Cet article étudie une méthode combinant des réseaux de mémoire à long et court terme (LSTM) et de décomposition-LSTM (DLSTM) avec des algorithmes d'ensemble pour prédire les éruptions solaires à l'aide de séries chronologiques du catalogue GOES. À partir de données de 2003 à 2023 (contenant 151 071 éruptions), nous identifions environ 7 552 fenêtres de modèles annuels, soulignant la difficulté de la prédiction à long terme en raison du comportement complexe et auto-organisé du Soleil basé sur la criticité. Une technique de fenêtre glissante est utilisée pour détecter les quasi-modèles temporels dans les séries chronologiques d'éruptions irrégulières et régulières. La régularisation réduit la complexité, améliore l'activité des éruptions de grande ampleur et capture plus efficacement les jours d'activité. Une technique de rééchantillonnage est appliquée pour résoudre le problème de déséquilibre de classe. Les modèles LSTM et DLSTM sont entraînés sur des séquences de flux de pointe et de latence de séries chronologiques irrégulières, tandis que LSTM et DLSTM, combinés à des techniques d'ensemble, sont appliqués à des fenêtres glissantes de séries chronologiques régulières avec des intervalles de 3 heures. Les indicateurs d'évaluation des performances (TSS 0,74, rappel 0,95, aire sous la courbe ROC AUC 0,87) démontrent que le DLSTM, utilisant des techniques d'ensemble pour des séries temporelles régulières, surpasse les autres modèles et fournit des prévisions d'éruptions solaires de grande ampleur plus précises avec moins d'erreurs que les modèles entraînés sur des séries temporelles irrégulières. La performance supérieure du DLSTM est attribuée à sa capacité à séparer efficacement le bruit aléatoire en décomposant la série temporelle en composantes tendancielles et saisonnières. Cette étude met en évidence le potentiel des techniques avancées d'apprentissage automatique pour la prévision des éruptions solaires et souligne l'importance d'intégrer différentes phases du cycle solaire et des stratégies de rééchantillonnage pour améliorer la fiabilité des prévisions.
