Séries temporelles et réseaux de neurones récurrents

Cette ressource fait partie du « Dossier Intelligence Artificielle [6] ».

En opposition aux données dites « statiques « (i.e. images), les données dites « dynamiques » (i.e. vidéos), dont font partie les séries temporelles, sont utilisées dans de nombreux domaines, allant de la météorologie à la finance, en passant l’analyse de sentiments. Du fait de leur temporalité, les séries temporelles ne peuvent pas être fournies au réseau de neurones tel que le sont les données statiques. De plus, de nouvelles problématiques émergent dues elles aussi à leur temporalité, ce qui rend l’approche théorique et pratique de la prédiction de séries temporelles par réseaux de neurones récurrents (RNN) drastiquement différente de celle abordée pour des données statiques.

Dans cette ressource, nous nous efforçons de dépeindre au mieux les caractéristiques, particularités et les complexités d’un tel type de données, que nous illustrons avec une application : l’entrainement d’un RNN (i.e. Long-Short Term Memory) pour la prévision des conditions climatiques.

Contenu de la ressource :

1. Introduction
2. Séries temporelles : définition et spécificités
3. Approches algorithmiques pour la prévision des séries temporelles
4. Application : séries temporelles de données climatiques
5. Conclusion