Cette thèse regroupe nos résultats sur la prédiction de séries temporelles dépendantes. Le document comporte trois chapitres principaux où nous abordons des problèmes différents. Le premier concerne l’agrégation de prédicteurs de décalages de Bernoulli Causales, en adoptant une approche Bayésienne. Le deuxième traite de l’agrégation de prédicteurs de ce que nous définissions comme processus sous-linéaires. Une attention particulaire est portée aux processus autorégressifs localement stationnaires variables dans le temps, nous examinons un schéma de prédiction adaptative pour eux. Dans le dernier chapitre nous étudions le modèle de régression linéaire pour une classe générale de processus localement stationnaires.
Publié le : 2015-09-16
Classification:
Time varying autoregressive processes,
Exponential weighted aggregation,
Online learning,
Adaptive prediction,
Bernoulli shift,
Non-stationary time series,
Séries temporelles non stationnaires,
Décalage de Bernoulli,
Processus autorégressifs vaiables dans le temps,
Agrégation à poids exponentiels,
Apprentissage en ligne,
Prédiction adaptative,
[MATH.MATH-ST]Mathematics [math]/Statistics [math.ST]
@article{NNT: 2015ENST0051,
author = {S\`anchez P\'erez, Andr\'es},
title = {Aggregation of time series predictors, optimality in a locally stationary context},
journal = {HAL},
volume = {2015},
number = {0},
year = {2015},
language = {en},
url = {http://dml.mathdoc.fr/item/NNT: 2015ENST0051}
}
Sànchez Pérez, Andrés. Aggregation of time series predictors, optimality in a locally stationary context. HAL, Tome 2015 (2015) no. 0, . http://gdmltest.u-ga.fr/item/NNT:%202015ENST0051/