Prevision d’une serie temporelle par les reseaux de neurones

REFOUFI, Mounia

Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/22806

Affichage complet

Élément Dublin Core	Valeur	Langue
dc.contributor.author	REFOUFI, Mounia	-
dc.date.accessioned	2024-06-23T08:54:30Z	-
dc.date.available	2024-06-23T08:54:30Z	-
dc.date.issued	2023-07-09	-
dc.identifier.uri	http://dspace1.univ-tlemcen.dz/handle/112/22806	-
dc.description.sponsorship	En conclusion, la pr´evision des s´eries temporelles par les r´eseaux de neurones repr´esente une approche puissante et prometteuse pour analyser et pr´edire les tendances et les mod`eles dans les donn´ees temporelles. Les r´eseaux de neurones, tels que les r´eseaux MLP, ont d´emontr´e leur capacit´e `a capturer les d´ependances temporelles et `a fournir des pr´evisions pr´ecises. L’utilisation des r´eseaux de neurones permet de b´en´eficier de leur capacit´e `a apprendre `a partir des donn´ees, `a mod´eliser les relations complexes entre les observations temporelles et `a s’adapter `a diff´erents types de s´eries temporelles. Ils offrent ´egalement la possibilit´e de traiter des s´equences de longueur variable et de prendre en compte les caract´eristiques sp´ecifiques des donn´ees temporelles, telles que les saisons, les tendances et les variations irr´eguli`eres. Cependant l’entraˆınement des r´eseaux de neurones pour la pr´evision des s´eries temporelles implique l’optimisation des param`etres du mod`ele en utilisant des techniques d’optimisation telles que la r´etropropagation du gradient. La s´election des hyperparam`etres, tels que le nombre de couches cach´ees, le nombre de neurones, le taux d’apprentissage, etc., est cruciale pour obtenir de bonnes performances pr´edictives. La performance des mod`eles de r´eseaux de neurones pour la pr´evision des s´eries temporelles peut ˆetre ´evalu´ee en utilisant des m´etriques telles que l’erreur quadratique moyenne (MSE), le crit`ere BIC pour ´evaluer la robustesse et la g´en´eralisation des mod`eles. En r´esum´e, l’utilisation des r´eseaux de neurones offre une approche math´ematiquement rigoureuse pour la pr´evision des s´eries temporelles. Ces mod`eles peuvent capturer les structures temporelles complexes et fournir des pr´edictions pr´ecises. Cependant, il est important de prendre en compte les aspects pratiques de la mod´elisation, tels que la s´election des param`etres et l’´elagage du nombre de couches cach´ees , pour garantir des r´esultats fiables et valides.	en_US
dc.language.iso	fr	en_US
dc.publisher	University of tlemcen	en_US
dc.relation.ispartofseries	011Master maths;	-
dc.subject	les reseaux de neurones,les reseaux MLP,les relations complexes,les series temporelles,les variations irregulieres,la retropropagation	en_US
dc.title	Prevision d’une serie temporelle par les reseaux de neurones	en_US
dc.type	Thesis	en_US
Collection(s) :	Master en Mathématique

Fichier(s) constituant ce document :

Fichier	Description	Taille	Format
Prevision_d_une_serie_temporelle_par_les_reseaux_de_neurones.pdf		1,16 MB	Adobe PDF	Voir/Ouvrir

Affichage abbrégé