Auswahl der wissenschaftlichen Literatur zum Thema „Prédiction de pics“

Le changement climatique a pour conséquence l’apparition de forts événements pluvieux de plus en plus fréquents, occasionnant de fortes variations de débit et de concentrations à l’influent des stations d’épuration. La connaissance des risques d’orage et des débits potentiels plusieurs heures ou plusieurs jours en avance permettrait d’anticiper les adaptations opérationnelles pour préparer la station et protéger les différents ouvrages des risques de défaillance. Dans cette étude, les données météorologiques (pluies, température, vents, humidités, précipitations…) et l’historique des données d’influent de la station sont utilisés pour entraîner un algorithme d’intelligence artificielle, d’apprentissage automatique et d’apprentissage profond pour prédire les débits entrants sur la station jusqu’à une semaine en avance. Trois jeux de données journalières et horaires, de 1 à 3 ans, sont utilisés pour entraîner un modèle de Forêt aléatoire à 30 arbres, un modèle LSTM (long short-term memory) et un modèle GRU (gate recurrent unit) à trois couches de 100 neurones suivis chacun d’un dropout de 20 % et une couche de sortie entièrement connectée. Les données sont préalablement nettoyées pour supprimer les valeurs aberrantes et sont réparties à 80 % pour les données pour l’apprentissage et 20 % pour les données de test afin d’obtenir des modèles avec les meilleures prédictions. Les algorithmes utilisés dans cette étude sont simples et détectent bien les pics. La durée de l’entraînement sur les données de trois ans se fait en moins de deux minutes pour la Forêt aléatoire et en moins d’une demi-heure pour les réseaux de neurones LSTM et GRU. Les résultats montrent que les données horaires et la prise en compte de l’effet de l’historique par l’utilisation des réseaux de neurones récurrents LSTM et GRU permettent d’obtenir une meilleure prédiction des débits d’influent. Les séries de données plus longues permettent également un meilleur apprentissage des algorithmes et une meilleure prédiction du modèle.

Résumé La qualité des eaux de surface est sujette à de nombreuses fluctuations et par conséquence les gestionnaires sont souvent confrontés à des pics de pollution problématiques. À cet effet, nous présentons dans cette étude les résultats d’une exploration des séries d’analyses de la qualité des eaux de surface dans le bassin de la Tafna (Algérie). Nous avons retenu trois descripteurs de la qualité des eaux; la matière en suspension (MES), la conductivité et la demande chimique en oxygène (DCO). On dispose pour cette étude de séries de prélèvements instantanés d’une fréquence au moins mensuelle, couvrant une période de sept ans (avril 1995-mars 2002). Les stations de prélèvements choisies se situent sur les principaux cours d’eau du bassin de la Tafna (Mouillah, Isser et Tafna) de manière à couvrir l’ensemble du bassin versant. Afin d’aboutir à des conclusions exploitables, nous avons commencé, dans une première étape, par une vérification de la cohérence des résultats d’analyse, suivie d’une analyse conjointe de tous les paramètres pour explorer la structure globale des données et appréhender les principaux facteurs qui contrôlent l’évolution de la qualité physico-chimique des eaux. Nous proposons dans cette étude deux modèles mathématiques prévisionnels : le premier est un modèle de simulation du comportement de la qualité des eaux basé sur les relations concentration-débit. Le second est une approche prédictive qui permet de mettre en évidence les saisonnalités et les tendances d’évolution des paramètres étudiés.

Abstract BACKGROUND Chez les adolescents, une visite à l’urgence reliée à l’alcool est un facteur prédictif important de problèmes continus de consommation. OBJECTIVES Décrire le type de présentation, les caractéristiques cliniques et la prise en charge des jeunes intoxiqués à l’alcool admis aux urgences. DESIGN/METHODS Étude rétrospective descriptive des jeunes (12 à 24 ans) admis aux urgences du Centre Hospitalier Universitaire de Sherbrooke (CHUS) en raison d’une intoxication à l’alcool entre janvier 2012 et janvier 2017. RESULTS Sur un total de 855 admissions, 56% étaient des garçons. Un hospitalisation de plus de 24 heures a été nécessaire pour 77 jeunes (9%) et 44 ont nécessité une ventilation méchanique (5%). L’âge moyen était de 19,7 ans, 167 (20%) avait entre 12 et 17 ans. Le taux d’éthanolémie moyen était de 208.8 mg/dl, 55 (6) avec des taux de plus de 300 mg/dl. Une altération de l’état de conscience a été documentée dans 68% des cas avec 23% des patients présentant une menace potentielle pour la vie. Des pics de consultation étaient présents aux semaines 35 (rentrée universitaire) et 44 (Halloween). L’utilisation d’alcool fort a été identifié dans 74% des cas. Seulement 29% avait consommé une autre substance psychotrope. La co-intoxication la plus fréquente étant le cannabis (n=119,14%). Des complications ont été identifié dans 57% des admissions dont 195 (23%) traumatismes, 85 (10%) bagarres, 22 (3%) blessures auto-infligées, 10 (1%) abus sexuelles. Seulement 52% des patients ont reçu un councelling lors de leur séjour à l’urgence. CONCLUSION Les intoxications aigues à l’alcool chez les jeunes sont fréquentes et sévères. Ce projet permettra de dégager des pistes préventives au sein de la communauté sherbrookoise.

La prédiction de la consommation énergétique des bâtiments est aujourd’hui un point-clé de la transition énergétique, qui vise à atténuer les effets du réchauffement climatique. La quantité de données disponible étant de plus en plus importante, les modèles prédictifs dits « data-driven » voient leur performances croître constamment. Parmi ces modèles, ceux issus du Machine Learning sont probablement les plus efficaces. Au sein de cette thèse, nous proposons de réaliser un état de l’art complet des contributions du Machine Learning à la la prédiction de la consommation énergétique des bâtiments, via deux axes principaux : l’étape de pré-traitement des données préalable à l’utilisation d’un modèle de Machine Learning et les modèles en tant que tels, jusqu’aux plus complexes qui sont les réseaux neuronaux profonds. Malgré les performances de ces derniers, prédire avec précision la consommation d’électricité lorsque de fortes variations dans le temps apparaissent reste un défi. Pour le relever, nous proposons d’explorer deux voies : l’utilisation de fonctions de pertes soft-DTW et l’ajout de variables exogènes. L’application, à des données réelles, d’un réseau neuronal résiduel LSTM avec la fonction de perte soft-DTW, mène à une amélioration significative via notamment une meilleure compréhension des évolutions associées aux séries temporelles étudiées, en particulier pour les pics. Cependant, les métriques d’erreur classiques se révèlent insuffisantes pour évaluer et valider ou non le modèle prédictif. Nous introduisons donc une analyse de matrice de confusion et deux nouvelles métriques d’erreur : l’erreur de localisation temporelle du pic et l’erreur d’amplitude du pic basée sur l’algorithme DTW. Nos résultats révèlent que le soft-DTW surpasse les fonctions de perte MSE et MAE avec une réduction des erreurs associées à ces métriques, menant à une meilleure précision du modèle global. Afin de pénaliser la fonction de perte soft-DTW, un terme additionnel est introduit parmi l’erreur MSE, l’erreur MAE et l’indice de distorsion temporelle. Les résultats montrent que la pénalité MSE est la plus efficace pour réduire les problèmes de sur-estimation des pics et la réduction de l’effet dit « aigu » de ces pics. Concernant les variables exogènes, leur ajout combiné à la fonction de perte soft-DTW peut améliorer de façon significative notre modèle de prédiction : ainsi, les variables dites calendaires (temporelles) améliorent généralement la performance, en particulier si leur corrélation de Pearson avec la variable cible est importante. Cependant, si cette corrélation est relativement faible, l’inclusion de variables calendaires a un effet négatif sur la performance du modèle. Une conclusion similaire a été faite pour les variables météorologiques
The ongoing energy transition, pivotal to mitigate global warming, could significantly benefit from advances in building energy consumption prediction. With the advent of big data, data-driven models are increasingly effective in forecasting tasks and machine learning is probably the most efficient method to build such predictive models nowadays. In this work, we provide a comprehensive review of machine learning techniques for forecasting, regarding preprocessing as well as state-of-the-art models such as deep neural networks. Despite the achievements of state-of-art models, accurately predicting high-fluctuation electricity consumption still remains a challenge. To tackle this challenge, we propose to explore two paths: the utilization of soft-DTW loss functions and the inclusion of exogenous variables. By applying the soft-DTW loss function with a residual LSTM neural network on a real dataset, we observed significant improvements in capturing the patterns of high-fluctuation load series, especially in peak prediction. However, conventional error metrics prove insufficient in adequately measuring this ability. We therefore introduce confusion matrix analysis and two new error metrics: peak position error and peak load error based on the DTW algorithm. Our findings reveal that soft-DTW outperforms MSE and MAE loss functions with lower peak position and peak load error. We also incorporate soft-DTW loss function with MSE, MAE, and Time Distortion Index. The results show that combining the MSE loss function performs the best and helps alleviate the problem of overestimated and sharp peaks problems occured. By adding exogenous variables with soft-DTW loss functions, the inclusion of calendar variables generally enhances the model’s performance, particularly when these variables exhibit higher Pearson’s correlation coefficients with the target variable. However, when the correlation between the calendar variables and the historical load patterns is relatively low, their inclusion has a negative impact on the model’s performance. A similar relationship is observed with weather variables

La livraison de colis en points relais (PR) ou en consigne automatique est une alternative intéressante à la livraison à domicile, que ce soit pour des achats auprès de commerçants en ligne (B2C) ou sur des plateformes de vente entre particuliers (C2C). Un colis peut être livré en PR à un coût réduit et reste plusieurs jours à disposition du client avant d'être retourné au vendeur. Cependant, lorsque le PR choisi est saturé, le colis peut être refusé par le gestionnaire du PR et livré à un autre PR sur la tournée du transporteur. Ceci engendre une perte de temps pour le client et donc du mécontentement. Afin d'améliorer la satisfaction du client, lors d'un achat de produit il est donc important que le gestionnaire des PR (GPR) ne propose que des PR qui seront susceptibles d'accepter les colis. Cette tâche est complexe à cause des délais de livraison : un colis n'affecte la charge d'un PR qu'un à quelques jours après la commande, selon le transporteur. Cette thèse a pour objectif de prédire l'évolution de la charge d'un PR afin de permettre à un GPR de mieux équilibrer les charges de PR géographiquement proches et de limiter le risque de refus d'un colis. Pour cela, une analyse des historiques de charges de PR est effectuée afin de déterminer les paramètres importants influant sur la charge. Des modèles statistiques et issus de l'intelligence artificielle sont ensuite comparés. Dans une première partie, nous considérons la charge des PR liée aux achats en ligne effectués auprès de sites marchands (B2C). La modélisation de l'évolution de la charge d'un PR tient compte du nombre de colis dans chaque état (prêt à être expédié, en transit, livré au PR). Ensuite, le cycle de vie d'un colis est pris en compte dans le processus de prédiction, via des modèles des flux de commandes, des délais de livraison, et du processus de retrait. L'approche proposée reposant sur un modèle est comparée avec des approches exploitant la série temporelle du nombre de livraisons, de retraits et de la charge en termes de précision de prédiction. Dans un deuxième temps, nous considérons la partie de la charge des PR liée aux colis issus des sites de vente entre particuliers (C2C). Dans cette approche, la probabilité qu'un colis contribue à la charge d'un PR est évaluée en fonction de la connaissance de l'état du colis au moment de la prédiction. Le cycle de vie du colis est modélisé par un processus markovien à sauts. De plus, le nombre de colis déposés à destination d'un PR donné est décrit par un modèle autorégressif à changements markoviens (MSAR) pour prendre en compte de la non-stationarité de l'activité de vente entre particuliers. Les paramètres des modèles sont estimés à partir de données historiques sur les dates de chaque étape: dépôt, collecte, livraison et retrait. Il est ensuite possible de déduire la probabilité de la charge future d'un PR. Cette approche est à nouveau comparée à des techniques exploitant la série temporelle de la charge (modèle de Holt-Winters, SARIMA ou LSTM). Dans les deux cas, l'approche proposée considérant le cycle de vie des colis donne de meilleures performances de prédiction, en particulier pour la prédiction jusqu'à quatre jours à l'avance dans le cas du B2C et jusqu'à six jours à l'avance dans le cas du C2C, en comparaison avec les modèles de type LSTM, Holt-Winters, ou SARIMA. Ces résultats permettent de prédire la charge d'un PR avec une erreur relative de 3 colis à 1 jour, et de 7 colis à 3 jours pour les colis B2C, et de 5 colis à 1 jour et de 8 colis à 7 jours pour les colis C2C. Compte-tenu des délais entre commande et livraison (en général de 1 à 3 jours pour le B2C et de 4-5 jours pour le C2C), ces techniques de prédiction sont utiles pour permettre un équilibrage de la charge de PR voisins. Les travaux futurs seront pour but d’améliorer les approches de prévision et de déterminer une méthode d’équilibrage de charge pour mieux gérer le flux de colis
Pick-Up Points (PUP) represent an alternative delivery option for purchases from online retailers (Business-to-Customer, B2C) or online Customer-to-Customer (C2C) marketplaces. Parcels are delivered at a reduced cost to a PUP and wait until being picked up by customers or returned to the original warehouse if their sojourn time is over. When the chosen PUP is overloaded, the parcel may be refused and delivered to the next available PUP on the carrier tour. PUP load forecasting is an efficient method for the PUP management company (PMC) to better balance the load of each PUP and reduce the number of rerouted parcels. This thesis aims to describe the parcel flows in a PUP and to proposed models used to forecast the evolution of the load. For the PUP load associated with the B2C business, the parcel life-cycle has been taken into account in the forecasting process via models of the flow of parcel orders, the delivery delays, and the pick-up process. Model-driven and data-driven approaches are compared in terms of load-prediction accuracy. For the PUP load associated with the C2C business, the daily number of parcels dropped off with a given PUP as target is described by a Markov-Switching AutoRegressive model to account for the non-stationarity of the second-hand shopping activity. The life-cycle of each parcel is modeled by a Markov jump process. Model parameters are evaluated from previous parcel drop-off, delivery, and pick-up records. The probability mass function of the future load of a PUP is then evaluated using all information available on parcels with this PUP as target. In both cases, the proposed model-driven approaches give, for most of the cases, better forecasting performance, compared with the data-driven models, involving LSTM, Random forest, Holt-Winters, and SARIMA models, up to four days ahead in the B2C case and up to six days ahead in the C2C case. The first approach applied to the B2C parcel load yields an MAE of 3 parcels for the one-day ahead prediction and 8 parcels for the four-day ahead prediction. The second approach applied to the C2C parcel load yields an MAE of 5 parcels for the one-day ahead prediction and 8 parcels for the seven-day ahead prediction. These prediction horizons are consistent with the delivery delay associated with these parcels (1-3 days in the case of a B2C parcel and 4-5 days in the case of a C2C parcel). Future research directions aim at optimizing the prediction accuracy, especially in predicting future orders and studying a load-balancing approach to better share the load between PUPs