Dans ce lien sur la stationnarité et la différenciation , il a été mentionné que les modèles comme ARIMA nécessitent une série chronologique stationnaire pour la prévision car ses propriétés statistiques comme la moyenne, la variance, l'autocorrélation, etc. sont constantes dans le temps. Étant donné que les RNN ont une meilleure capacité à apprendre des relations non linéaires ( comme indiqué ici: La promesse de réseaux de neurones récurrents pour la prévision des séries chronologiques ) et qu'ils fonctionnent mieux que les modèles de séries chronologiques traditionnels lorsque les données sont volumineuses, il est essentiel de comprendre comment stationarisé les données auraient une incidence sur ses résultats. Les questions dont j'ai besoin de connaître la réponse sont les suivantes:
Dans le cas des modèles traditionnels de prévision de séries chronologiques, la stationnarité des données de séries chronologiques facilite la prévision, pourquoi et comment?
Lors de la construction d'un modèle de prédiction de séries chronologiques à l' aide de LSTM , est-il important de rendre les données de séries chronologiques stationnaires? Si oui, alors pourquoi?