Approches connexionnistes pour la prevision des series temporelles

Cette these envisage l'application des techniques connexionnistes pour la modelisation et la prevision des series temporelles. Des liens formels sont etablis entre les modeles classiques de series temporelles et certains modeles de reseaux de neurones artificiels, et le rapprochement est fait entre les algorithmes d'apprentissage des differents modeles. Des tests realises sur des series synthetiques et reelles ont montre que les reseaux de neurones offrent des performances de prevision superieures a celles des techniques classiques sur des series stationnaires. Pour des series non stationnaires, les performances des reseaux se sont montrees decevantes dans certains cas, et l'utilisation des reseaux en adoptant une approche similaire a celle de box et jenkins, methode qui consiste a supprimer les composantes deterministes de la serie tendance et saisonnalite par differences successives afin de formuler un modele de prevision sur la composante stationnaire de la serie, a conduit a obtenir des resultats tres satisfaisants sur ce type de series. La suppression de la tendance par la technique de box et jenkins suppose que cette tendance peut etre approximee par un polynome, or il existe des cas ou la tendance peut etre tres complexe. Une technique neuronale de lissage permettant d'estimer la tendance sans faire d'hypothese sur sa forme est alors proposee. Cette technique est inspiree des techniques classiques de regression non parametrique. Une methode neuronale de validation croisee pour determiner le degre du lissage est egalement proposee. La technique de lissage ainsi proposee a permis de construire un systeme neuronal de prevision pour des series possedant des tendances complexes. L'application de ce systeme sur des series reelles a permis d'obtenir des performances nettement superieures a celles des techniques classiques de prevision. Ces performances se sont encore bien ameliorees en utilisant les reseaux recurrents pour modeliser la partie stationnaire de la serie. Les resultats obtenus sur les differentes series analysees prouvent l'importance de decomposer la serie et de faire cooperer plusieurs modules de reseaux pour leur analyse, chaque module etant dedie a traiter une composante particuliere de la serie