Browsing by Author "Co-Encadreur: GheribAllah Abdelkader"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Time series modeling and Forecasting using genetic algorithms
    (2017-07-04) Rahal Ramdane; Encadreur: Chikr El Mezouar Zouaoui; Co-Encadreur: GheribAllah Abdelkader
    الملخص(بالعربية) التسلسل الزمني المتوقع هو مشكلة معقدة جدا، تتألف من التنبؤ بسلوك سلسلة بيانات مع معلومات التسلسل السابق فقط. في هذه الأطروحة، تم تطوير إطار مقارن للغاية لنمذجة السلاسل الزمنية والتنبؤ لإعطاء نماذج جيدة للسلاسل الزمنية لأداء التنبؤات وكذلك التنبؤات الخطية. لهذا، نحن تقليل أخطاء نماذج السلاسل الزمنية، من خلال استخدام خوارزميات جينية غاس، واحدة من أساليب متانة التحسين. غاس مستوحاة من نظريات التطور الطبيعي، وتطبيق عمليات الاستنساخ، كروس والطفرة إلى حلول المرشحين وفقا لدرجات اللياقة البدنية النسبية في السكان المتعاقبة من المرشحين هولندا ((1975نختار متوسط أخطاء مربع مس و أكايك معايير المعلومات إيك الأهداف وظائف الأمثل لحساب هناك الحد الأدنى لتحديد النموذج الأمثل. وتستند هذه الطريقة إلى تطور مجموعة من القواعد المقننة وراثيا، نوعين من الترميز وتستخدم غاس، و غاس ثنائي الترميز (بسغا) وبكرة ترميز غاس (رسيغا). في المرة الأولى نحن تحسين مس و إيك مع بسغا، وفي المرة الثانية مع رسيغا. من أجل تحديد أفضل طريقة، ونحن مقارنة بين منهجيات مختلفة، ونحن نساهم في هذه الدراسة كومبارياف عن طريق استخدام تعديل لأخطاء نموذج معين من قبل غاس عن طريق تطبيع لهم، للحصول على نموذج أفضل وأداء التوقعات. الكمبيوتر تظهر نتائج المحاكاة التي تم الحصول عليها أن غاس لديها القدرة على أن تصبح أداة قوية لنمذجة السلاسل الزمنية والتنبؤ، وكذلك عندما نستخدم غاس المتقدمة. لتوضيح دراساتنا، ونحن نؤيد جميع الفصول من بعض الأمثلة تطبيق على البيانات سلسلة الوقت الحقيقي Résumé (Français et/ou Anglais) : Abstract :The time seriesforecastis a verycomplexproblem, consisting in predicting the behaviorof a data serieswithonly the information of the previoussequence. In thisthesis, a highlycomparative framework for time-seriesmodeling and forecastingisdeveloped to give agood models for time series to perform the prediction as well as linearpredictors. Forthis, we are reduceerrors of time seriesmodels, by usedgeneticalgorithmsGAs, one ofrobustnessmethods of optimization. GAsisinspired by naturalevolutiontheories, applyoperations of reproduction, crossover and mutation to candidate solutions according totheir relative fitness scores in the successive populations of candidates Holland (1975). Wechoose the mean square errors MSE and Akaikecriteria information AIC the objectivesfunctions for optimization to calculatethere minimums for select the optimal model. Thismethodisbased on the evolution of set of rulesgeneticallycodified, two types of coding GAs are used, the binarycodedGAs (BCGA) and reelcodedGAs (RCGA). In the firsttime weoptimize MSE and AIC with BCGA, and in the second time with RCGA. Byorder to determine the best method, wecomparbetweendifferentmethodologies andwecontribute in thiscomparaivestudy by use a modification to errors of model given byGAs by normalizedthem, for have a better model and perform the forecast. The computer simulation resultsobtaineddemonstratethatGAs have the potential to become a powerfultool for time seriesmodeling and forecasting and as well as whenwe use the advancedGAs. To illustrateourstudies, we supports all chapters by someexamples application onreal time series data. Résumé : La prédiction des séries chronologiques est un problème très complexe, comment prédire le comportement d’une série de données avec uniquement les informations précédentesde la séquence. Dans cette thèse, un cadre hautement comparative des méthodes, pourmodeler les séries chronologiques est performer la prédiction par ces modèles notammentles modèles linéaires. Pour le faire, on a réduit les erreurs des modèles par la méthodedes algorithmes génétiques (AGs), une des méthodes robuste d’optimisation. AGs étaient inspirée de la théorie de l’évolution naturelle par Holland (1975), appliquent des opérationsde reproduction, de croisement et de mutation sur les solutions candidates selon leurs scoresde la fonction objective relative a la population des individus. Nous utilisons la moyennequadratiques des erreurs (MSE), le critère d’information Akaike (AIC ) et le critère deBayes (BIC), comme des fonctions d’objectives à minimiser, puisque ils sont des critères desélection du modèle optimal. Cette méthode est basée sur la codification, nous utilisonsdeux types de codage, le codage binaire (BCGA) et le codage réel (RCGA). Dans unpremiers temps, on utilise la méthode BCGA pour l’optimisation et en deuxième temps,on fait l’optimisation par la méthode RCGA. Nous effectuons une étude comparativeentre les différents types des AGs avec des modifications apportées sur les erreurs des modèles par la normalisation des erreurs pour avoir des modèles optimaux. Les résultats desimulation informatique obtenus démontrent que GAs ont le potentiel pour devenir un outilpuissant pour les modèles des séries chronologiques et performer la prévision, notammentlorsque nous utilisons AGs avancées. Pour illustrer ces résultats d’étude nous renforçonsles chapitres par des exemples d’applications sur des séries chronologiques réelles.