Prévision probabiliste de données sensorielles avec des réseaux adverses génératifs - ForGAN

La prévision de séries temporelles est l'un des défis majeurs pour l'humanité. Les méthodes de prévision traditionnelles utilisant des modèles de régression moyenne présentent de graves lacunes dans la représentation des fluctuations du monde réel. Bien que de nouvelles méthodes probabilistes viennent à la rescousse, elles se heurtent à des difficultés techniques telles que le croisement des quantiles ou le choix d'une distribution a priori. Pour combiner les différentes forces de ces domaines tout en évitant leurs faiblesses et pour repousser les limites de l'état de l'art, nous introduisons ForGAN - une méthode de prévision probabiliste avancée d'un pas avec des réseaux adversaires génératifs. ForGAN utilise la puissance du réseau adverse génératif conditionnel pour apprendre la distribution génératrice des données et calculer des prévisions probabilistes à partir de celle-ci. Nous expliquons comment évaluer ForGAN par rapport aux méthodes de régression. Pour étudier la prévision probabiliste de ForGAN, nous créons un nouveau jeu de données et y démontrons les capacités de notre méthode. Ce jeu de données sera rendu publiquement disponible pour comparaison. De plus, nous testons ForGAN sur deux jeux de données publiquement disponibles, à savoir le jeu de données Mackey-Glass et le jeu de données sur le trafic Internet (A5M), où les performances impressionnantes de ForGAN démontrent sa haute capacité à prédire les valeurs futures.