Etudiant : BRAHMI IMANE

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. ELHAOUSI FATIMA

Annèe : 2025

Résumé : Le présent projet concerne le domaine des prévisions de séries temporelles tant univariées que multivariées et vise notamment le cas d’application du trafic aérien marocain et de la qualité de l’air. Dans un contexte où l’anticipation des phénomènes temporellement évolutifs apparaît aujourd’hui comme une nécessité, il s’agit de comparer différents types de modélisations – statistiques, machine learning et deep learning – et d’évaluer leurs performances respectives suivant les types de données. Pour le cas univarié avec le modèle de données relatives au trafic aérien marocain entre 2010 et 2024 fournies par l’ONDA, trois modèles ont été étudiés : SARIMA, Random Forest et LSTM, Random forest étant le modèle le plus performant de manière générale mais pour une période stable, SARIMA reste pertinent. Cependant, il s’avère encore difficile de poser une évaluation concrète des résultats en tant que LSTM est parfois encore trop faible en raison de la taille restreinte des données. Concernant la qualité de l’air, l’approche multivariée a mobilisé les modèles VAR, SVR et GRU sur un jeu de données comprenant plusieurs polluants et des variables climatiques. Le modèle GRU a mieux performé en tant que plus apte à choisir et donc à présenter des dynamiques non linéaires de façon privilégiée lors de périodes de pics de pollution. En conclusion, ce travail montre qu’aucun modèle n’est meilleur que tous les autres : le choix dépend profondément des données, de la structure de celles-ci et de l’objectif de prévision. Les perspectives de recherche ouvertes portent sur la possibilité d’expérimenter ces approches pour des questions économiques comme la prévision du prix de l’or ou des tendances boursières pour le enrich versus le pro-phe, le besoin d’enrichir les données historiques, de développer des outils interactifs pour la visualisation en temps réel.