Tous les Projets
Séries Temporelles

Prévision de la Consommation d'Énergie Horaire

Benchmark de 10 modèles sur 145 366 enregistrements horaires PJM (2002–2018). LightGBM meilleur : MAE=210,8 MW, RMSE=285,4 MW, MAPE=0,66%. Prophet échoue (MAPE=10,25%). BiLSTM MAPE=2,17%. 26 caractéristiques lag/rolling/cycliques.

210.8 MW
LightGBM MAE
0.66%
LightGBM MAPE
10.25%
Prophet MAPE
2.17%
BiLSTM MAPE
Jeu de Données

PJME : 145 366 enregistrements horaires (2002–2018)

Approche

26 caractéristiques lag/rolling/cycliques → benchmark de 10 modèles des baselines naïves au BiLSTM

Stack Technique
PythonLightGBMXGBoostTensorFlow/BiLSTMProphetstatsmodels
Mots-clés
LightGBMXGBoostBiLSTMProphetLag FeaturesEnergy Forecasting
Visualisations4 Graphiques
Analyse Approfondie

Benchmark de 10 modèles pour la prévision horaire de la demande en énergie PJM.

Jeu de données

  • PJME : 145 366 enregistrements horaires, 2002-01-01 au 2018-08-03
  • Plage : 14 544–62 009 MW. Entraînement : 85% / Test : dernière ~1 an (8 760 lignes)

Feature Engineering (26 caractéristiques)

CatégorieCaractéristiques
Laglag_1h, lag_24h, lag_168h (1 semaine)
Stats rollingmean_24h, std_24h, mean_168h, std_168h
Cycliquessin/cos(heure), sin/cos(JdS), sin/cos(mois)
Calendrieris_weekend, is_holiday

Les 10 Modèles

ModèleMAE (MW)RMSE (MW)MAPE
Naïf (dernière valeur)5 2055 90816,5%
Naïf Saisonnier (1S)3 5884 85611,2%
Moyenne Mobile2 8743 6439,2%
Régression Linéaire3805191,2%
Random Forest3484651,1%
Prophet3 2484 23110,3%
BiLSTM6999172,2%
XGBoost2223000,70%
LightGBM2112850,66%

Insights Clés

  • Modèles arborescents avec features lag : MAPE < 1% vs 10%+ pour Prophet
  • Prophet ne peut exploiter la forte autocorrélation lag-24h
  • BiLSTM sous-performe XGBoost malgré plus de paramètres — les lags engineerés encodent mieux la structure temporelle
  • Top features LightGBM : lag_1h, hour_cos, hour (passé immédiat + heure du jour)