Times series forecasting using neural networks and Genetics Algorithms

Abstract

الملخص (بالعربية) : التنبؤ في السلاسل الزمنية هو موضوع بحث نشط للغاية في مجال العلوم و الهندسة. بسبب صعوبة تقييم الطبيعة الدقيقة لسلسلة زمنية، غالبًا ما تكون من الصعب للغاية توليد تنبؤات مناسبة لأن العديد من مشكلات العالم الحقيقي غير خطية. مؤخرًا، تم اقتراح خوارزميات مستوحاة من البيولوجيا، مثل الشبكات العصبية الاصطناعية و الخوارزميات الجينية كمهج بديل واعد للتنبؤ بالسلسلة الزمنية. في هذا البحث، نناقش و نقارن بيت هاتين الطريقتين و طريقة بوكس و جنكينز. بالنسبة لطريقة الشبكات العصبية، استخدمنا معيار AIC لحل مشكلة اختيار النموذج( اختيار الشبكة)، و أعطت هذه الطريقة تفوقًا للشبكات العصبية مقارنة بنموذج ARMA. من اجل تحسين جودة التنبؤ اقترحنا التهجين بين الخوارزميات الجينية و نموذج ARMA. Abstract (Anglais) :

Time series forecasting is a very active research subject in the field of science and engineering. Because of the difficulty of assessing the exact nature of a time series, it is often very difficult to generate appropriate forecasts because many real-world problems are non-linear. Recently, bio-inspired computational algorithms, such as neural networks and genetic algorithms have been proposed as an approach promising alternative for forecasting time series. In this research, we discuss and compare these two methods and that of Box-Jenkins. For the neural network method we used the AIC criterion to solve the problem of choice of the model (architecture selection), this method gave a superiority to the neural networks compared to the ARMA model. For the improvement of the quality of prediction, we have hybridized the genetic algorithms and the ARMA model. Résumé (Français) :

La prévision des séries temporelles est un sujet de recherche très actif dans le domaine de la science et de l'ingénierie. En raison de la difficulté d'évaluer la nature exacte d'une série chronologique, il est souvent très difficile de générer des prévisions appropriées, car de nombreux problèmes du monde réel sont non-linéaires. Récemment, les algorithmes computationnels bioinspirés, tels que les réseaux neuronaux artificiels et les algorithmes génétiques ont été proposés comme une approche alternative prometteuse pour la prévision des séries temporelles. Dans cette recherche, nous avons discuté et comparer ces deux méthodes et celle de Box-Jenkins. Pour la méthode des réseaux de neurones nous avons utilisé le critère de AIC pour résoudre le problème de choix du modèle (sélection d'architecture), cette méthode à donnée une supériorité aux réseaux de neurones par rapport au modèle ARMA. Pour l'amélioration de la qualité de prévision nous avons proposé une hybridation entre les algorithmes génétiques et le modèle ARMA.