Prédiction la consommation électrique horaire sur une semaine.

Le Data Challenge organisé par le "groupe des Jeunes Statisticien.ne.s" est une compétition ouverte à tous visant à étudier des jeux de données mis à disposition par de grandes entreprises ou des entités publiques.

Le but de ce challenge est de prévoir la consommation électrique de l’île d'Ouessant à 8 jours, en s’aidant des données suivantes :

• un an de données de consommation historiques, à la maille horaire (conso_train.csv),
• un an de données météorologiques à la maille tri-horaire, issues de la proche station météorologique de Brest (meteo_train.csv),
• une semaine de données météorologiques à la maille tri-horaire, issues de la même station et faisant office de prédiction météorologique (meteo_prev.csv).

The data folder /datasets/ contains the following files:

• conso_train.csv = la consommation sur la période d'entrainement (1 an du 13/09/2015 au 13/09/2016) ;
• meteo_train.csv = l'historique météo sur la période d'entrainement ;
• meteo_prev.csv = l'historique météo pour la semaine à prédire (considérée comme une prédiction météo) ;
• sample_solution.csv = un fichier de solution qui vous permet de voir la forme de la solution attendue.

Predictions are saved in the csv file: storm.csv & storm_ts.csv

For modeling purposes, we make use of the Automated Machine Learning Functionality of H2o AutoML which trains and cross-validates a Random Forest, an Extremely-Randomized Forest, a random grid of Gradient Boosting Machines (GBMs), a random grid of Deep Neural Nets, and then trains a Stacked Ensemble using all of the models.

Given that 2016-09-13 0:00 is included in the train data, we set the first future prediction date to `2016-09-13 1:00

• Storm_JDS2018.Rmd = Contains all the R codes needed for reproducibility ;)
• Storm_JDS2018.html = Output of RMarkdown in html format.

• Special thanks to my former colleagues:
  • Benjamin Quemener | Responsable Data Analytics, SNCF
  • Sonia Pelloux | Chef de projets Innovation & Recherche, SNCF

for their valuable comments and suggestions.

• Special thanks to the H2o.ai team for providing an open-source AutoML functionality.

Please feel free to fork and contribute to improving this algorithm :) Have fun!! Cheers! ;)

You can tweet or follow me at PMarteyAddo