Thèse soutenue

Agrégation de prédicteurs pour des séries temporelles, optimalité dans un contexte localement stationnaire
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Andrés Sànchez Pérez
Direction : François RoueffChristophe 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

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.