| Résumé | Ce document présente la première d'une série d'expériences visant à étudier le comportement d'une technique hybride de découverte de modèles dans des séries chronologiques multivariées utilisant des réseaux neuroflous et des algorithmes génétiques fondés sur des similarités. Cette méthode découvre des configurations de dépendance reliant les valeurs futures d'une série cible aux valeurs passées de toute la série examinée, puis construit une fonction de prédiction. Elle accepte un mélange de variables numériques et non numériques, d'information floue et de valeurs manquantes. On a réalisé les expériences en modifiant les paramètres régissant l'algorithme des points de vue suivants : i) réseau neuroflou, ii) algorithme génétique et iii) mise en oeuvre parallèle. Les résultats des expériences montrent que la méthode est rapide, robuste et efficace pour découvrir les interdépendances pertinentes. |
|---|
