Améliorer la prévision multipas par réseaux de neurones récurrents

Nous evaluons sur le probleme de la prevision multipas un algorithme de boosting pour les reseaux de neurones recurrents (RNRs). Cet algorithme combine un grand nombre de RNRs, chacun d'entre eux etant genere en apprenant sur une version differente de l'ensemble d'apprentissage d'origine. Ces versions sont obtenues selon une variante de la methode du boosting, qui permet de concentrer l'apprentissage sur les exemples difficiles mais, a la difference de l'algorithme d'origine, en prenant en compte tous les exemples disponibles. Nous l'appliquons au probleme de la prevision pour differents horizons de trois series temporelles de reference en testant a chaque fois trois fonctions de cout differentes et en variant les valeurs du parametre principal. Nous comparons notre algorithme avec l'algorithme Back-Propagation Through Time (BPTT) et avec d'autres methodes appliquees sur les memes ensembles de donnees, dont des approches locales