Prédiction basée sur l'apprentissage profond

Abstract

Avec l'essor de l'intelligence artificielle, les avancées récentes en apprentissage automatique (ML) et en apprentissage profond (DL) offrent aux entreprises des outils puissants pour amé- liorer leurs performances. Face aux défis liés à la gestion de l'énergie, comme l'augmentation constante de la demande, ces technologies apparaissent comme une solution innovante. Ce mémoire s'inscrit dans cette dynamique et propose le développement d'une application web permettant d'analyser et de prédire la consommation électrique au sein de la direction commerciale de Sonelgaz à Béjaïa. L'application repose sur trois approches de prévision des séries temporelles : ARIMA, SARIMA et les réseaux de neurones LSTM. Elle offre des fonctionnalités de visualisation, de prédiction et de génération de rapports. Pour structurer le développement, la méthodologie agile Scrum a été adoptée, assurant un pilotage itératif et collaboratif du projet. L'évaluation de l'application a été réalisée à partir des données réelles de consommation mensuelle de 7 clients, collectées sur une période de 4 ans dans la région de Béjaïa.