Développement d'un outil prédictif de la génération de résidus dans un contexte de logistique inverse

La gestion des résidus industriels représente un enjeu majeur pour les systèmes de logistique inverse et les stratégies d’économie circulaire. La planification efficace des opérations de collecte repose notamment sur la capacité à anticiper les volumes générés. Toutefois, la prévision de ces flux demeure complexe en raison de leur forte variabilité temporelle, de leur hétérogénéité spatiale et du caractère intermittent des séries observées. Ce mémoire propose un cadre méthodologique fondé sur l’apprentissage automatique afin d’améliorer la prévision des quantités de résidus industriels. L’étude s’appuie sur des données réelles de collecte de bidons d’huile de moteur usagés au Canada, couvrant la période 2014–2024 et comprenant plus d’un million d’observations. Le travail est structuré en deux articles complémentaires. Le premier article analyse l’impact des stratégies d’agrégation spatio-temporelle sur la performance des modèles prédictifs. Deux niveaux d’agrégation spatiale sont comparés : une agrégation au niveau des villes et une partition fine basée sur le système d’indexation hexagonale hiérarchique H3. Plusieurs modèles sont évalués, incluant des approches statistiques (ARIMA, Croston) et des méthodes d’apprentissage automatique basées sur le gradient boosting (CatBoost, XGBoost, LightGBM). Le second article propose une approche de lissage spatio-temporel fondée sur la similarité comportementale entre unités spatiales afin d’améliorer la robustesse des prévisions à haute résolution.Des variables météorologiques ont également été explorées comme facteurs explicatifs potentiels. Toutefois, leur contribution à l’amélioration des performances prédictives s’est révélée limitée dans le contexte étudié, suggérant que la génération des résidus est davantage influencée par des facteurs opérationnels et comportementaux. Le mécanisme pro-posé combine les prédictions initiales du modèle CatBoost avec une agrégation pondérée des prédictions des hexagones voisins présentant des profils similaires. Les résultats expérimentaux montrent que les modèles d’apprentissage automatique surpassent significativement les approches statistiques traditionnelles. Ils mettent également en évidence un compromis entre précision prédictive et granularité spatiale. L’approche de lis-sage proposée permet de réduire les erreurs extrêmes et d’améliorer la stabilité des prédictions dans les zones à forte variabilité. Les contributions de ce mémoire résident dans l’analyse systématique de l’effet de la granularité spatiale, l’intégration d’une indexation hiérarchique (H3), et la proposition d’un mécanisme de lissage spatio-temporel fondé sur la similarité. Ce travail apporte ainsi un cadre méthodologique intégré permettant d’améliorer la prévision et la planification des systèmes de logistique inverse en contexte industriel réel.