Modèle hybride pour la prévision de séries chronologiques

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 .