Interpolation fractale dans le contexte de l'optimisation de la précision des prévisions

Cet article se concentre sur l'hypothèse d'optimiser les prévisions des séries temporelles en utilisant des techniques d'interpolation fractale. En général, la précision des prévisions des modèles d'apprentissage automatique est étroitement liée à la qualité et aux aspects quantitatifs des données utilisées, suivant le principe de garbage-in, garbage-out. Afin d'augmenter quantitativement et qualitativement les ensembles de données, l'une des préoccupations les plus courantes des scientifiques des données est de générer des données synthétiques, qui doivent suivre le plus fidèlement possible le modèle réel des données d'origine. Cette étude propose trois stratégies d'augmentation des données différentes basées sur l'interpolation fractale, à savoir la Stratégie du Hurst le plus proche, la Stratégie des valeurs les plus proches et la Stratégie Formule. Pour valider les stratégies, nous avons utilisé quatre ensembles de données publics de la littérature, ainsi qu'un ensemble de données privé obtenu à partir des enregistrements météorologiques dans la ville de Brașov, en Roumanie. Les résultats des prévisions obtenus avec le modèle LSTM utilisant les stratégies d'interpolation présentées ont montré une amélioration significative de la précision par rapport aux ensembles de données brutes, fournissant ainsi une réponse possible à des problèmes pratiques dans le domaine de la télédétection et de la sensibilité des capteurs. De plus, nos méthodologies répondent à certaines questions ouvertes liées à l'optimisation pour l'étape d'interpolation fractale en utilisant le cadre Optuna.