samedi 13 octobre 2012

Semaine Formation Prévision et ses applications

Dans le cadre du groupe prévision, nous avons le plaisir de vous annoncer deux cours très complémentaires sur la prévision.

Inscription gratuite et programme détaillé sur : http://www.amiando.com/UKCOTPQ.html 
Places limitées.

 Lieu : Salle 314, IHP, 11 Rue Pierre et Marie Curie, Paris 75005 Dates (5,6,8,9 novembre 2012)

 Le premier cours est donné par le Professeur Koopman de l'université d'Amsterdam (http://personal.vu.nl/s.j.koopman/) spécialiste des séries temporelles, notamment de l'analyse factorielle. Son cours est intitulé "Forecasting, theory and practice".

 La deuxième série de cours est donné par la Société de Calcul Mathématique de Bernard Beauzamy, ancien professeur des Universités. Seront traités les sujets suivants : 1) Les taux de risque, application à la prévision d’un nb d’accidents, 2) les phénomènes extrêmes,3) l’hypersurface probabiliste et son exploitation pour l’anticipation, 4) La construction d’indicateurs prospectifs par des méthodes probabilistes robustes

Matthieu Cornec
 Insee, CREST

jeudi 17 mai 2012

Vendredi 8 juin 2012 Prévisions ponctuelles et probabilistes de trafic aérien à partir de l'outil ADN

Vendredi 8 juin 2012 Prévisions ponctuelles et probabilistes de trafic aérien à partir de l'outil ADN , par Alexandre Servigne (ADP) et Raphaël Boudra (ADP)
   
 Lieu ENGREF
 Salle 7
12h30-13h30 : présentation

  ###### Alexandre Servigne (ADP) et Raphaël Boudra (ADP)
Prévisions ponctuelles et probabilistes de trafic aérien à partir de l'outil ADN

L'outil ADN (Alexander's drifts net : les filets dérivants d'Alexandre) permet de combiner différentes méthodes de prévisions pour effectuer les prévisions ponctuelles et probabilistes de trafic passagers et de mouvements avions à Aéroports de Paris..
La modélisation des séries, en fonction des différentes configurations, est organisée en arborescence et approchée par différentes méthodologies en fonction de son niveau dans l'arborescence.
Approche physique (méthode Kenza estimant la population susceptible de voyager) , différentes méthodes statistiques et prise en compte des points cibles décidés par le comité exècutif se partagent la modélisation.
Des techniques d'agrégation de modèles permettront de combiner les résultats issus des différentes méthodes statistiques.
Dans un cadre comptable, le respect des contraintes de cohérence (la somme des prévisions doit être égale à la prévision de la somme) pourra être assuré par la mise en place de techniques d'approches verticales/horizontales et d'optimisation quadratique.

mercredi 18 avril 2012

Cours "Prévision séquentielle robuste par agrégation de prédicteurs"

Le GT prévision soutenu par le mécénat d'Artelys et de GDF Suez propose un cours de 4h -ouvert à tous- sur le sujet de la prévision séquentielle robuste par agrégation de prédicteurs (description fin de post).

Cette introduction sera donnée par Gilles Stoltz (HEC, CNRS) le mercredi 6 juin de 13h00 à 17h00 à l'ENGREF. Merci de vous inscrire sur le lien suivant : http://www.amiando.com/TKBVBLT.html




#################################################
Titre :
Prévision séquentielle robuste par agrégation de prédicteurs

Résumé :

On considère un cadre méta-statistique de prévision séquentielle d'un phénomène quantitatif. On ne cherchera pas à modéliser ce dernier mais on supposera avoir accès à N méthodes de prévision fondamentales (issues p.ex. de la littérature des séries chronologiques, de l'apprentissage, etc.) : on appellera 'experts' ces N méthodes fondamentales et on les traitera comme des boîtes noires prédictives, c'est-à-dire que l'on ne discutera pas leur construction.

En revanche, on expliquera comment, dans un sens très robuste, on pourra combiner leurs prévisions pour obtenir une méta-prévision (dite agrégée) presqu'aussi bonne, voire meilleure, que n'importe quelle suite de prévisions produite par l'une des boîtes noires. A cet effet, on introduira une quantité-clé, appelée le regret, et il s'agira de minimiser le regret.

On considérera également une extension au cadre d'un environnement changeant : lorsque l'on veut se comparer non plus au meilleur expert mais à la meilleure suite d'experts avec quelques (mais pas trop) de changements au cours du temps.

On illustrera enfin les méthodes théoriques sur deux jeux de données : prévision de pics d'ozone, prévision de consommation électrique; et on fera allusion à des travaux en cours sur d'autres jeux de données... s'ils ont bien avancé d'ici là (notamment, sur la prévision de taux de change).

Plan du mini-cours
- Présentation du cadre et des enjeux; définition du regret; 'gradient trick' et réduction à un cadre générique
- Algorithme par poids exponentiels: borne de performance, réglage séquentiel des vitesses d'apprentissage
- Prévision contre un environnement changeant
- Prévision randomisée
- Aperçu d'applications sur données réelles


lundi 19 mars 2012

Vendredi 13 avril : Prediction of Quantiles by Statistical Learning and Application to GDP Forecasting,

Lieu ENGREF
Salle 7
12h30-13h30
Vendredi 13 avril 2012

Pierre Alquier (Paris 7) et X.Li (Université de Cergy)
Prediction of Quantiles by Statistical
Learning and Application to GDP Forecasting

In this paper, we tackle the problem of prediction and confidence intervals for time series using a statistical learning approach and quantile loss functions.
In a first time, we show that the Gibbs estimator (also known as Exponentially Weighted aggregate) is able to predict as well as the best predictor in a given family for a wide set of loss functions.
In particular, using the quantile loss function of Koenker and Bassett (1978), this allows to build confidence intervals. We apply these results to the problem of prediction and confidence regions for the French Gross Domestic Product (GDP) growth, with promising results. 

lundi 13 février 2012

Calendrier 2011 2012

Yannig Goude, EDF
Vendredi 16 mars 2012
ENGREF,

Adaptive GAM models for Day-Ahead and Intra-Day Electricity Consumption Forecasts

Matthieu Cornec, Fanny Mikol
Insee, CREST
DREES

ENSAE, Amphi 1
Jeudi 9 Février 2012
"Nowcasting GDP directional change with an application to French business survey data".



Emile RICHARD
1000mercis (en CIFRE) et au CMLA-ENS Cachan
Vendredi 20 janvier 2012
Prediction in dynamic graph sequences


Jairo Cugliari
Postdoc at SELECT team, INRIA
Travail realise en these à EDF
Lieu ENGREF
12h30-13-30
Amphi 7rdc
16 déc

Titre
Prévision non paramétrique de processus à valeurs fonctionnelles.

amphi b 208 2eme etage


Sylvain Robbiano
Télécom Paristech
4 novembre

Titre
" ranking binaire et agrégation pour le cas multi-classes"

Lieu ENGREF
12h30-13-30
Amphi 7rdc
16 déc

Présentation vendredi 16 mars 2012 : Adaptive GAM models for Day-Ahead and Intra-Day Electricity Consumption Forecasts

Lieu ENGREF
Salle 7
12h30-13h30
Vendredi 16 mars 2012

Yannig Goude
EDF R&D

Adaptive GAM models for Day-Ahead and Intra-Day Electricity Consumption Forecasts

Generalized Additive Models have been investigated recently to forecasts day-ahead electricity consumptions at EDF R&D. These models achieve an interesting trade-off between accuracy of forecasts and adaptation to different data sets thanks to their semi-parametric structures. We propose here a new method based on QR decomposition (joined work with S. Wood) to learn this models on-line as we receive new data. This allows GAM models to react to smooth changes in the data generation process: economic crisis, loss or gain of customers… We illustrate it on different data sets and real forecasts.

lundi 23 janvier 2012

Présentation Jeudi 9/02 : Nowcasting GDP directional change with an application to French business survey data

Matthieu Cornec, Fanny Mikol
Insee, CREST
DREES

ENSAE, Amphi 1
Jeudi 9 Février 2012
"Nowcasting GDP directional change with an application to French business survey data".


Abstract

Despite a rich litterature on GDP growth level forecasting, few studies
have focused on forecasting GDP directional change. This is all the more
suprising that economic outlook analysis is mainly explained in terms of
acceleration or deceleration. We conduct a comparative study between
di erent class of models ranging from econometrics to machine learning.
Empirical investigations on French economy suggest that classi cation
models slightly outperform their level-based counterpart, with the respect
to the sign forecast exercise. We also provide analytical properties for
future model-based predictions. Eventually, we construct a directional
risk index which describes in probability terms the risk of an upcoming
deceleration. Applied to the balances of di erent business surveys, it
appears as a useful tool for economic forecasters