Ce papier s’intéresse à l’utilisation d’une méthode orientée données pour modéliser la dynamique du système chaotique de Lorenz. Une architecture de modèle basé sur un réseau de neurones récurrents avec petite et longue dépendance prédit plusieurs pas de temps dans le futur la position et la vitesse d’une particule à partir d’une séquence passée d’états. Pour prendre en compte les erreurs de modélisation et faire une prédiction continue, un réseau de neurones artificiels assimile des données temps réel pour détecter et reconstruire les mauvaises prédictions, comme des changements de lobes non pertinents. La stratégie présentée amène à de bons score de prédictions et ne nécessite pas que la statistique de l’erreur soit connue, présentant ainsi un avantage conséquent par rapport à un simple filtre de Kalman.