Une Revue des Approches ARIMA vs. Apprentissage Automatique pour la Prévision de Séries Temporelles dans des Réseaux Axés sur les Données

Dans le large domaine scientifique de la prévision de séries temporelles, les modèles ARIMA et leurs variantes ont été largement appliqués depuis un demi-siècle en raison de leur simplicité mathématique et de leur flexibilité d'application. Cependant, avec les récents progrès dans le développement et le déploiement efficace de modèles et techniques d'intelligence artificielle, la perception évolue rapidement, avec un déplacement vers des approches d'apprentissage machine et profond qui devient évident, même sans une évaluation complète de la supériorité de la nouvelle approche sur les algorithmes statistiques classiques. Notre travail constitue une revue exhaustive de la littérature scientifique publiée concernant la comparaison des algorithmes ARIMA et d'apprentissage automatique appliqués à des problèmes de prévision de séries temporelles, ainsi que la combinaison de ces deux approches dans des modèles hybrides statistiques-AI dans une grande variété d'applications de données (finance, santé, météo, services publics et prévision de trafic réseau). Notre revue a montré que les algorithmes d'IA affichent de meilleures performances de prédiction dans la plupart des applications, avec quelques exceptions notables analysées dans nos sections Discussion et Conclusions, tandis que les modèles hybrides statistiques-AI surpassent constamment leurs parties individuelles, en utilisant les meilleures caractéristiques algorithmiques des deux mondes.