Une équipe de l'EPFL a développé un modèle basé sur l'intelligence artificielle pour améliorer les prévisions de la demande en électricité du réseau ferroviaire suisse pour le lendemain. Ce système, élaboré en collaboration avec les CFF, permet de réduire les erreurs de prédiction.
Le modèle des chercheurs de l'Ecole polytechnique fédérale de Lausanne (EPFL) utilise les données historiques du réseau ferroviaire. Ils y ajoutent «des éléments contextuels» comme les horaires des trains, les données de planification des opérations et les prévisions météorologiques.
Les résultats, publiés dans la revue Energy Reports, montrent que «l'intégration de ces informations supplémentaires réduit l'erreur de prévision moyenne de 26,6% par rapport au modèle qui ne s'appuie que sur les données historiques», indique lundi l'EPFL dans un communiqué.
L'amélioration est plus marquée pour des journées dites atypiques, lorsque l'exploitation ferroviaire ou les flux de passagers diffèrent fortement des habitudes. Dans ces situations, les erreurs de prévision peuvent être réduites jusqu'à 80%.
Une méthode qui pourrait être appliquée à d'autres secteurs
«Dans un système aussi complexe qu'un réseau ferroviaire national, de nombreux facteurs influencent la demande en électricité, notamment les conditions météorologiques et l'affluence des voyageurs», écrit l'EPFL. Or les modèles traditionnels, qui reposent uniquement sur les données historiques, peinent souvent à prendre en compte cette complexité.
«Je ne crois pas vraiment aux prévisions fondées uniquement sur les données du passé. Dans de nombreux cas, les informations sur les plans des opérateurs nous guident bien plus que ce que nous pouvons déduire des faits passés», explique le doctorant Raffael Theiler qui a mené ces recherches avec la professeure assistante Olga Fink.
Cette méthode pourrait également être appliquée à d'autres secteurs, comme l’industrie manufacturière, la logistique ou la gestion des chaînes d'approvisionnement. «J'espère que notre étude encouragera les acteurs de l'industrie à mieux exploiter leurs données et à adopter des systèmes comme celui que nous proposons», ajoute Raffael Theiler, cité dans le communiqué.
