Prédictions robustes avec des délais temporels ambigus : une stratégie de bootstrap

Dans des environnements contemporains axés sur les données, la génération et le traitement de données de séries temporelles multivariées constituent un défi omniprésent, souvent compliqué par des délais temporels entre différentes séries temporelles. Ces délais, provenant d'une multitude de sources telles que les dynamiques de transmission de données variables, les interférences des capteurs et les changements environnementaux, introduisent des complexités significatives. Les méthodes traditionnelles d'estimation des délais temporels, qui supposent généralement un délai constant fixe, peuvent ne pas capturer pleinement ces variabilités, compromettant la précision des modèles prédictifs dans divers contextes. Pour aborder ce problème, nous introduisons le Bootstrap du Modèle de Séries Temporelles (TSMB), un cadre polyvalent conçu pour gérer des délais temporels potentiellement variables voire non déterministes dans la modélisation des séries temporelles. Contrairement aux approches traditionnelles qui reposent sur l'hypothèse d'un délai temporel unique et cohérent, le TSMB adopte une position non paramétrique, reconnaissant et intégrant les incertitudes des délais temporels. Le TSMB renforce considérablement les performances des modèles qui sont entraînés et font des prédictions en utilisant ce cadre, ce qui le rend particulièrement adapté à une large gamme d'environnements de données dynamiques et interconnectées.