Analyse des fluctuations saisonnières et modèle de prévision des ventes dans le secteur agroalimentaire.

Abstract

Dans ce mémoire, nous proposons d'évaluer les performances de plusieurs modèles statistiques et de machine learning pour la prédiction des ventes dans l'industrie agroalimentaires. En commençant par la collecte des données, nous avons également créer des rapports détaillés et interactifs sur ces données avec Power BI pour une analyse plus approfondie. Ensuite, nous avons procédé au traitement et analyse des données avec diverses méthodes d'analyse temporelle, à la création de deux modèles statistiques, à savoir AutoRégressif Intégré à Moyenne Mobile (ARIMA) et lissage exponentiel de Holt-Winters (HWES), ainsi q'un modèle de mémoire à long et à court terme (LSTM) avec des techniques avancées de deep learning pour améliorer la prédiction. Enfin, nous avons évalué et interprété les résultats de nos modèles. Une comparaison des performances est faite de notre modèle LSTM et HWES crée, et aussi avec deux autres modèles de l'état de l'art réalisé, à savoir un modèle CNN et un modèle DNN. Les résultats indiquent que le modèle LSTM surpasse tous les autres modèles en termes d'erreurs MSE, MAE et RMSE qui sont nettement infé- rieures à celles des autres modèles et un R² plus élevé, ce qui montre que LSTM est capable de fournir des prédictions précises et fiables.