1. #1
    Candidat au Club
    Homme Profil pro
    Étudiant
    Inscrit en
    septembre 2016
    Messages
    5
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : France, Haute Marne (Champagne Ardenne)

    Informations professionnelles :
    Activité : Étudiant
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : septembre 2016
    Messages : 5
    Points : 3
    Points
    3

    Par défaut Réseau de neurones et séries temporelles - NARX

    Bonjour,

    Tout d'abord je tiens à dire que je n'ai rien trouvé sur internet qui répond à ma question (je n'ai peut être pas tout compris je débute..).

    J'utilise un réseau de neurone en série temporelle pour modéliser un comportement thermique d'un bâtiment grâce à la toolbox NN time series de Matlab. Je veux que le modèle soit auto-régressif : prédire tous les jours j+1 avec un modèle basé sur j-1 à j-x. La construction du réseau est faite et la prédiction aussi.

    Mon problème est que la qualité de la prédiction est extrêmement aléatoire, je peux avoir des R² de 95% comme des R² de -50%... J'ai essayé de jouer avec la taille du réseau (nombre de neurones, nombre de couches cachées) mais rien a faire la prédiction reste aléatoire. Pour information la modélisation s'effectue sur 2200 données et la prédiction sur 150 environ.

    Donc ma question est : Qu'est ce qu'il faut faire ?? Je comprends que la modélisation et par conséquent la prédiction soient toujours différente étant donnée que les poids sont initialisés par une fonction random et donc qu'ils convergent vers des minima différents à chaque fois, mais de la a varier autant ça me surprend. Donc j'aimerai que quelqu'un me guide ou me donne de la doc intéressante à ce sujet.

    Merci.

  2. #2
    Membre éprouvé

    Homme Profil pro
    Data Scientist & Statisticien
    Inscrit en
    février 2009
    Messages
    411
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : France, Oise (Picardie)

    Informations professionnelles :
    Activité : Data Scientist & Statisticien
    Secteur : High Tech - Multimédia et Internet

    Informations forums :
    Inscription : février 2009
    Messages : 411
    Points : 1 028
    Points
    1 028
    Billets dans le blog
    2

    Par défaut

    Bonjour,

    il me semble difficile de t'apporter une réponse.

    Aucun algorithme ne permet à partir de l'historique de prédire pour tout type de série l'avenir à 95% près.

    Mais les réseaux de neurones dans ce domaine sont particulièrement efficaces en l'absence de facteur exogène.

    On en peut pas de dire si tes résultats peuvent être cohérents, dans la mesure où on ne connaît pas la nature de tes données, le contexte, ton code, etc.

    Au plaisir de te lire.

  3. #3
    Membre à l'essai Avatar de gerard093
    Homme Profil pro
    data scientist
    Inscrit en
    mai 2012
    Messages
    11
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : France, Essonne (Île de France)

    Informations professionnelles :
    Activité : data scientist
    Secteur : Enseignement

    Informations forums :
    Inscription : mai 2012
    Messages : 11
    Points : 15
    Points
    15

    Par défaut humble avis

    En fait, les séries temporelles doivent être étudiées avant la prévision.

    Un modèle devient instable à partir du moment où le nombre de prévisions prises en compte est insuffisant. Au lieu de partir d'un fichier de training de 10% il vaut mieux constituer un fichier de training de 80 %. Ensuite, permuter entre données pour constituer le fichier de training : sélection par tirage aléatoire par exemple, répétées plusieurs fois, puis recommencer et comparer les résultats.

    Statistiquement, il peut être intéressant de vérifier si le modèle est bien stable (à savoir que la variance de ton échantillon/fichier de training ne varie pas avec le temps, ou avec les aléas du tirage...) et si les variables retardées sont bien porteuses d'information additionnelle. Si elles sont toutes colinéaires, ou si elles varient dans le même sens (corrélation de spearman...), ou simplement portent toutes la même information le système apprend moins bien et la variable retardée est inutile. Réduire le nombre de variables peut donc améliorer la stabilité du modèle.

Discussions similaires

  1. [Réseau de neurones] Ajouter un paramètre temporel
    Par Invité dans le forum Méthodes prédictives et apprentissage automatique
    Réponses: 1
    Dernier message: 09/09/2015, 12h33
  2. Réponses: 2
    Dernier message: 02/08/2015, 14h23
  3. Réseau de neurone pour prévision d'une série temporelle
    Par ranianwayra dans le forum Méthodes prédictives et apprentissage automatique
    Réponses: 1
    Dernier message: 22/08/2008, 23h55
  4. interface graphique, réseau de neurones
    Par korp69 dans le forum C++
    Réponses: 19
    Dernier message: 13/11/2006, 13h44
  5. Réseau de neurones - reconnaissance visage
    Par PrAbronsius dans le forum Général Algorithmique
    Réponses: 9
    Dernier message: 03/05/2006, 03h38

Partager

Partager
  • Envoyer la discussion sur Viadeo
  • Envoyer la discussion sur Twitter
  • Envoyer la discussion sur Google
  • Envoyer la discussion sur Facebook
  • Envoyer la discussion sur Digg
  • Envoyer la discussion sur Delicious
  • Envoyer la discussion sur MySpace
  • Envoyer la discussion sur Yahoo