Prevision de series temporelles par techniques locales d'apprentissage

Forecast of time serieses by local techniques of training

• Auteur / Autrice : Didier Girard
• Direction : Hélène Paugam-Moisy
• Type : Thèse de doctorat
• Discipline(s) : Sciences appliquées
• Date : Soutenance en 1997
• Etablissement(s) : Lyon, École normale supérieure (sciences)

Résumé

Cette these est consacree a l'application des techniques locales a la prevision de series temporelles. La prevision de series temporelles est un probleme traite depuis longtemps par les methodes statistiques classiques. Recemment des techniques statistiques non parametriques tels que les reseaux de neurones ont ete utilisees. Toutes ces techniques, classiques ou non-classiques, envisagent une approche en deux temps : modelisation de la serie temporelle, utilisation du modele estime pour realiser des previsions. L'inconvenient majeur de cette approche est de transformer un probleme que l'on peut qualifier de simple, l'estimation d'une fonction en un point donne, en un probleme complique, la modelisation d'une fonction. Partant de ce constat, nous avons mis au point une technique qui permet d'eviter la phase de modelisation de la serie temporelle. Cette technique est basee sur les techniques de regression locale. Les techniques de regression locale, tres allechantes au niveau theorique, sont pour des raisons pratiques peu utilisees. En nous aidant des dernieres avancees de vapnik en matiere de theorie de l'apprentissage, nous avons pu depasser ces contraintes pratiques. Ceci nous a permis de mettre au point une methode permettant de faire de la prevision de serie temporelle par estimation locale de fonctions. Cette methode a ete appliquee avec succes sur une serie temporelle etalon. Elle a ensuite ete appliquee a des series temporelles de la societe atos. Contrairement a la mouvance actuelle qui cherche a ameliorer les performances des outils de previsions par la complexification des techniques utilisees, ce travail permet d'affirmer que cette voie n'est pas toujours la bonneet qu'il peut, au contraire, etre pertinent de choisir la simplification.