La pr ediction des s eries chronologiques (mod eles classiques et mod eles bas es sur Deep-Learning)

Abstract

L'analyse et la pr evision des s eries temporelles (Time series analysis and forecasting) est la t^ache de pr edire les valeurs futures d'une s equence donn ee a l'aide de donn ees historiques. R ecemment, cette t^ache a attir e l'attention des chercheurs dans le domaine de l'apprentissage automatique pour r epondre aux limites des m ethodes de pr evision traditionnelles, chronophages et complexes comme les mod eles ARIMA (Auto Regressive Integrated Moving Averages). Avec le la disponibilit e croissante de grandes quantit es de donn ees historiques ainsi que la n ecessit e d'e ectuer des pr evisions de production pr ecises, en particulier une technique de pr evision puissante induit la d ependance stochastique entre valeurs pass ees et futures est hautement n ecessaire. Dans cette th ese de master, on va faire le tour sur l'analyse des s eries chronologiques et les di erentes caract eristiques de ces derniers, puis on va d e nir les mod eles traditionnels comme ARMA et ARIMA. Par la suite on va explorer quelques techniques r ecentes qui sont bas ees sur l'apprentissage approfondie (deep-learning) tels que RNN (Reccurent Neural Networks) et LSTM (Long Short-Term memory). On va cl^oturer cette th ese par une etudes comparative entre ARIMA qui englobe tous les mod eles traditionnels (AR Auto Regressive , MA Moving Averages , ARMA Auto Regressive Moving Averages) et LSTM qui est une extension des r eseaux de neurones r ecurrents.