Gestion énergétique intelligente pour la prévision d'énergie par l'apprentissage machine et l'intelligence artificielle

Kinani, Othmane (2024). Gestion énergétique intelligente pour la prévision d'énergie par l'apprentissage machine et l'intelligence artificielle. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Repéré dans Depositum à https://depositum.uqat.ca/id/eprint/1623

Prévisualisation

PDF Télécharger (16MB) | Prévisualisation

Résumé

Résumé
Ce projet se concentre sur l'analyse prédictive en utilisant différentes techniques de modélisation, notamment les modèles de base, les modèles hybrides, et la fusion tri-modèle. L'objectif est d'améliorer la précision des prévisions dans des contextes complexes, tels que l'analyse des séries chronologiques et d'autres données temporelles. Les modèles de base, tels que ARIMA, sont souvent utilisés pour des données avec des relations linéaires simples, mais présentent des limites pour des dynamiques plus complexes. Les modèles hybrides, comme SARIMA-SVR, combinent plusieurs approches pour capturer à la fois les relations linéaires et non linéaires. La fusion tri-modèle est une technique plus avancée qui combine trois types de modèles, comme SARIMA, SVM, et Random Forest, pour maximiser la robustesse et la précision des prévisions. Ce projet insiste également sur la préparation des données, en particulier la gestion des données manquantes, la normalisation et l'analyse des tendances. Cette combinaison de techniques avancées et d'une préparation rigoureuse des données vise à fournir des prévisions plus précises et à mieux comprendre les dynamiques sous-jacentes des données étudiées.

Abstract
This project focuses on predictive analytics using different modeling techniques, including baseline models, hybrid models, and tri-model fusion. The goal is to improve forecast accuracy in complex contexts, such as analyzing time series and other temporal data. Baseline models, such as ARIMA, are often used for data with simple linear relationships, but have limitations for more complex dynamics. Hybrid models, such as SARIMA-SVR, combine multiple approaches to capture both linear and nonlinear relationships. Tri-model fusion is a more advanced technique that combines three types of models, SARIMA, SVM, and Random Forest, to maximize forecast robustness and accuracy. This project also emphasizes data preparation, particularly handling missing data, normalization, and trend analysis. This combination of advanced techniques and rigorous data preparation aims to provide more accurate forecasts and better understand the underlying dynamics of the data studied.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur de mémoire/thèse:	Slaoui Hasnaoui, Fouad
Mots-clés libres:	Saisonnière autorégressive intégrée à moyenne mobile (SARIMA), machines à vecteurs de support (SVM), Forêt aléatoire, Modèle prédictif, Modèle hybride, Seasonal AutoRegressive Integrated Moving Average (SARIMA), Support Vector Machine (SVM), Random Forest, Predictive model, Hybrid model
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	10 déc. 2024 20:35
Dernière modification:	10 déc. 2024 20:35
URI:	https://depositum.uqat.ca/id/eprint/1623

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt