Etudiant : ELBOUKNIFY YOUNES

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. YAHYAOUYI ALI

Annèe : 2026

Résumé : Ce mémoire porte sur la prévision multi-horizon de la température moyenne quotidienne de l’air à deux mètres du sol dans le département de la Manche, en France, pour les villes de Cherbourg-en-Cotentin, Granville et Saint-Lô. Les données météorologiques utilisées proviennent de la plateforme NASA POWER et couvrent la période allant de 1984 à 2024. L’objectif principal est de déterminer si les modèles d’apprentissage profond offrent de meilleures performances que les approches statistiques et les méthodes d’apprentissage automatique. Cinq modèles sont étudiés : ARIMAX, LightGBM, LSTM, GRU et Temporal Fusion Transformer. Des analyses complémentaires sont réalisées pour les modèles LSTM, GRU et TFT afin d’étudier l’influence de la longueur de l’historique utilisé ainsi que l’évolution des performances selon l’éloignement de l’horizon de prévision. Les modèles sont évalués à l’aide de la racine de l’erreur quadratique moyenne, de l’erreur absolue moyenne, du coefficient de corrélation de Pearson et de l’indice de concordance de Willmott. Les résultats montrent que les modèles d’apprentissage profond obtiennent globalement de meilleures performances qu’ARIMAX et LightGBM. Le modèle GRU présente les erreurs globales les plus faibles. L’étude met également en évidence l’influence de la zone géographique : les meilleures performances sont obtenues à Cherbourg-en-Cotentin, tandis que les erreurs les plus élevées sont observées à Saint-Lô. Par ailleurs, aucune longueur d’historique ne se révèle optimale pour l’ensemble des modèles et des villes. Enfin, la précision des prévisions diminue progressivement à mesure que l’horizon de prévision s’éloigne.