Etudiant : ANANA IKRAM

Filière : Modélisation Stochastique et Statistique Décisionnelle (MSSD)

Encadrant : Pr. KIOUACH DRISS

Annèe : 2026

Résumé : Ce mémoire compare les méthodes statistiques classiques, notamment l'estimation par Maximum de Vraisemblance (MLE), aux architectures d'apprentissage profond (LSTM, TCN et Transformer) pour l'estimation des paramètres et la prédiction des processus autorégressifs. Les résultats montrent que le MLE est le plus performant lorsque les hypothèses de stationnarité sont vérifiées, tandis que le LSTM se distingue par sa robustesse sur des séries non stationnaires ou complexes. En prédiction, les trois architectures obtiennent des performances proches, sans qu'un modèle ne domine systématiquement les autres, le choix dépendant des caractéristiques de la série temporelle. L'étude met également en évidence le rôle essentiel de la stationnarisation des données pour améliorer la qualité des estimations et des prévisions. Enfin, elle conclut à la complémentarité des approches statistiques et de l'apprentissage profond pour la modélisation des séries temporelles.