| Résumé | Dans cette communication, nous discutons des propriétés d'une technique hybride de découverte de modèles dans des séries temporelles multivariées, à partir de réseaux hybrides neuronaux-neuroflous basés sur la similitude et des algorithmes génétiques. Cette méthode découvre les <em>relations de dépendances</em> qui, dans une série cible, relient les valeurs futures aux valeurs déjà examinées, et construit aussi une fonction de prédiction. Elle accepte un amalgame de variables numériques et non numériques, des données floues et des valeurs manquantes. Pour étudier la capacité de découverte de modèles et l'influence des valeurs manquantes, nous avons testé la méthode avec de véritables séries temporelles multivariées. Nos résultats ont montré que la méthode est très robuste, qu'elle découvre les interdépendances pertinentes, fait des prévisions précises et peut tolérer une proportion élevée d'informations manquantes. |
|---|
