Les retards de trains sont fréquents et inévitables. Ce qui est évitable, c'est de mal les anticiper. La compagnie disposait déjà d'un algorithme de prédiction, mais sa précision était insuffisante : seulement 10% d'amélioration par rapport au système de référence. Les voyageurs recevaient des estimations peu fiables, et les équipes de régulation du trafic ne pouvaient pas s'appuyer sur les prédictions pour prendre des décisions opérationnelles en temps réel. L'objectif était clair : tripler le gain de précision pour atteindre 30% d'amélioration, et exposer les prédictions via une API temps réel.
Prédiction de retards
Une compagnie de transport ferroviaire devait améliorer la précision de ses prédictions de retards pour mieux informer les voyageurs et optimiser la régulation du trafic. Nous avons repris et amélioré leur modèle de Deep Learning existant, atteignant l'objectif de 30% d'amélioration et déployé en production en temps réel.
Problématique
Solution
Ce que nous avons construit
Nous avons déployé 2 Data Scientists pour reprendre le modèle existant, l'améliorer significativement et le mettre en production.
Étape 1 — Nettoyage des données d'observation. Développement d'un algorithme de cleaning des données en entrée — les observations de trains — pour éliminer le bruit et les anomalies qui dégradaient les performances du modèle.
Étape 2 — Amélioration des embeddings réseau. Refonte des représentations vectorielles du réseau ferroviaire pour mieux capturer l'information spatiale et géographique : topologie des lignes, interconnexions, distances et contraintes physiques du réseau.
Étape 3 — Optimisation du modèle Deep Learning. Amélioration du modèle Transformer existant avec mécanismes d'attention : optimisation des hyperparamètres, enrichissement des données en entrée, ajustement de la fonction de loss. Passage de 10% à 30% d'amélioration par rapport au système de référence.
Étape 4 — Mise en production temps réel. Déploiement du modèle en production via une API exposant les prédictions de retards en temps réel, alimentant à la fois l'information voyageurs et les outils de régulation du trafic.
Projets dans la même catégorie
