This paper aims at comparing different forecasting strategies combined with the STL decomposition method. STL is a versatile and robust time series decomposition method. The forecasting strategies we consider are as follows: three statistical methods (ARIMA, ETS, and Theta), five machine learning methods (KNN, SVR, CART, RF, and GP), and two versions of RNNs (CNN-LSTM and ConvLSTM). We conduct the forecasting test on six horizons (1, 6, 12, 18, and 24 months). Our results show that, when applied to monthly industrial M3 Competition data as a preprocessing step, STL decomposition can benefit forecasting using statistical methods but harms the machine learning ones. Moreover, the STL-Theta combination method displays the best forecasting results on four over the five forecasting horizons.

Traditional magnetic-field positioning methods collect magnetic-field information from each spatial point to construct a magnetic-field fingerprint database. During the positioning phase, real-time magnetic-field measurements are matched to a magnetic-field map to predict the user’s location. However, this approach requires a significant amount of time to traverse the entire magnetic-field fingerprint database and does not effectively leverage the magnetic-field sequence’s unique patterns to improve the accuracy and robustness of the positioning system. In recent years, the application of deep learning for the indoor positioning of magnetic fields has grown rapidly, especially by using the magnetic-field sequence as a time series and a trained long short-term memory (LSTM) model to predict the position, directly avoiding the time-consuming matching process. However, the training of LSTM is time-consuming, and the degradation problem occurs as the stack of layers increases. This article proposes a temporal convolutional network (TCN)-based magnetic-field positioning system that extracts magnetic-field sequence features by preprocessing them with coordinate transformation, smoothing filtering, and first-order differencing. The proposed method is seamlessly applicable to heterogeneous smartphones. The trained TCN models are compared with the LSTM and gated recurrent unit (GRU) models, showing the high accuracy and robustness of the proposed algorithm.

Prédiction de séries temporelles : de l'économétrie à l'apprentissage profond: La prédiction des séries temporelles (TSF) est essentielle dans divers domaines. Cette thèse explore profondément la TSF, contribuant aux domaines économétriques et de l’apprentissage profond. Dans cette thèse, nous avons étudié les méthodes de prédiction économétriques, y compris les modèles ARIMA, ETS, VAR et leurs variations, ainsi que les méthodes de décomposition des séries temporelles comme la décomposition canonique et STL. Nous avons aussi discuté de la méthode Theta et évalué ces techniques avec la décomposition STL sur les données du M3-Competition.Parallèlement, nous avons examiné les modèles d’apprentissage profond (DL) pour la TSF, tels que les MLP, CNN, RNN, le mécanisme d’attention, et les dérivés du modèle Transformer. Nous avons évalué trois modèles DL pour la prédiction multi-étapes de TSF,identifiant des pièges et proposant des solutions. Nous avons également présenté deux nouveaux modèles basés sur Transformer, Rankformer et STLformer, pour la prédiction à long terme de TSF, démontrant une performance supérieure. En outre, nous avons développé une application web prototype utilisant Python, Flask, Bootstrap, Plotly, et Docker, adhérant à un modèle MVC, facilitant le déploiement et offrant une interface utilisateur intuitive. L’application est en phase de test et sera bientôt déployée avec des fonctionnalités supplémentaires.