Forecasting lightpath quality of transmission and implementing uncertainty in the forecast models

Résumé

La popularité récente de l’utilisation des modèles d’apprentissage profond pour la prédiction des séries chronologiques requiert de prédire avec exactitude la cible mais également mesurer l’incertitude de la prédiction. Ainsi, une architecture intuitive N-Beats a été implémentée dans cette thèse pour propriétés la rapidité de l’entraînement du modèle et l'adaptabilité de paramètre. De plus, cette architecture ne nécessite pas de modifier les différents paramètres du tableau de séries temporelles. L’impact des hyper-paramètres sur les performances de notre modèle a été également étudiée. Finalement, la performance de notre modèle a été comparée à d’autres modèles, à savoir Long Short-Term Memory (LSTM), Multi Layer Perceptron (MLP) et une méthode naïve. Les résultats ont montré que notre modèle N-Beats a surpassé le modèle LSTM. Toutes les implémentations ont été réalisées en utilisant le langage de programmation Python. Notre base de données utilisée comprend des ensembles de données de deux opérateurs de réseau, Microsoft et NASP. Un échantillonnage aléatoire de nos ensembles de données a été effectué pour éviter un sur-apprentissage. L’estimation de l’incertitude est une mesure des modèles d’apprentissage automatique pour déterminer la fiabilité de la prédiction des séries chronologiques. Ainsi, pour mesurer l’incertitude et le niveau de confiance du modèle MLP, le dropout Monte Carlo, qui se rapproche de l’incertitude bayésienne, a été appliqué lors de l’inférence. La régression quantile a été implémentée comme modèle de référence pour prédire les intervalles de confiance et pour évaluer notre stratégie d’estimation de l’incertitude. En conséquence, les modèles d’approximation bayésienne ont indiqué la nécessité d’un étalonnage pour ajuster la probabilité prédite.

Date	13 déc. 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Christine Tremblay (Directeur(-trice)) & Christian Desrosiers (Codirecteur(-trice))