Séries temporelles : comprendre le rôle des séries chronologiques en IA

Les séries temporelles, ou séries chronologiques en machine learning, sont des ensembles de valeurs numériques susceptibles d'évoluer sur une période donnée. En intelligence artificielle, les premières variables d'une séquence font l'objet d'une analyse pour déterminer ou prédire les suivantes.

Les séries temporelles, c’est quoi ?

Aussi appelées séries chronologiques, les séries temporelles regroupent un ensemble de valeurs numériques. Par le biais d’un système dédié, comme une IA de type machine learning, elles permettent d’identifier une tendance ou de fournir un résultat selon les précédentes observations réalisées. L’IA se sert des premières valeurs pour estimer celles qui s’ensuivent. Le concept est notamment exploité en économétrie, mathématiques appliquées, analyses statistiques et probabilités.

Qu’est-ce que les séries temporelles multivariées ?

On distingue deux grandes classifications de séries temporelles : les séries univariées et les séries multivariées. Leur principale différence tient au nombre de valeurs pour un indicateur de temps donné. Une série chronologique multivariée est donc susceptible de regrouper plusieurs séries univariées. Ici, ces dernières disposent de fonctionnalités d’interaction spécifiques.

Que signifie time series analysis ?

L’anglicisme "time series analysis" peut se traduire par l’analyse des séries chronologiques. Pour l’intelligence artificielle, cette étape consiste à prendre en compte différentes variables propres aux valeurs numériques de la séquence concernée. Les principaux éléments d’études sont les suivants :

  • la valeur numérique ;
  • la saisonnalité ;
  • les cycles ;
  • les tendances.

À terme, cette analyse de séries temporelles permet de créer des liens, d’identifier un facteur de causalité ou de réaliser une prédiction.

En quoi consiste le time series clustering ?

Dans le domaine des séries temporelles, le clustering consiste à rechercher et identifier des groupes naturels entre différentes valeurs numériques. Cela permet d’améliorer les performances d’un système ou d’accroître la vitesse de traitement. On distingue deux types de clustering pour une série chronologique : la prise en charge de séries entières et la classification par sous-séries.

Quelles sont les méthodes de time series forecasting (prédiction) ?

Afin d’exploiter les fonctions de prédiction d’une série temporelle, il existe différentes méthodes :

  • le lissage exponentiel ;
  • les tendances linéaires et autorégressives ;
  • les moyennes mobiles ;
  • les ajustements saisonniers ;
  • les équations de Yule-Walker.

Time series database vs time series dataset : quelle différence ?

La "time series database" est une base de données qui répertorie des valeurs horodatées. Celles-ci sont collectées suivant des laps de temps prédéfinis. Elle prend également en charge les évolutions sur la période ciblée. Quant au "time series dataset", il s’agit d’un jeu de données qui associe valeurs et attributs. Les principales différences entre ces deux modèles tiennent aux méthodes de classification, à la nature des informations stockées et aux possibilités d’accès.

Dictionnaire de l'intelligence artificielle