Projets sélectionnés

Deux types d’entrées, un modèle de régression

J’ai aligné des données commerciales, la météo quotidienne d’Open-Meteo et des données socio-économiques communales. L’implémentation combine une branche temporelle (LSTM bidirectionnel, Conv1D et pooling) avec un MLP pour les variables statiques, puis les réunit pour produire une sortie de régression.

Pourquoi séparer par commune ?

La question était de savoir si le modèle fonctionnait dans des lieux jamais vus à l’entraînement. J’ai conservé toutes les séquences d’une commune dans le même ensemble, entraînement ou test, avec la même répartition pour chaque jeu de données. Cela évalue la généralisation géographique, pas un backtest chronologique des ventes futures.

Ce que l’évaluation peut — ou ne peut pas — dire

J’ai ajusté le modèle à l’aide du RMSE de validation. De nombreuses communes comptaient peu de ventes enregistrées, voire aucune, et les prédictions se concentraient dans une plage étroite. L’étude ne comportait ni comparaison systématique avec une référence ni preuve d’un gain commercial ; je ne la présente donc comme preuve d’aucun des deux.

Méthodologie tirée de mon mémoire, Advancing Sales Strategies with Forecasting Using Multi-Layer Perceptron Neural Network, chapitres 3–4 (pp. 34–70 de la version imprimée). Les données de l’entreprise et le mémoire complet ne sont pas publics.