Modélisation des séries temporelles par les systèmes flous et les réseaux de neurones : Application à la prédiction des processus météorologiques

Abstract

Grâce aux résultats théoriques et pratiques obtenus au cours des dernières années, les systèmes flous et les réseaux de neurones sont devenus un outil de modélisation de plus en plus utilisé dans divers domaines. Ils demeurent toutefois un sujet de recherche d’un grand intérêt pour les chercheurs qui désirent améliorer les performances de ces deux systèmes et étendre leurs champs d’applications. En effet, la propriété fondamentale de ces deux systèmes non linéaires, l’approximation universelle, fait de ceux-ci une représentation mathématique très avantageuse pour la modélisation statique et dynamique non linéaire des processus physiques. La phase théorique de ce travail est dédiée à l’étude et l’analyse des techniques de l’intelligence artificielle à savoir les systèmes flous de Takagi-Sugeno et les réseaux de neurones pour la modélisation des séries temporelles. Dans la partie de simulation, nous avons testé la capacité de ces deux techniques dans l’identification des systèmes linéaires de Volterra. Pour montrer l’efficacité et la précision de ces techniques même dans le cas de présence d’un bruit, une comparaison est effectuée avec un algorithme basé sur les techniques des statistiques d’ordre supérieur. La phase application de ce mémoire a été consacrée à l’exploration des possibilités offertes par ces deux méthodes pour développer des modèles capables de prédire les données de l’irradiation, la durée d’insolation ainsi que la vitesse du vent. Les résultats obtenus ont permis de conclure d’une part que ces techniques sont très adéquates et performantes dans la modélisation et la prédiction de ce genre de signaux, et d’autre part, elles ont pu améliorer la précision des prédictions par rapport aux modèles linéaires conventionnels AR, MA et ARMA basés sur les statistiques d’ordre deux et d’ordre supérieur.