The present article reports studies to develop a univariate model to forecast the summer monsoon (June–August) rainfall over India. Based on the data pertaining to the period 1871–1999, the trend and stationarity within the time series have been investigated. After revealing the randomness and non-stationarity within the time series, the autoregressive integrated moving average (ARIMA) models have been attempted and the ARIMA(0,1,1) has been identified as a suitable representative model. Consequently, an autoregressive neural network (ARNN) model has been attempted and the neural network has been trained as a multilayer perceptron with the extensive variable selection procedure. Sigmoid non-linearity has been used while training the network. Finally, a three-three-one architecture of the ARNN model has been obtained and after thorough statistical analysis the supremacy of ARNN has been established over ARIMA(0,1,1). The usefulness of ARIMA(0,1,1) has also been described.

Le présent article rapporte les études pour développer un modèle univarié susceptible de prédire la pluviosité de mousson (juin–août) sur l’Inde. Basées sur les données se rapportant à la période 1871–1999, tendance et stationnarité ont été recherchées au sein de séries temporelles. Après avoir révélé le caractère aléatoire et non stationnaire au sein de celles-ci, les modèles autorégressifs (ARIMA) à moyenne mouvante intégrée ont été explorés et le modèle ARIMA (0,1,1) a été identifié comme un modèle représentatif approprié. En conséquence, un modèle autorégressif à réseau neuronal (ARNN) a été exploré et le réseau neuronal a été essayé en tant que perceptron multicouche avec processus de sélection extensive variable. Finalement, une architecture 3-3-1 du modèle ARNN a été obtenue et après analyse statistique approfondie, la suprématie du modèle ARNN sur le modèle ARIMA (0,1,1) a été établie. L’utilité d’ARIMA (0,1,1) a aussi été décrite.