Time-penalised tree, un algorithme temporel interprétable appliqué aux risques climatiques

Cette présentation introduit un algorithme d'arbre de décision innovant conçu pour prendre en compte des variables temporelles dans des environnements dynamiques. Les méthodes traditionnelles échouent souvent lorsque les variables explicatives varient avec le temps, entraînant des prévisions inexactes. Notre solution, l'algorithme de Time-penalised Tree (TpT), utilise un critère de division pénalisé par le temps, permettant la partition récursive conjointe de l'espace des covariables et du temps. Cette approche intègre les tendances historiques dans la construction du modèle, offrant un cadre clair et interprétable.
Nous présentons la structure et le fonctionnement de l'algorithme TpT, en soulignant ses avantages par rapport aux méthodes existantes. Un cas d'étude sur la prédiction des risques climatiques illustre l'application pratique de TpT, montrant comment il améliore l'interprétabilité des prévisions en utilisant des données climatiques historiques. Puisque celles-ci forment des séries temporelles, dans l’espace et dans le temps, l’algorithme TpT aide également à la sélection des variables climatiques les plus prédictives.
Nous abordons également les propriétés théoriques de TpT, son efficacité et son potentiel d'application dans divers domaines comme la santé, la finance et l'assurance. Les directions futures de recherche sont discutées, notamment la validation et la comparaison de TpT avec d'autres algorithmes sur des ensembles de données actuariels divers.