Évaluation des modèles d'apprentissage profond pour la prévision multisteps à l'avance des séries temporelles

La prévision de séries temporelles à l’aide de réseaux de neurones a fait l’objet de nombreuses recherches au cours des dernières décennies. À la suite de la révolution du deep learning récente, une attention croissante s’est portée sur l’utilisation de modèles de deep learning pour la prévision de séries temporelles, rendant ainsi essentiel l’évaluation de leurs forces et faiblesses. Dans ce papier, nous présentons une étude comparative évaluant les performances de divers modèles de deep learning pour la prévision multi-étapes à l’avance. Les méthodes de deep learning considérées incluent les réseaux de neurones récurrents simples, les réseaux LSTM (Long Short-Term Memory), les réseaux LSTM bidirectionnels, les réseaux LSTM encodeur-décodeur, ainsi que les réseaux de neurones convolutifs. Nous comparons également ces approches à des réseaux de neurones simples entraînés par descente de gradient stochastique et par estimation de moment adaptatif (Adam). Notre étude se concentre sur la prévision univariée à plusieurs étapes à l’avance, basée sur des jeux de données standards de séries temporelles, et inclut une comparaison supplémentaire des résultats avec des méthodes connexes issues de la littérature scientifique. Les résultats montrent que les réseaux LSTM bidirectionnels et les réseaux LSTM encodeur-décodeur offrent les meilleures performances en termes de précision pour les problèmes de séries temporelles étudiés.