Les algorithmes de Machine Learning pour la prévision des séries temporelles -Partie II

Introduction

• 
  Par ANDRIANANTENAINARINORO Oely Hasina

  [email protected]

Dire que quelque chose a été appris ne signifie pas seulement que cette chose a été saisie et stockée, comme c’est le cas pour les données dans une base de données — elle doit être représentée d’une manière qui peut être mise à profit » (Kaplan, 2017). D’où l’apparition et l’importance de l’apprentissage automatique (machine learning) à l’heure actuelle. La naissance de l’Intelligence Artificielle (IA)a montré la compréhension des chercheurs sur l’importance de l’apprentissage et de la possibilité de le faire progresser grâce aux nouvelles technologies. Dans cet article, nous allons nous concentrer sur les différentes approches utilisées pour prédire la série temporelle.En effet, l’étude des séries temporelles consiste à analyser des données numériques mesurées à des intervalles réguliers dans le temps. Cette méthode a été utilisée dans de nombreux domaines, notamment en astronomie (on the periodicity of sunspots, 1906), en météorologie (time-series regression of sea level on weather, 1968), en théorie du signal (Noise in FM receivers, 1963), en biologie (the autocorrelation curves of schizophrenic brainwaves and the power spectrum, 1960), en économie (time-series analysis of imports, exports and other economic variables, 1971), etc. Les modèles ou algorithmes de prévision des séries temporelles peuvent toucher entre autres des domaines plus spécifiques de l’humanité tels que : la consommation d’électricité, le cours du pétrole, la population, le rythme cardiaque, le relevé d’un sismographe, le trafic Internet, les ventes de téléphones mobiles, les hauteurs des crues du nil, la température des océans, la concentration en dioxyde de carbone de l’atmosphère, le taux de glucose dans le sang, la côte de popularité du président, etc. Avant l’avènement des outils numériques, l’analyse des séries temporelles était déjà présente. Aujourd’hui, grâce à l’IA et à l’apprentissage automatique, nous disposons de solutions pratiques et hautement efficaces qui surpasse dans la plupart du temps les modèles traditionnels. Ces derniers sont en effet basés sur des hypothèses et fournissent des estimations informatisées. Ils utilisent des équations mathématiques pour coder les informations extraites à partir des données. Les représentants les plus connus de ces modèles traditionnels sont: SARIMA (Seasonal ARIMA), ARIMA (AutoRegressive Integrated Moving Average), GARCH, VARMAX (Vector Autoregression Moving-Avérage with eXogenous variables), les modèles génératifs adversatifs.