💻 computer science

A new recurrent neural network for forecasting seasonal time series

Cet article présente un nouveau réseau de neurones récurrents inspiré des méthodes de lissage exponentiel, qui utilise un algorithme d'apprentissage basé sur l'optimisation par essaim de particules et une nouvelle fonction objectif pour atteindre une performance de prévision supérieure pour les séries temporelles saisonnières par rapport aux réseaux de neurones artificiels profonds et superficiels existants.

Auteurs originaux : Eren Bas, Crina Grosan, Erol Egrioglu

Publié 2026-08-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Eren Bas, Crina Grosan, Erol Egrioglu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La prévision de séries temporelles est la science consistant à observer une séquence de nombres qui évoluent au fil du temps pour deviner ce qui va se passer ensuite. Imaginez un bulletin météo prédisant la température de demain ou un gérant de magasin estimant le nombre de parapluies à stocker pour le mois prochain. Ces prédictions sont souvent compliquées par les saisons. Tout comme la météo se réchauffe en été et se rafraîchit en hiver, de nombreux flux de données répètent des motifs chaque année, chaque trimestre ou chaque mois. Pendant des décennies, les statisticiens ont utilisé des outils mathématiques spécialisés pour gérer ces cycles répétitifs, tandis que les informaticiens ont construit des réseaux de neurones artificiels — des systèmes conçus pour imiter la façon dont le cerveau humain apprend à partir d'exemples — afin de trouver des motifs complexes dans les données. Le défi a toujours été de faire comprendre à ces systèmes informatiques le rythme des saisons sans qu'un humain ait besoin de réduire d'abord les données à leur forme brute.

Une équipe de chercheurs de l'Université de Giresun en Turquie et du King's College de Londres au Royaume-Uni a développé un nouveau type de système informatique spécifiquement conçu pour résoudre ce problème. Ils ont créé un nouveau réseau de neurones récurrent, une sorte d'intelligence artificielle capable de se souvenir des événements passés pour éclairer ses prédictions futures, mais avec une touche unique. Au lieu de forcer l'ordinateur à apprendre la saisonnalité à partir de zéro ou de nécessiter que des humains nettoient les données au préalable, les chercheurs ont intégré le concept de répétition saisonnière directement dans la structure de la machine. Leur système est conçu pour regarder ce qui s'est passé l'année dernière à la même période, tout comme un météorologue humain le ferait, et utiliser ce souvenir pour faire une prédiction.

Les chercheurs ont testé leur nouveau système sur six ensembles de données réels très différents pour voir s'il pouvait surpasser les méthodes existantes. Ces ensembles de données comprenaient le nombre mensuel de passagers aériens internationaux enregistrés sur une décennie, la consommation trimestrielle de bière en Australie, les niveaux mensuels de pollution de l'air à Ankara, l'utilisation nationale d'électricité en Turquie, ainsi que les relevés de pression atmosphérique et de température de la ville de Giresun. Dans chaque cas, le nouveau réseau s'est avéré plus précis que les autres outils de prévision populaires, y compris les modèles de deep learning complexes comme les réseaux Long Short-Term Memory et les réseaux récurrents plus simples. Le nouveau système a systématiquement produit les erreurs les plus faibles lors de la prédiction de la prochaine étape des données.

Ce qui différencie ce nouveau réseau, c'est sa construction. Les modèles informatiques traditionnels traitent souvent chaque donnée passée comme étant d'égale importance, qu'elle date d'hier ou d'il y a dix ans. Cependant, en matière de prévision, ce qui s'est passé récemment importe généralement plus pour prédire le futur immédiat. Les chercheurs ont résolu cela en donnant à l'ordinateur une nouvelle façon de mesurer ses erreurs. Ils ont programmé le système pour qu'il prête une attention beaucoup plus grande aux erreurs les plus récentes qu'aux plus anciennes. Cette approche, qu'ils appellent une mesure d'erreur pondérée, guide l'ordinateur pour qu'il ajuste ses paramètres internes afin d'être plus sensible aux tendances actuelles. De plus, le système utilise une méthode d'apprentissage inspirée de la façon dont un vol d'oiseaux recherche de la nourriture, lui permettant d'explorer de nombreuses possibilités à la fois pour trouver la meilleure solution, plutôt que de rester bloqué dans un piège local.

L'étude a également introduit une stratégie spécifique pour empêcher l'ordinateur de trop apprendre les données passées, un problème où un modèle mémorise l'histoire si bien qu'il échoue à prédire l'avenir. En utilisant une technique qui interrompt le processus d'apprentissage au moment opportun et réinitialise occasionnellement la recherche si elle se trouve bloquée, les chercheurs ont veillé à ce que le système reste flexible. Lorsqu'ils ont confronté leur nouveau réseau aux autres méthodes trente fois séparément pour s'assurer que les résultats n'étaient pas dus à la chance, le nouveau système a systématiquement délivré les prévisions les plus stables et les plus précises. La différence de performance était si claire que des tests statistiques ont confirmé que la nouvelle méthode était réellement supérieure, et non le fruit d'un coup de chance.

Ce travail représente une étape significative dans la manière dont les machines gèrent les données saisonnières. En intégrant la logique du lissage saisonnier directement dans l'architecture du réseau de neurones, les chercheurs ont créé un outil qui n'a pas besoin que les données soient prétraitées ou simplifiées avant de pouvoir apprendre. Le système apprend le rythme des saisons par lui-même, combinant la flexibilité de l'intelligence artificielle moderne avec la logique éprouvée des prévisions traditionnelles. Les résultats suggèrent que pour quiconque tente de prédire tout ce qui suit un motif saisonnier, de la demande énergétique aux conditions météorologiques, cette nouvelle approche offre une manière plus fiable et plus précise de voir dans l'avenir.

Résumé Technique : Un nouveau réseau de neurones récurrents pour la prévision de séries temporelles saisonnières

Énoncé du problème
La prévision de séries temporelles saisonnières nécessite des modèles spécialisés capables de gérer les structures périodiques. Bien que les méthodes statistiques comme SARIMA et le lissage exponentiel (ETS) soient les standards traditionnels, et que les réseaux de neurones artificiels (ANN) offrent des capacités de modélisation non linéaires, les approches existantes basées sur les ANN reposent souvent sur des techniques de décomposition externes ou incluent simplement des variables décalées comme entrées pour capturer la saisonnalité. Les auteurs notent que les ANN standards n'utilisent pas intrinsèquement la logique du lissage exponentiel, où le retour d'information sur les prévisions du modèle peut améliorer les performances. De plus, l'apprentissage traditionnel basé sur le gradient dans les ANN est susceptible d'être piégé dans des optima locaux, et les métriques d'erreur standard (comme la MSE) traitent tous les erreurs historiques de la même manière, négligeant potentiellement l'importance critique des observations récentes dans la prévision.

Méthodologie
Le papier propose un nouveau réseau de neurones artificiels récurrents (RNN) spécifiquement conçu pour modéliser la dynamique saisonnière sans décomposition préalable des données. L'architecture et le processus d'apprentissage sont définis comme suit :

Architecture du réseau : Le réseau proposé se compose de deux voies opérationnelles distinctes synthétisées par un paramètre de combinaison ( $\beta$ ) :
1. Topologie de neurone convolutionnel : Ce composant traite $p$ observations décalées ( $x_{t-j}$ ) à l'aide de poids et de biais, intégrés avec une fonction d'activation logistique pour introduire la non-linéarité.
2. Lissage récurrent saisonnier : Ce composant imite la logique du lissage exponentiel. Il prend les entrées actuelles et saisonnières décalées ( $x_{t-1}$ et $x_{t-s}$ ) et incorpore le feedback des sorties historiques du réseau ( $\hat{x}_{t-1}$ et $\hat{x}_{t-s}$ ). Cette voie utilise des coefficients de lissage ( $\alpha_1, \alpha_2$ ) et un facteur de poids ( $\alpha_3$ ) pour modéliser les composantes de niveau et de saisonnalité.
  La sortie finale est une somme pondérée de ces deux voies.
Algorithme d'apprentissage (PSO) : Pour éviter les pièges des optima locaux courants dans les méthodes basées sur le gradient, les paramètres du réseau (poids, biais, coefficients de lissage et facteurs de combinaison) sont optimisés à l'aide de l'optimisation par essaim de particules (Particle Swarm Optimization - PSO).
- Fonction d'objectif : Une nouvelle fonction d'objectif, l'Erreur Quadratique Moyenne Pondérée (Weighted Mean Squared Error - WMSE), est introduite. Contrairement à la MSE standard, la WMSE assigne des poids exponentiellement plus élevés aux observations récentes, privilégiant la précision des points de données les plus récents.
- Stratégies d'entraînement : Le processus d'entraînement emploie un mécanisme d'arrêt précoce (early stopping) pour prévenir le surapprentissage et une stratégie de redémarrage dynamique pour réinitialiser l'essaim si l'optimisation stagne, garantissant ainsi la recherche d'un optimum global.
Configuration expérimentale : Le modèle a été évalué sur six ensembles de données de séries temporelles saisonnières diversifiées :
1. Passagers aériens internationaux logarithmiques (Mensuel, $s=12$ ).
2. Consommation de bière australienne (Trimestriel, $s=4$ ).
3. Pollution de l'air à Ankara ( $SO_2$ ) (Mensuel, $s=12$ ).
4. Consommation d'électricité en Turquie (Mensuel, $s=12$ ).
5. Pression atmosphérique de la ville de Giresun (Mensuel, $s=12$ ).
6. Température de l'air de la ville de Giresun (Mensuel, $s=12$ ).
Les performances ont été comparées aux modèles LSTM, Pi-Sigma Artificial Neural Network (PS-ANN) et Simple Recurrent Neural Network (SRNN). Chaque modèle a subi un réglage d'hyperparamètres via un ensemble de validation, et la performance finale a été évaluée sur un ensemble de test sur 30 passages indépendants pour assurer la fiabilité statistique.

Résultats clés
Sur les six ensembles de données, le réseau proposé a démontré une performance de prévision supérieure par rapport aux modèles de référence :

Précision : La méthode proposée a systématiquement obtenu la plus faible Erreur Quadratique Moyenne Racine (RMSE) sur les ensembles de test. Par exemple, pour l'ensemble de données des passagers aériens, elle a obtenu une RMSE moyenne de 0,089 contre 0,271 pour LSTM et 0,317 pour SRNN.
Stabilité : Le réseau proposé a présenté des écarts-types nettement inférieurs pour les métriques d'erreur sur les 30 passages, indiquant une plus grande robustesse face à l'initialisation aléatoire par rapport à la performance volatile de SRNN et PS-ANN.
Signification statistique : Des tests de Wilcoxon signés-rangés non paramétriques ont été menés pour comparer les distributions d'erreurs. Les résultats ont produit des valeurs $p$ bien en dessous du seuil de $10^{-3}$ pour toutes les comparaisons, confirmant que les améliorations de performance du réseau proposé par rapport aux références sont statistiquement significatives et ne sont pas dues au hasard.

Signification et revendications
Les auteurs affirment que cette étude comble le fossé entre les philosophies classiques du lissage exponentiel et l'apprentissage profond moderne. En intégrant la logique de lissage saisonnier et des boucles de rétroaction dynamiques directement dans l'architecture du réseau de neurones, le modèle capture les dynamiques non linéaires complexes et les dépendances saisonnières sans nécessiter de décomposition préalable.

La signification de ce travail réside dans :

Innovation architecturale : Création d'une structure récurrente qui respecte intrinsèquement les périodes saisonnières grâce à des mécanismes de feedback similaires au lissage exponentiel.
Avancement de l'optimisation : L'utilisation de la PSO avec une fonction d'objectif WMSE personnalisée et des stratégies de redémarrage répond efficacement aux défis des optima locaux et au besoin de prioriser les tendances de données récentes.
Validation empirique : La supériorité constante à travers les ensembles de données économiques, environnementaux et de services publics suggère que le modèle est une alternative robuste et mathématiquement saine pour les problèmes complexes de prévision saisonnière.

Le papier conclut que le réseau proposé offre une solution hautement stable et précise pour les séries temporelles saisonnières, les travaux futurs pouvant potentiellement explorer des extensions vers des périodes saisonnières multiples et imbriquées.

Articles similaires