Une entreprise de services publics prévoit d'estimer la consommation d'énergie de ses clients résidentiels et commerciaux en utilisant 10 ans de données historiques de consommation, ainsi que des caractéristiques telles que la météo, le taux d'occupation et les jours fériés. En utilisant un service de prévision géré, quel algorithme est le plus approprié pour ce scénario ?

Le CNN-QR (Convolutional Neural Network with Quantile Regression) est le plus approprié car il excelle dans la prévision de séries chronologiques complexes avec de multiples variables exogènes (météo, occupation, jours fériés) et de longues dépendances temporelles (10 ans de données). Sa capacité à modéliser des relations non linéaires et à fournir des prévisions de quantiles (intervalles de prédiction) est cruciale pour la gestion de l'énergie, où l'incertitude est importante. L'ARIMA et l'ETS sont des modèles statistiques plus simples, moins efficaces avec de nombreuses variables exogènes et des données non linéaires. Le modèle Prophet est bon pour les séries chronologiques avec des tendances et des saisonnalités claires, mais il est moins performant que le CNN-QR pour capturer des relations complexes et des dépendances à long terme avec de multiples caractéristiques.