}}}, |
| 7 | outFor={name='previsions_conso', replace=true}; |
| 8 | RUN; |
Résultat Attendu
L'action doit traiter le grand volume de données sans échouer et dans un temps de réponse raisonnable, démontrant sa scalabilité. Une table de prévisions (`previsions_conso`) pour les 48 prochaines heures doit être générée. Le log SAS doit indiquer que l'action a bien utilisé plusieurs threads si l'environnement le permet. Le modèle doit capturer les dynamiques complexes de la série.