Apprentissage machine pour la prédiction de la consommation du gaz naturel à Bejaia.

Abstract

Ce mémoire se concentre sur l'utilisation de l'intelligence artificielle pour améliorer la prévision de la consommation future de gaz naturel à Béjaïa, en Algérie. L'objectif principal était de développer un modèle prédictif précis en utilisant une approche combinant l'apprentissage en profondeur (LSTM) et l'analyse de séries temporelles (SARIMA) "Ensemble_LSTM_SARIMA". Le modèle a été appliqué à un ensemble de données fourni par la SONELGAZ CD Béjaïa, comprenant les données de consommation de gaz naturel des clients haute pression de 2014 à 2023. Les résultats ont montré un taux d'erreur de 4,85% pour la prédiction de la consommation d'un seul client et un taux d'erreur de 4,76% pour l'ensemble des clients. Ces résultats démontrent l'efficacité de notre approche dans la prédiction précise de la consommation future de gaz naturel. Cette approche offre une amélioration significative par rapport aux méthodes individuelles. Ce mémoire contribue ainsi à résoudre la problématique de la gestion efficace de cette ressource précieuse en anticipant les fluctuations de la demande et en permettant une utilisation optimale du gaz naturel à Béjaïa.