Contributions à l’agrégation séquentielle robuste d’experts : Travaux sur l’erreur d’approximation et la prévision en loi. Applications à la prévision pour les marchés de l’énergie.

Résumé : Nous nous intéressons à prévoir séquentiellement une suite arbitraire d'observations. À chaque instant, des experts nous proposent des prévisions de la prochaine observation. Nous formons alors notre prévision en mélangeant celles des experts. C'est le cadre de l'agrégation séquentielle d'experts. L'objectif est d'assurer un faible regret cumulé. En d'autres mots, nous souhaitons que notre perte cumulée ne dépasse pas trop celle du meilleur expert sur le long terme. Nous cherchons des garanties très robustes~: aucune hypothèse stochastique sur la suite d'observations à prévoir n'est faite. Celle-ci est supposée arbitraire et nous souhaitons des garanties qui soient vérifiées quoi qu'il arrive. Un premier objectif de ce travail est l'amélioration de la performance des prévisions. Plusieurs possibilités sont proposées. Un exemple est la création d'algorithmes adaptatifs qui cherchent à s'adapter automatiquement à la difficulté de la suite à prévoir. Un autre repose sur la création de nouveaux experts à inclure au mélange pour apporter de la diversité dans l'ensemble d'experts. Un deuxième objectif de la thèse est d'assortir les prévisions d'une mesure d'incertitude, voire de prévoir des lois. Les applications pratiques sont nombreuses. En effet, très peu d'hypothèses sont faites sur les données. Le côté séquentiel permet entre autres de traiter de grands ensembles de données. Nous considérons dans cette thèse divers jeux de données du monde de l'énergie (consommation électrique, prix de l'électricité,...) pour montrer l'universalité de l'approche.
Type de document :
Thèse
Machine Learning [stat.ML]. Université Paris Sud - Paris XI, 2015. Français. 〈NNT : 2015PA112133〉
Liste complète des métadonnées

Littérature citée [138 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01250027
Contributeur : Abes Star <>
Soumis le : lundi 4 janvier 2016 - 11:32:06
Dernière modification le : jeudi 11 janvier 2018 - 06:19:32
Document(s) archivé(s) le : vendredi 15 avril 2016 - 15:50:53

Fichier

VD2_GAILLARD_PIERRE_06072015.p...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01250027, version 1

Collections

Citation

Pierre Gaillard. Contributions à l’agrégation séquentielle robuste d’experts : Travaux sur l’erreur d’approximation et la prévision en loi. Applications à la prévision pour les marchés de l’énergie.. Machine Learning [stat.ML]. Université Paris Sud - Paris XI, 2015. Français. 〈NNT : 2015PA112133〉. 〈tel-01250027〉

Partager

Métriques

Consultations de la notice

486

Téléchargements de fichiers

360