Abstract:
Dans ce mémoire, nous avons développé un modèle innovant intégrant l'intelligence artificielle et l'apprentissage automatique, notamment à travers l'utilisation de réseaux neuronaux pour les séries temporelles. Après une analyse approfondie des données incluant le nettoyage et la normalisation, notre approche ensembliste combine les résultats de réseaux neuronaux 1D-CNN et GRU. Ces résultats servent d'entrées à un modèle XGBoost pour prédire la demande logistique, montrant une amélioration significative de la précision des prévisions. Ce projet de Master vise ainsi à optimiser la gestion des stocks et à ouvrir de nouvelles perspectives pour l'avenir de la gestion logistique.
