Mémoire de Master : Techniques d'IA et d'Apprentissage Automatique pour la Prévision à Court Terme des Prix de l'Énergie

Avancer les techniques d'IA et d'apprentissage automatique pour la prévision à court terme des prix de l'énergie - Évaluation comparative des réseaux profonds, méthodes d'ensemble et modèles génératifs pour une performance prédictive améliorée

Sujet :

Êtes-vous désireux d'appliquer des méthodes d'intelligence artificielle et d'apprentissage automatique de pointe pour résoudre des défis réels dans le secteur de l'énergie ? ⚡Nous recherchons un étudiant motivé en master pour explorer et évaluer des approches innovantes de prévision des prix de l'énergie.

Dans ce mémoire, vous évaluerez de manière critique des techniques alternatives d'AA et d'IA—y compris, mais sans s'y limiter, l'apprentissage profond, les modèles d'ensemble et l'IA générative—par rapport à notre solution actuelle de prévision. Votre objectif sera d'identifier, d'implémenter et de valider des méthodes pouvant améliorer la précision, la robustesse ou l'interprétabilité des prévisions.

Objectif :

• Réaliser une revue de littérature approfondie pour identifier les méthodes à la pointe utilisées dans ce secteur.
• Examiner et analyser l'outil actuel de prévision des prix de l'énergie basé sur l'apprentissage automatique.
• Rechercher et implémenter des approches alternatives d'AA/IA (par exemple, LSTM, transformers, XGBoost, modèles hybrides, IA explicable).
• Concevoir et exécuter des expériences de benchmarking pour comparer les modèles.
• Analyser les résultats et fournir des recommandations exploitables pour l'amélioration des modèles, documenter et présenter votre travail.

Votre profil :

• Étudiant en master en science des données, finance quantitative, génie électrique, mathématiques, physique ou dans un domaine quantitatif connexe
• Bonne compréhension de l'apprentissage automatique et/ou de l'intelligence artificielle, avec une expérience pratique dans le développement et l'évaluation de modèles d'AA, ainsi que dans le travail avec des séries temporelles, le prétraitement des données et l'ingénierie des caractéristiques.
• Solides bases en statistiques, probabilités et algèbre linéaire.
• Maîtrise de Python, y compris l'expérience avec des bibliothèques d'AA pertinentes telles que scikit-learn, pandas, TensorFlow ou PyTorch.
• Capacité à formuler des hypothèses, concevoir des expériences et interpréter les résultats de manière critique. Excellentes compétences en communication écrite et orale en anglais.
• La connaissance des systèmes énergétiques et des marchés de l'énergie est un atout mais pas obligatoire.

Date de début : Dès que possible