Prédiction de séries chronologiques en utilisant un modèle de Deep Learning Etude de cas : Sonelgaz

Abstract

Cette étude vise à clarifier les étapes de la modélisation prédictive à l’aide de deux réseaux de neurones et à les comparer , où une application pratique a été faite sur deux séries temporelles de valeurs de consommation d’énergie pour l’entreprise algérienne Sonelgaz Bordj Bou Arreridj , basée sur la technique d’entraînement et l’utilisation de deux programmes EVIEWS et «Matlab R2023», dans le traitement des données et l’obtention des résultats. Les deux algorithmes pour les deux modèles des deux réseaux de neurones artificiels utilisés pour décrire le mouvement de l’activité de consommation d’énergie d’entreprise ont prouvé leur capacité à fournir de bonnes prédictions avec peu d’erreurs attendues. Cette étude a également confirmé l’importance de l’analyse statistique de données et leur relation avec la planification économique et les processus décisionnels. Enfin, nous témoignons la grande capacité prédictive des modèles de réseaux artificiels par rapport aux autres méthodes This study aims to clarify the steps of predictive modeling using two neural networks and to compare them , where a practical application was made on two time series of energy consumption values for the Algerian company Sonelgaz Bordj Bou Arreridj , based on the training technique and the use of two programs EVIEWS and “Matlab R2023”, in data processing and obtaining results. The two algorithms of the two models of the two artificial neural networks , that were relied upon to describe the movement of energy consumption activity in the organization proved their ability to provide good predictions with a small number of expected errors, and this study also emphasized the importance of statistical analysis of data and its relationship to economic planning and decision-making processes. Ultimately, we witness the higher predictive power of neural network models compared to other methods.