ML
Schneider Energy
Prédiction de consommation énergétique
Modèles RF + XGBoost · données publiques
- Cadre
- Freelance
- Reconstruction
- Données publiques
- Cibles
- Énergie · CO₂
- Méthode
- Régression
Explorer la démonstration
Deux modèles entraînés · données publiques de Seattle
Quel besoin énergétique pour ce bâtiment ?
Essayez un profil fictif. Random Forest estime l’énergie et XGBoost les émissions de gaz à effet de serre. Les modèles calculent dans votre navigateur ; vos saisies ne sont pas envoyées.
Lancer une estimation réelle
Le fichier des modèles est chargé uniquement à votre demande (environ 830 Ko avant compression). Choisissez ensuite un exemple ou ajustez ses caractéristiques.
Hypothèses, unités et limites
Le calcul suppose un seul bâtiment, 5 % de parking, 95 % de surface bâtie et un usage principal occupant 80 % de la surface totale. Ces valeurs complètent les caractéristiques que vous renseignez.
Les surfaces saisies en m² sont converties en pieds carrés avant la standardisation, conformément aux modèles entraînés. L’unité kBtu est conservée pour correspondre à la cible d’apprentissage.
Les modèles proviennent d’une reconstruction sur le jeu public de Seattle de 2016. Leur validité n’est pas établie pour un bâtiment français ou pour une autre période. Rester dans les plages observées ne garantit pas que toutes les combinaisons sont représentées dans le corpus.
Les métriques décrivent le test historique de cette reconstruction publique, pas les performances confidentielles de la mission d’origine. Consultez la méthode et les preuves pour le protocole et les résultats.
Comprendre le projet
Mission — Schneider Electric
Développer un outil ML prédisant la consommation énergétique et les émissions CO₂ du parc immobilier tertiaire, dans le cadre des engagements ESG.
Mission réalisée en freelance. Le code et les données de cette présentation sont une reconstruction personnelle destinée à illustrer le travail réalisé tout en préservant la confidentialité du client et de ses données.
Approche
- Explorer les bâtiments du jeu public Seattle Energy Benchmarking.
- Préparer les surfaces, usages et caractéristiques énergétiques.
- Comparer les régressions à une baseline avec une séparation entraînement/test.
- Rendre les résultats consultables dans une application.
Interpréter la démonstration
La démonstration exécute les arbres des modèles entraînés sur les données publiques, directement dans votre navigateur. Les surfaces sont converties en pieds carrés et standardisées comme à l’entraînement. Le district correspond à Seattle et le score ENERGY STAR ne correspond pas au DPE français.
Modifier une caractéristique permet d’explorer la réponse du modèle ; cela ne mesure pas l’effet causal d’une intervention. Les valeurs d’un bâtiment fictif restent des estimations, et non une preuve des performances de la mission d’origine.
Méthode et ressources
Stack Technique
Dataset : Seattle Building Energy Benchmarking 2016. La reconstruction utilise uniquement le corpus public, sans données client confidentielles.
Validation de la reconstruction publique
Les artefacts Python ont été vérifiés le 31 octobre 2026 sur 1 646 bâtiments et 29 variables. Le split historique a été reconstitué : 1 316 bâtiments d’entraînement et 330 de test (80/20, seed 42). Les scalers correspondent exactement à l’entraînement.
- Énergie · R² sur le test historique
- 0,584
- CO₂ · R² sur le test historique
- 0,867
Réduction de RMSE par rapport à une prédiction constante égale à la moyenne d’entraînement : 35,49 % pour l’énergie et 63,59 % pour le CO₂. Ce contrôle reproduit le test historique ; il ne constitue pas une nouvelle validation sur des données indépendantes. Ces métriques concernent les modèles publics utilisés par la démonstration, pas les performances confidentielles du client ni une garantie pour chaque bâtiment saisi.
Même calcul, du Python au navigateur
Les 50 arbres Random Forest et 100 arbres XGBoost sont exportés sans réentraînement. Le moteur TypeScript a été comparé aux prédictions Python sur 932 cas, dont les 330 bâtiments du test historique et 602 cas synthétiques. Aucun écart numérique n’a été observé sur ces cas.
Le fichier des arbres est téléchargé à la demande depuis ce site. Le calcul ne nécessite aucun service tiers et aucune caractéristique saisie n’est transmise. Un échec de chargement affiche une erreur avec possibilité de réessayer, sans résultat de remplacement.