Analyse prédictive de séries temporelles: Prédiction étendue à l'aide de l'apprentissage automatique

摘要

Eine immer grössere Anzahl an Daten steht zur Verfügung, und zwar insbesondere aufgrund der Open-Data-Initiative und dem aufkommenden Internet der Dinge. Wurden diese Daten vorher sporadisch für bestimmte Zwecke gesammelt, so werden sie jetzt zusammengefasst, um immer autonomere Systeme zu speisen, die allmählich in der Lage sind, umfassende Informationen zu liefern. Die Anwendungsmöglichkeiten dieser maschinellen Lernverfahren (Machine Learning) sind vielfältig. Hierzu zählen beispielsweise Energieerzeugungs- und -verbrauchssysteme mit unterschiedlichen Detailebenen (Staat, Stadtviertel, Gebäude). Möglich ist auch die Vorhersage der von einem Kommunikationsnetz belegten Bandbreite im Hinblick auf ein optimales Routing oder die Optimierung einer Produktionskette gemäss der antizipierten Nachfrage. In diesem Artikel werden maschinelle Lerntechniken erläutert und wie sie bei der Prognose angewendet werden können. Anschliessend werden die verschiedenen Schritte der Datenverarbeitung vorgestellt (Auswahl, Verarbeitung, Sampling usw.), gefolgt von den Prognosearten sowie einigen der am meisten verwendeten Algorithmen und schliesslich die verschiedenen Methoden zur Validierung der entwickelten Modelle.%La recherche dans le domaine de l'exploitation des données est un sujet qui gagne de l'importance. En effet, un nombre de plus en plus considérable de données sont à disposition, et ce, notamment à cause de l'initiative des données ouvertes (open data) et de l'avènement de l'Internet des objets. La manière de traiter ces données dans un but de prédiction est esquissée dans cet article.