Estimation des coûts de constructions de routes en utilisant l'apprentissage automatique explicable

L'estimation préalable des coûts est une étape cruciale lors de la réalisation d'un projet de construction d'infrastructures de transports. Une estimation de qualité assure une meilleure planification de projet, une gestion des fonds adéquate et une prise de décision éclairée. En effet, il est commun de sélectionner une solution à un projet routier via la publication d'appels d'offres. Généralement, un projet regroupe différentes tâches et un appel d'offres sera émis pour chacune d'entre elles. Une compétition émerge entre les différents soumissionnaires. Cette compétition étant publique, elle peut potentiellement influencer les coûts suggérés. Ainsi, avant toute prise de décision, les chargés de projet doivent anticiper le coût raisonnable attendu pour un certain appel d'offres. Si le coût suggéré par les soumissionnaires est estimé à la baisse, le service offert risque d'être d'une qualité médiocre. À l'inverse, un coût surestimé se traduirait par une mauvaise gestion des fonds publics. Bref, on cherche à accepter un prix qui serait des plus justes. Les chargés de projet doivent également justifier leur choix de soumissionnaire de manière objective et compréhensible. Offrir une estimation préalable des coûts claire et justifiée représente un défi pour ces derniers. Au ministère des Transports du Québec, l'approche utilisée combine une analyse statistique des coûts historiques et l'avis d'experts en estimation. Or, le Vérificateur Général du Québec a soulevé des doutes quant à l'exactitude de ces estimations. De plus, ce dernier soulève son manque de transparence. Des approches plus modernes utilisent l'intelligence artificielle pour accomplir cette même tâche. Plus particulièrement, l'apprentissage automatique supervisé est fort utile pour faire de telles prédictions en présence de données numériques historiques. Toutefois, la conception d'un modèle d'apprentissage automatique étant à la fois performant et explicable est un défi dans l'état de l'art. Un autre défi lié à l'utilisation de l'apprentissage automatique est qu'un modèle entraîné à prédire les coûts pour une tâche en particulier ne sera pas forcément approprié pour une tâche tierce. La solution proposée affronte ces différents défis. D'abord, ce mémoire propose un pipeline d'optimisation de la performance des modèles d'apprentissage automatique. Les premières étapes de ce pipeline visent à améliorer la qualité des données en vue de son utilisation avec le modèle étudié. Pour ce faire, on propose différentes techniques de mise à l'échelle des données, on procède à une sélection de variables rigoureuse via un algorithme d'élimination récursive des variables et on effectue une détection automatique des valeurs aberrantes. L'étape finale du pipeline d'optimisation permet de sélectionner les meilleurs hyperparamètres du modèle. Au travers de ce processus, chaque étape valide sa configuration à l'aide d'une validation croisée adaptée à notre problème.