MemDA : Prévision de séries temporelles urbaines par adaptation du dérivé basée sur la mémoire

La prévision des séries temporelles urbaines, qui contribue de manière significative au développement durable, est largement étudiée en tant que tâche essentielle des villes intelligentes. Toutefois, face aux changements drastiques et rapides survenus dans l’environnement mondial, l’hypothèse selon laquelle les données suivent une distribution indépendante et identiquement distribuée (i.i.d.) est remise en question par les évolutions ultérieures de la distribution des données, phénomène connu sous le nom de « dérive de concept ». Ce phénomène entraîne une faible reproductibilité et une faible transférabilité du modèle sur des données inédites. Pour remédier à ce problème, les approches antérieures reposent généralement sur une re-formation du modèle, obligeant celui-ci à s’ajuster aux données les plus récentes observées. Toutefois, cette stratégie présente plusieurs inconvénients : elle engendre un retard du modèle, une consommation importante des ressources computationnelles et une réinvalidation du modèle, ce qui empêche une résolution efficace du problème de dérive dans des scénarios réels. Dans cette étude, nous proposons un nouveau modèle de prévision des séries temporelles urbaines conçu spécifiquement pour affronter le problème de dérive de concept. Ce modèle encode la dérive en tenant compte de la périodicité inhérente aux données, et ajuste dynamiquement le modèle en temps réel en fonction de la dérive grâce à un réseau métadynamique. Des expérimentations menées sur des jeux de données réels montrent que notre approche surpasse significativement les méthodes de pointe et peut être facilement intégrée à des architectures de prévision existantes, tout en réduisant leur sensibilité aux variations de distribution.