12
Prédiction de températures (LSTM & GRU)
Modèles LSTM et GRU pour la prédiction de séries temporelles météorologiques. Comparaison d'architectures, prétraitement de séquences et évaluation de la performance.
Stack
Que s'est-il passé ?
- 01
La question
Un réseau de neurones peut-il vraiment prédire la température de demain à partir du passé ?
- 02
Le problème
Une série temporelle de température est non-stationnaire : saisonnalité, tendances, bruit. Un modèle naïf se contente de reproduire la valeur précédente.
- 03
L'hypothèse
Les architectures récurrentes LSTM et GRU, conçues pour la mémoire temporelle, peuvent capturer cette structure mieux qu'une approche naïve.
- 04
Le build
Prétraitement des séquences, entraînement de LSTM et GRU, comparaison de leurs architectures et évaluation sérieuse de la performance.
- 05
L'échec
Le GRU semblait perdre face au LSTM… jusqu'à réaliser que l'initialisation et la longueur de séquence changeaient tout. Comparer sans contrôler les variables, c'est se comparer à tort.
- 06
La découverte
La longueur de séquence et la normalisation comptent autant que l'architecture elle-même. Deux modèles peuvent différer pour de mauvaises raisons.
- 07
Le résultat
Des modèles LSTM/GRU entraînés et comparés avec une évaluation honnête de la performance de prédiction.
- 08
La prochaine frontière
Prédire plusieurs horizons à la fois, ajouter des variables exogènes (vent, pression) et explorer les Transformers temporels.