Time Series Forecasting Using Neural Networks: A Comparative Study of Traditional Model(ARIMA) and (ANN) Approaches

Abstract

This study evaluates the effectiveness of neural networks in time series forecasting by comparing the performance of the traditional ARIMA model with Artificial Neural Networks (ANN). The research focuses on model construction methodology, data preprocessing, and performance evaluation using accuracy metrics including Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The results demonstrate the comparative advantages of ANN-based approaches in handling complex patterns where classical models face limitations, providing insights into model selection for diverse forecasting scenarios

Cette étude évalue l'efficacité des réseaux de neurones dans la prévision des séries temporelles en comparant les performances du modèle traditionnel ARIMA avec les réseaux de neurones artificiels (ANN). La recherche porte sur la méthodologie de construction des modèles, le prétraitement des données et l’évaluation des performances à l’aide de métriques de précision telles que l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne (MAE). Les résultats mettent en évidence les avantages comparatifs des approches basées sur les ANN pour capturer des motifs complexes, là où les modèles classiques présentent des limites, offrant ainsi des pistes pour le choix de modèles adaptés à divers scénarios de prévision.