Veuillez utiliser cette adresse pour citer ce document : http://dspace.univ-tiaret.dz:80/handle/123456789/13461
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorBRAHIM, Abderrahmane-
dc.contributor.authorBENSAADIA, Mohamed-
dc.date.accessioned2023-10-19T08:08:23Z-
dc.date.available2023-10-19T08:08:23Z-
dc.date.issued2023-06-
dc.identifier.urihttp://dspace.univ-tiaret.dz:80/handle/123456789/13461-
dc.descriptionImproving 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.en_US
dc.description.abstractL’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 .en_US
dc.language.isofren_US
dc.publisherUniversité Ibn Khaldounen_US
dc.subjectseries forecasting modelsen_US
dc.subjectModèle hybrideen_US
dc.subjectséries chronologiquesen_US
dc.titleModèle hybride pour la prévision de séries chronologiquesen_US
dc.typeThesisen_US
Collection(s) :Master

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
TH.M.INF.2023.24.pdf10,26 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.