@InProceedings{2015_lim390,
	author = "Néhémy Lim and Cédric Auliac and Florence D'alché-buc",
	title = "OKVAR : une nouvelle famille de modèles autorégressifs vectoriels à noyaux à valeurs matricielles",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0112",
	pages = "p. 449-452",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_lim390.pdf",
	abstract = "Résumé – En analyse de séries temporelles multivariées, la problématique de la prévision consiste à estimer les valeurs futures du système étudié à partir d'un historique de valeurs observées dans le passé. Pour attaquer ce problème canonique, nous définissons dans ce travail une nouvelle famille de modèles autorégressifs vectoriels non paramétriques construits à partir de noyaux à valeurs matricielles. Pour apprendre de tels modèles, nous avons recours à des méthodes proximales qui permettent d'estimer les paramètres du modèle sous contrainte de parcimonie. Afin de démontrer l'efficacité de nos modèles, nous les appliquons à des données simulées, obtenues à partir de systèmes dynamiques non linéaires présentant des structures topologiques variées.
 
 Abstract – In multivariate time series analysis, forecasting consists in estimating future values of the observed system based on previously observed values. In order to address this issue, we define in this work a new family of nonparametric vector autoregressive models based on matrix-valued kernels. To learn such models, we resort to proximal methods appropriate to estimate the model parameters under sparsity constraints. In order to emphasize the performance of the developed models, we apply them on simulated data, obtained using non linear dynamical systems exhibiting various topological structures..pdf",
}