Prévoir un conteneur pour que les camions cessent d'aller vers des bacs vides
Prévoir la vitesse de remplissage d'un conteneur à déchets, pour que les camions cessent d'aller vider des bacs qui ne sont pas pleins.
La prévision existante de KOCO était une régression linéaire adaptative : on moyenne le taux de remplissage entre deux collectes et on extrapole. Ça marche, mais ça ne voit jamais que les données des jours de collecte, quelques points par semaine. L'entreprise voulait savoir si dix-huit mois de pesées éparses pouvaient soutenir quelque chose de meilleur.
Ingénieur de recherche. Des travaux antérieurs existaient à mon arrivée : j'en ai refait l'essentiel, j'ai conçu l'évaluation et j'ai porté les résultats devant le client.
L'export est filtré jusqu'à une seule puce, un seul point de collecte et un seul type de déchet. Les modèles sont par conteneur, pas globaux.
Chaque collecte devient un segment linéaire : on divise le poids gagné par le nombre de jours écoulés, et on interpole entre les mesures pour obtenir une série en kg/jour.
On prend le logarithme de la cible pour qu'une pesée énorme ne domine pas, on garde la dernière portion comme jeu de test, et on ajuste chaque famille de modèles.
Comparer chaque modèle au système en place sur tous les points interpolés, puis à nouveau sur les seuls jours de collecte réels.
Une chaîne d'entraînement et d'inférence dockerisée, pilotée par un fichier de configuration, plus une boîte à outils d'analyse distincte.
Une même interface fit/predict pour les modèles statistiques et neuronaux, pour que la comparaison porte sur la même chose
Lit tel quel l'export Excel que le client envoie réellement
Servait de socle aux expériences RNN, LSTM et Transformer, celles qui ont finalement perdu
Chaque réglage vit dans la configuration et non dans le code : réentraîner ne demande pas de développeur
Entraînement et inférence comme deux services activables indépendamment
Un second livrable : saisonnalité, intervalles de mesure et tendances par type de déchet, avec filtres
Jours de collecte uniquement, le chiffre sur lequel un dispatcheur agit vraiment. Erreur absolue moyenne et erreur absolue moyenne en pourcentage, sur le conteneur vers lequel pointe la configuration livrée.
| Modèle linéaire de KOCO | Prophet | FFT | RNN | LSTM | Transformer | |
|---|---|---|---|---|---|---|
| Erreur absolue moyenne | 75,0 kg | 48,04 kg (best) | 60,69 kg | 92,37 kg | 61,39 kg | 150,31 kg |
| Erreur absolue moyenne en % | 40,42% | 20,8% (best) | 30,16% | 36,7% | 27,68% | 57,93% |
| Racine de l'erreur quadratique moyenne | 94,93 kg | 65,43 kg (best) | 75,31 kg | 112,57 kg | 76,93 kg | 164,45 kg |
plutôt que · La résolution horaire, plus fine, convenue au départ avec le client
À la résolution horaire, environ 98% de la série était inventée par interpolation, et rien sur le terrain ne confirmait qu'un bac se remplit linéairement dans la journée. Passer au pas journalier n'a pas rendu le modèle plus intelligent : ça a fait passer la part honnête des données de 2% à 26%. Choisir l'option la plus grossière est ce qui a rendu les chiffres dignes de confiance.
plutôt que · Un unique score train/test, ce que donne n'importe quelle boucle standard
Évaluer sur tous les points mesure l'accord avec une interpolation que nous avons inventée nous-mêmes. Un modèle peut sembler bon simplement parce qu'il reproduit bien une droite. Évaluer sur les jours de collecte mesure ce sur quoi le dispatcheur agit. C'est en faisant les deux que la différence est apparue.
plutôt que · Pousser plus loin le RNN, le LSTM et le Transformer, avec plus de capacité et une vraie recherche d'hyperparamètres
Ils coûtaient autant à entraîner et à faire tourner, et rendaient moins. Avec quelques centaines de points journaliers par conteneur, il n'y a rien à trouver pour un grand réseau, et la structure qui existe vraiment, un cycle annuel et une cadence hebdomadaire, est exactement ce pour quoi une décomposition additive et une transformée de Fourier sont faites.
plutôt que · Remettre les notebooks, ce qu'avait produit la première année
Un modèle que seul son auteur sait réentraîner n'est pas un livrable, c'est une dépendance de conseil. Un entraînement et une inférence pilotés par configuration, en services séparés, leur permettent de réentraîner chaque mois sans nous.
KOCO Solutions vend des logiciels pour la collecte des déchets, et leur prévision existante était une régression linéaire adaptative : on moyenne le taux de remplissage entre deux collectes et on extrapole. Ça marche, mais ça ne voit jamais que les données des jours de collecte, soit quelques points par semaine.
Le premier problème n'était pas la modélisation, c'était la forme des données. Les poids relevés aux points de collecte devaient devenir une série continue avant qu'un modèle temporel puisse s'en saisir : nous avons converti les mesures en une chaîne de régressions linéaires, puis interpolé entre elles pour obtenir un taux de remplissage en kg/jour. Nous avions commencé en kg/heure, et nous y avons renoncé : à cette résolution, seuls 2,15% des points étaient de vraies mesures contre 25,6% au pas journalier, et rien sur le terrain ne confirmait que le remplissage soit linéaire à l'intérieur d'une journée. Choisir la résolution la plus grossière est la décision qui a rendu les chiffres dignes de confiance.
Nous avons ensuite opposé cinq familles de modèles (Prophet, FFT, RNN, LSTM, Transformers) au système en place, toutes soumises au même protocole en deux volets : un score sur tous les points interpolés, un autre sur les seuls jours de collecte réels. Le premier dit si la courbe est juste, le second si elle est utile le jour où un dispatcheur décide.
Les modèles profonds ont perdu. RNN, LSTM et Transformers arrivent au niveau ou légèrement en dessous de la base linéaire de KOCO, pour un coût d'entraînement et d'inférence équivalent. Prophet et FFT l'emportent, et Prophet nettement : 48,04 kg d'erreur absolue moyenne contre 75,0 kg pour l'existant, et 19,80% de MAPE contre 40,42%. Le reste des recommandations est sorti de l'analyse exploratoire, pas d'une intuition : les valeurs aberrantes faisaient de vrais dégâts, alors transformation logarithmique et séparation des conteneurs par taille en ont fait partie.
Le livrable est quelque chose qu'ils peuvent faire tourner sans nous : une chaîne d'entraînement et d'inférence dockerisée, configurée en TOML, plus une boîte à outils d'analyse modulaire pour la saisonnalité, les intervalles de mesure et les tendances par type de déchet. Nous avons aussi répondu aux questions opérationnelles qui conditionnent un déploiement. Environ quatre mois d'historique à une à trois mesures par semaine suffisent pour entraîner, et pour un nouveau conteneur sur un site existant, un modèle voisin de même type tombe à ±5%.
Les deux partenaires ont noté le projet 1 sur 4, très réussi, dans le rapport final à Innosuisse.