Prévision probabiliste par inférence conforme : application à la recharge des véhicules électriques
Dec. 2026
| Intervenant : | Guillaume Principato | ||
| Directeur : | Jean-Michel Poggi | Directeur : | Gilles Stoltz |
| Heure : | 14h00 | ||
| Lieu : | 3L8 |
La thèse vise à quantifier l'incertitude des prévisions pour la recharge des véhicules électriques en adaptant les méthodes d'inférence conforme aux spécificités des données.
La démarche s'articule autour de trois caractéristiques :
(i) la structure hiérarchique des données,
(ii) l'évolution temporelle de leur distribution,
et (iii) l'évolution des infrastructures de recharge dans le temps.
Les données de recharge des VE sont structurées selon des relations d'agrégation, induisant une structure hiérarchique. Une procédure de réconciliation permet d'imposer les contraintes hiérarchiques aux prévisions pour intégrer cette information structurelle. Nous combinons la réconciliation des prévisions avec des méthodes d'inférence conforme et nous montrons que l'étape de réconciliation est bénéfique aux intervalles de prévision qui en découlent.
L'essor des véhicules électriques engendre des évolutions dans la distribution des données de recharge. Dans ce contexte, l'hypothèse sous-jacente à l'inférence conforme n'est plus vérifiée et des extensions adaptatives, mettant à jour séquentiellement les intervalles de prévision, sont alors nécessaires. Nous étudions théoriquement, à travers le prisme de l'approchabilité de Blackwell, les garanties de couverture et de longueur des intervalles produits par ces méthodes adaptatives.
Les infrastructures de recharge sont aussi amenées à évoluer dans le temps (ouvertures, maintenances et fermetures de stations). Ces transformations doivent être prises en compte dans la quantification de l'incertitude des prévisions afin de modéliser la variabilité induite sur l'ensemble de l'infrastructure de recharge. Nous exploitons la structure hiérarchique des données pour inclure la connaissancede l'état de l'infrastructure dans les prévisions et proposons des méthodes d'inférence conforme dont les objectifs de couverture sont conditionnels à l'état de l'infrastructure de recharge.