0005 - Modèle de prédiction de consommation : LightGBM

Statut : accepté
Date : 2026-09-17

Contexte

Le schéma prediction contraint déjà la forme de la solution (deux cibles de régression, consumption_kw instantané et consumption_kwh sur period_minutes, un statut insufficient_data à détecter explicitement), mais aucun modèle n'était choisi. Trois contraintes non négociables cadrent le choix, discutées dans l'issue #89 :

EC06 (grille de notation individuelle) exige un modèle entraîné, versionné avec MLflow, exposé via un endpoint fonctionnel, avec surveillance du drift en production.
Aucun GPU dédié : l'infra tourne on-premise sur une VM à 4 CPU / 8 Gio RAM (ou Standard_B2s/B2ms côté Azure, 2 vCPU max) — Azure Machine Learning est de toute façon bloqué par la politique Azure du projet.
Délai serré : le jalon J3 arrive à échéance le lendemain de la décision, J4 concentre déjà 26 issues sur 4 jours. Un modèle long à mettre en œuvre retarde la chaîne complète (service de scoring #37, moteur de recommandations #38, tests ML #44/#45, tous bloqués par ce choix).

Le jeu de données est déjà disponible (all_sites_combined.csv, fourni par le formateur) : 7 sites, 2 ans au pas horaire (~17 500 lignes/site), avec temperature_celsius, humidity_percent, solar_irradiance_wm2 en régresseurs exogènes et des features calendaires déjà dérivées.

Options comparées

Critère	Prophet	LightGBM/XGBoost	NeuralProphet	SARIMA	Holt-Winters	Mistral (LLM)
Saisonnalités multiples (jour/semaine/an)	Oui, nativement	Oui, via features engineered	Oui, nativement, + autorégression	Une seule, lourd à régler (SARIMAX)	Une seule, aucune	Non conçu pour ça
Régresseurs exogènes	Oui, mais doivent être connus dans le futur au moment de la prédiction	Oui, via lags/moyennes glissantes sur le passé	Oui, natif	Difficile en multivarié	Aucun support	Contexte de prompt seulement, non appris
Coût de calcul (VM sans GPU)	Faible	Faible	Élevé (deep learning)	Faible	Faible	Élevé à prohibitif
Versionnable MLflow	Oui, nativement	Oui, nativement	Pas de support direct	Oui, générique	Pas de support direct	Rien à versionner (pas un modèle entraîné)
Granularité	Un modèle par site (ou par site × métrique)	Un seul modèle global sur tous les sites	Un par site	Un par site	Un par site	—
Effort avant l'échéance	Faible	Moyen (feature engineering)	Élevé	Moyen à élevé	Faible en soi	Élevé, ou factice

Décision

LightGBM, un seul modèle global couvrant tous les sites, plutôt qu'un modèle par site (Prophet) ou par famille de site. Cible : consumption_kwh, avec period_minutes comme feature d'entrée plutôt que comme étape d'agrégation post-prédiction. Suivi et versioning via MLflow (tracking + registre de modèles), sur le magasin local par défaut dans un premier temps — l'hébergement sur l'infra k3s reste une question ouverte, non bloquante pour démarrer.

Raisons retenues, au-delà du tableau ci-dessus :

Un modèle global plutôt qu'un modèle par site évite la fragilité des sites les moins fournis en historique : ils bénéficient de ce qu'apprennent les autres sites, ce qu'un Prophet par site ne permet pas.
Aucune dépendance à une prévision météo future. Prophet exige que ses régresseurs (add_regressor) soient connus au moment prédit ; temperature_celsius, humidity_percent et solar_irradiance_wm2 sont des mesures passées, pas des prévisions, et aucune source de prévision météo n'existe dans le projet. LightGBM s'en sort avec des features de lag/moyenne glissante calculées sur l'historique déjà présent dans reading, cf. ml/enervision_ml/features.py — un choix qui vaut aussi bien à l'entraînement qu'au futur scoring.
Apprentissage direct sur consumption_kwh avec period_minutes en feature, sans étape d'agrégation intermédiaire que la sortie continue de Prophet aurait demandée.
Coût de calcul compatible avec l'infra on-premise sans GPU.

Débat complet, comparatif détaillé et décision finale : issue #89 (Johan, phyri0s, ValentinDeFaria), actée en réunion d'équipe du 2026-09-17 et validée par l'ensemble de l'équipe.

Conséquences

Le pipeline d'entraînement (ml/, ce commit) lit reading + site par connexion PostgreSQL directe et construit ses features par lags/moyennes glissantes plutôt que par régresseurs contemporains, cf. docs/ML-START.md.
Le rôle PostgreSQL dédié enervision_ml (lecture seule sur reading/site) n'est pas encore provisionné : dette déjà assumée par l'ADR 0003 pour les comptes ETL/ML, ML_DATABASE_URL pointe pour l'instant vers la même base que le backend applicatif en développement.
Le service de scoring (#37), le moteur de recommandations (#38) et les tests de dérive (#44/#45) restent à construire ; ils consommeront le même module enervision_ml.features, qui doit rester strictement identique entre entraînement et scoring pour éviter un train/serve skew silencieux.
La surveillance de drift exigée par EC06 n'est pas encore implémentée : ce ticket ne livre que l'entraînement et son suivi MLflow (paramètres, métriques, artefact modèle), pas le monitoring en production.
L'hébergement de MLflow sur l'infra k3s reste une question ouverte ; le magasin SQLite local (ml/mlflow.db, ignoré par git) suffit pour l'instant à comparer des runs sur un poste.

Alternatives écartées

Prophet : proposition initiale, écartée après débat pour les raisons ci-dessus (modèle par site, dépendance à une météo future indisponible, agrégation kWh en post-traitement). Reste un candidat solide si un jour le projet doit produire une décomposition tendance/saisonnalité explicable pour un usage différent.
Mistral (LLM) : aucun produit dédié aux séries temporelles ; interroger un LLM généraliste ne constitue pas un modèle entraîné et versionnable au sens MLflow, et le fine-tuning est hors budget de calcul et hors délai.
SARIMA : ne gère pas nativement plusieurs régresseurs exogènes ; réglage (p,d,q,P,D,Q) plus long que le délai disponible.
NeuralProphet : fait tout ce que fait Prophet et apprend en plus des motifs autorégressifs, mais coûte plus cher en calcul (pas de GPU disponible) et n'a pas d'outil MLflow direct — piste d'évolution possible, non engageante à ce stade.
Holt-Winters : écarté d'entrée, pas seulement différé — aucun support de régresseurs exogènes, alors que la météo et l'irradiance sont nécessaires ici.
CatBoost : même famille que LightGBM, gère nativement les colonnes catégorielles (comme site_type) sans encodage manuel. Non rejeté, différé : candidat à comparer si LightGBM plafonne en précision.

6.9 KiB Raw Blame History Unescape Escape