Je vais concevoir un modèle de prévision de séries temporelles pour l'énergie et les données de capteurs

La plupart des modèles de prévision semblent précis lors du backtest mais échouent en production. La raison est presque toujours la même : validation croisée aléatoire sur des données ordonnées dans le temps, et un seul modèle entraîné sur des régimes qui se comportent différemment.

Je construis des modèles de prévision sur des séries temporelles et des données de capteurs, en les validant de la même manière qu'ils seront réellement utilisés.

CE QUE VOUS OBTENEZ

- Un modèle entraîné et validé sur des divisions strictement chronologiques, jamais mélangées

- Des métriques d'exactitude honnêtes (MAE, RMSE, R²), rapportées par régime plutôt que comme une moyenne flatteuse unique

- Une déclaration claire sur la fiabilité du modèle et ses limites

MON PROJET DE RÉFÉRENCE

Un système de prévision de la puissance éolienne sur 24 heures en production, validé sur deux sites indépendants avec des climats éoliens différents et une architecture calibrée par régime. Consultez mon portfolio pour voir les résultats mesurés.

CAS D'USAGE TYPIQUE

Demande et production d'énergie, lectures de capteurs industriels, prévision d'équipements et de charges, tout signal où l'ordre temporel est important.

PRÉFÉRÉ PAR

Données historiques avec horodatages, idéalement plus de 6 mois. Contactez-moi avec la taille de votre dataset et votre objectif avant de commander, je vous dirai honnêtement si c'est suffisant.