Please use this identifier to cite or link to this item: http://dspace.univ-tiaret.dz:80/handle/123456789/13461
Title: Modèle hybride pour la prévision de séries chronologiques
Authors: BRAHIM, Abderrahmane
BENSAADIA, Mohamed
Keywords: series forecasting models
Modèle hybride
séries chronologiques
Issue Date: Jun-2023
Publisher: Université Ibn Khaldoun
Abstract: L’amélioration de la précision de la prévision des séries temporelles est un domaine de recherche actif. Plusieurs modèles et techniques ont été propos´es pour améliorer les performances des modèles et accroˆıtre la précision des prévisions. Ce travail propose deux nouveaux mod`eles hybrides d’apprentissage profond appliqués `a la prévision directe `a plusieurs pas en avant des séries temporelles. Il s’agit d’une combinaison de Convolutional Neural Network, de Gated Recurrent Unit network (GRU) et de Deep Temporal Convolutional Network (TCN), ainsi que d’une hybridation de Convolutional Neural Network, de Long-Short Term Memory network (LSTM) et de Graph Neural Network (GNN). Les deux architectures ont ´été testées sur trois types de datasets diff´erents et compar´ees `a une collection de onze mod`eles de l’´etat de l’art. Nos nouveaux mod`eles ont surpassé les modèles de référence selon quatre m´etriques dévaluation. Cette ´etude comparative démontre la supériorité des modèles hybrides par rapport aux approches individuelles de prévision des séries temporelles .
Description: Improving time series forecasting accuracy is an active area of research, several models and techniques have been proposed to enhance models performance and improve forecasts accuracy, this work proposes two novel hybrid deep learning models applied for direct multi-step ahead time series forecasting, a combination of Convolutional Neural Network (CNN), Gated Recurrent and Deep Temporal Convolutional Network (TCN), and a hybridization of Convolutional Neural Network (CNN), Long-Short Term Memory network (LSTM) and Graph Neural Network (GNN) were proposed, both architectures were tested on three different types of datasets and were compared to a collection of eleven state-of-the-art models. Our novel models outperformed the baseline models according to four evaluation metrics. This comparative study demonstrates the superiority of hybrid models over individual approaches to time series forecasting.
URI: http://dspace.univ-tiaret.dz:80/handle/123456789/13461
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
TH.M.INF.2023.24.pdf10,26 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.