Agrégation de prédicteurs pour des séries temporelles, optimalité dans un contexte localement stationnaire
FR |
EN
Auteur / Autrice : | Andrés Sànchez Pérez |
Direction : | François Roueff, Christophe Giraud |
Type : | Thèse de doctorat |
Discipline(s) : | Signal et images |
Date : | Soutenance le 16/09/2015 |
Etablissement(s) : | Paris, ENST |
Ecole(s) doctorale(s) : | École doctorale Informatique, télécommunications et électronique de Paris |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....) |
Jury : | Président / Présidente : Patrice Bertail |
Examinateurs / Examinatrices : Olivier Catoni, Jérôme Dedecker | |
Rapporteurs / Rapporteuses : Liudas Giraitis, Gilles Stoltz |
Mots clés
FR |
EN
Mots clés contrôlés
Résumé
FR |
EN
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.