| Résumé | Ce rapport présente les résultats de recherches expérimentales sur la mise en oeuvre parallèle d'un algorithme de calcul souple en vue de découvrir des modèles dans les séries chronologiques multivariées, éventuellement avec des valeurs manquantes. L'algorithme utilise un réseau neuronal hybride avec deux différents types de neurones programmés d'après une procédure non traditionnelle. Les modèles décrivant les dépendances chronologiques multivariées sont codés en chaînes binaires représentant des réseaux neuronaux, et ont évolué à l'aide d'algorithmes génétiques. Le présent document étudie les propriétés de ces modèles, du point de vue expérimental (à l'aide de grappes homogènes et hétérogènes), et met l'accent sur i) l'influence des valeurs manquantes, ii) les facteurs qui contrôlent le calcul parallèle et iii) l'efficacité des résultats de la prédiction des séries chronologiques. Les résultats confirment que i) l'algorithme présente une tolérance élevée aux données manquantes, ii) les grappes homogènes Athon offrent une meilleure production que les grappes homogènes Xeon, iii) une augmentation du nombre d'esclaves réduit le temps de traitement jusqu'à ce que le temps inactif de communication domine (comme prévu) et iv) l'exécution de l'algorithme en parallèle n'a pas d'effet sur l'erreur quadratique moyenne (comme prévu). Même s'il est possible de prédire de manière qualitative ce comportement, on a découvert des compensations appropriées entre l'erreur et le temps, ce qui permettra d'utiliser plus efficacement et systématiquement le système dans l'avenir. |
|---|
