Discussion :

[tibb180]

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.

[dev_ggy]

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.

[gerard093]

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.