Ce projet consiste à combler les valeurs manquantes dans des séries temporelles de consommation électrique résidentielle, mesurées toutes les 30 minutes. Nous disposons de 3 127 séries d’entraînement de 12 864 relevés chacune, sans valeurs manquantes, puis de jeux de test comportant environ 30 % de mesures masquées aléatoirement. Pour restaurer ces données, nous avons implémenté et comparé plusieurs approches : méthodes statistiques classiques (interpolations, moyennes mobiles), algorithmes de machine learning (régressions, forêts aléatoires) et modèles de deep learning (LSTM, CNN, autoencodeurs). Chaque méthode est évaluée à l’aide de l’erreur moyenne absolue (MAE) entre les valeurs prédictes et réelles, afin de déterminer la solution la plus efficace pour reconstituer fidèlement les courbes de consommation.
Auteur: Ilyes Khedhiri , Muzzammil Mougamadou