Optimisation de l’utilisation des ressources d’eaux en Algérie à l’aide des méthodes d’apprentissage automatique.
| dc.contributor.author | Chettoum Selma | |
| dc.contributor.author | Amazouz Melissa | |
| dc.date.accessioned | 2025-04-22T11:46:09Z | |
| dc.date.available | 2025-04-22T11:46:09Z | |
| dc.date.issued | 2023-06-27 | |
| dc.description | 76p .; ill .; 30cm (CD-ROM) | |
| dc.description.abstract | Dans le domaine de la gestion des ressources en eau, les autorités locales et les gestionnaires des réseaux de distribution sont particulièrement intéressés par la prédiction de la consommation d’eau afin de prendre des décisions éclairées, minimiser les risques de pénurie, élaborer des stratégies de distribution optimisées, et améliorer l’efficacité opérationnelle. Dans le cadre de notre projet de fin d’étude, nous nous sommes concentrés sur la modélisation et la prédiction de la quantité d’eau consommée dans la région de Tizi Ouzou Ville. Nous avons réalisé cela en utilisant des séries temporelles combinées avec des algorithmes d’apprentissage automatique et d’apprentissage profond. Les données utilisées pour cette étude comprennent les historiques de consommation d’eau pour chaque utilisateur sur une période de 21 ans. Nous avons testé une variété de méthodes de prévision pour déterminer les plus précises, notamment : la régression linéaire, KNN, SVR, les arbres de décision, les forêts aléatoires, et XG Boost pour les méthodes d’apprentissage automatique ; ainsi que les réseaux de neurones artificiels (ANN), les réseaux de neurones convolutifs (CNN), les réseaux de neurones récurrents (RNN), et les modèles de mémoire à long terme (LSTM) pour les méthodes d’apprentissage profond. La performance de ces modèles a été évaluée à l’aide de métriques telles que l’erreur quadratique moyenne (MSE) et le coefficient de détermination (R²). Les résultats montrent que les modèles d’apprentissage profond, en particulier RNN, offrent une précision supérieure par rapport aux méthodes traditionnelles d’apprentissage automatique. | |
| dc.identifier.citation | Réseaux et Télécommunications | |
| dc.identifier.other | MAST.ELN.74-23 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/27330 | |
| dc.language.iso | fr | |
| dc.publisher | FGEI.UMMTO | |
| dc.subject | Apprentissage automatique | |
| dc.subject | Prévision de séries temporelles | |
| dc.subject | Prédiction de la consommation d’eau | |
| dc.subject | Apprentissage profond. | |
| dc.title | Optimisation de l’utilisation des ressources d’eaux en Algérie à l’aide des méthodes d’apprentissage automatique. | |
| dc.type | Thesis |