Soutenance de thèse d’Hassan Maissoro

Elhadji Hassan MAISSORO MALAM IDI soutiendra publiquement ses travaux de thèse intitulés « Séries temporelles fonctionnelles avec application à la prévision de la production d’électricité  » le lundi 24 novembre 2025 à 14h, à l’ENSAI.

Ecole Doctorale : Mathématiques, Télécommunications, Informatique, Signal, Systèmes, Electronique (Matisse)

Unité de recherche : CREST (UMR 9194)

Directeur de thèse : Valentin PATILEA, Professeur des universités, CREST-ENSAI et Myriam VIMOND, maître de conférences, CREST-ENSAI

Composition du jury

Rapporteuse : Mme Anne-Françoise YAO, Professeur des universités, Université Clermont Auvergne

Rapporteur : Monsieur Enea BONGIORNO, Professori Associati, Università degli Studi del Piemonte Orientale – Amedeo Avogadro

Examinateur : Monsieur Salim BOUZEBDA,Professeur des Universités, UT Compiègne

Examinateur : Monsieur Cristian PREDA, Professeur des Universités, Université Lille 1

Directeur de thèse : Monsieur Valentin PATILEA, Professeur des universités, CREST-ENSAI

Co-directrice : Madame Myriam VIMOND, Maître de conférences, CREST-ENSAI

Séries temporelles fonctionnelles avec application à la prévision de la production d’électricité

Mots-clés : Estimateur adaptatif, Exposant de Hölder, Fonction moyenne, Fonction autocovariance, Lissage optimal, Meilleur prédicteur linéaire sans biais.

Résumé : Cette thèse développe de nouvelles méthodes non paramétriques adaptatives pour l’analyse de séries temporelles fonctionnelles stationnaires (FTS), motivées par la prévision de la production d’électricité renouvelable. Ces données apparaissent comme des suites de trajectoires dépendantes, souvent irrégulières et de régularité variable, observées avec erreur en des points discrets possiblement aléatoires. Les méthodes proposées permettent d’estimer les fonctions de moyenne, de covariance et d’autocovariance des FTS d’une manière qui s’adapte à la fois à la régularité des trajectoires et au schéma d’observation. Une procédure de prédiction adaptative est ensuite construite en utilisant le meilleur prédicteur linéaire sans biais fondé sur ces estimations. Des garanties théoriques rigoureuses ainsi que des implémentations numériques concrètes viennent étayer la méthodologie proposée. Enfin, l’approche est appliquée à la prévision quotidienne de la production d’électricité éolienne et photovoltaïque. Un package R a été développé afin de rendre ces avancées méthodologiques facilement accessibles aux praticiens.

Functional Time Series with application to electricity production forecasting

Keywords : Adaptive estimator, Hölder exponent, Mean function, Autocovariance function, Optimal Smoothing, Best Linear Unbiased Predictor.

Abstract : This thesis develops new adaptive nonparametric methods for stationary functional time series (FTS), motivated by the prediction of renewable electricity production data. Such data naturally arise as sequences of dependent trajectories that can be rough and exhibit varying degrees of smoothness. The curves are observed with error at possibly random discrete domain points. The proposed methods estimate the mean, covariance and autocovariance functions of the FTS in a way that adapts to both the smoothness of the sample paths and the observation design. An adaptive prediction procedure is then constructed using the best linear unbiased predictor based on these estimated quantities. Rigorous theoretical guarantees and practical numerical implementations support the proposed methodology. Finally, the approach is applied to forecast daily wind and photovoltaic electricity production. An R package has been developed to make these methodological advances easily accessible to practitioners.