Apprentissage profond pour la prévision de séries temporelles : Une enquête

La prévision de séries temporelles est devenue un domaine de recherche très intense, qui connaît même une augmentation ces dernières années. Les réseaux de neurones profonds ont prouvé leur puissance et atteignent une grande précision dans de nombreux domaines d'application. Pour ces raisons, ils constituent l'une des méthodes d'apprentissage automatique les plus utilisées aujourd'hui pour résoudre des problèmes liés aux big data. Dans ce travail, le problème de la prévision de séries temporelles est initialement formulé avec ses fondamentaux mathématiques. Ensuite, les architectures d'apprentissage profond les plus courantes qui sont actuellement appliquées avec succès pour prédire des séries temporelles sont décrites, en mettant en évidence leurs avantages et leurs limitations. Une attention particulière est portée aux réseaux à propagation avant, aux réseaux de neurones récurrents (y compris Elman, mémoire à long et court terme, unités récurrentes avec portes, et réseaux bidirectionnels), ainsi qu'aux réseaux de neurones convolutionnels. Des aspects pratiques, tels que la définition des valeurs pour les hyperparamètres et le choix des cadres les plus adaptés pour l'application réussie de l'apprentissage profond aux séries temporelles, sont également fournis et discutés. Plusieurs domaines de recherche fructueux dans lesquels les architectures analysées ont obtenu de bonnes performances sont examinés. En conséquence, des lacunes de recherche ont été identifiées dans la littérature pour plusieurs domaines d'application, espérant ainsi inspirer de nouvelles et meilleures formes de connaissance.