Modèles graphiques pour la prévision jointe de consommation et de production renouvelable à court-terme

Graphical models for joint forecasting of short-term consumption and renewable production

• Auteur / Autrice : Eloi Campagne
• Direction : Mathilde Mougeot, Argyris Kalogeratos
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/02/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Centre Borelli
• Partenaire(s) de recherche : Equipe de recherche : Apprentissage statistique et données massives
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Réseaux de neurones sur graphes

Apprentissage automatique

Prévision

Séries temporelles

Énergie

Graph neural networks

Machine learning

Forecasting

Time series

Energy

Résumé

La prévision de série temporelle dans l'espace des graphes est un problème qui a de nombreuses applications dans des domaines variés : les modèles qui fonctionnent pour de la prévision de trafic routier peuvent ne pas nécessairement donner de bons résultats pour la prévision de consommation (ou de production) d'électricité. Cette thèse a pour objectif de faire le pont entre ces différentes applications et de comprendre pourquoi certaines structures sont fonctionnelles pour un problème donné et ne le sont pas pour un autre tout en identifiant les adaptations nécessaires. Pour ce faire, la thèse s'articulera selon trois axes : - Les réseaux de neurones ainsi que les GNN - La recherche d'une (ou plusieurs) structure(s) de graphe adaptée(s) au problème - L'exploitation des aspects temporel et spatial de façon conjointe

Time series forecasting in graph space is a problem with many applications in a variety of fields: models that work for road traffic forecasting may not necessarily give good results for electricity consumption (or production) forecasting. The aim of this thesis is to bridge the gap between these different applications and to understand why certain structures are functional for one problem but not for another, while identifying the necessary adaptations. To achieve this, the thesis will be structured three axes: - Neural networks and GNNs - Finding the right graph structure(s) for the problem at hand - Joint exploitation of temporal and spatial aspects