Une méthode de prévision d'ensemble basée sur des modèles LSTM et GRU optimisés pour la prévision de la température et de l'humidité

Les prévisions de température et d'humidité jouent un rôle crucial dans divers secteurs tels que la gestion de l'énergie, l'agriculture et la climatologie. Une prévision précise de ces paramètres météorologiques est essentielle pour optimiser les rendements agricoles, gérer la consommation d'énergie et atténuer efficacement l'impact du changement climatique. Dans ce contexte, cet article propose une méthode améliorée de prévision d'ensemble pour les prévisions de température et d'humidité pour le lendemain. La méthode proposée intègre un réseau Long Short-Term Memory (LSTM), une Gated Recurrent Unit (GRU), l'optimisation par essaim particulaire (Particle Swarm Optimization, PSO) et le moyennage bayésien de modèles (Bayesian Model Averaging, BMA). La PSO est employée pour optimiser les paramètres du LSTM et de la GRU, améliorant ainsi la précision des prévisions. La méthode est implémentée avec Python 3.10 sous TensorFlow. De plus, l'approche proposée est comparée aux modèles ensemble-1, LSTM et GRU afin de démontrer son efficacité. Les résultats de simulation confirment la performance supérieure de la méthode proposée par rapport aux approches concurrentes existantes.