Dans le cadre d'un appel à projet de Nantes métropole sur la réduction du gaspillage alimentaire, nous avons réalisé une modélisation de la fréquentation des cantines scolaires de la métropole.

Nantes métropole a mis à disposition les historiques des données de fréquentation des écoles de la métropole sur les dix dernières années. Nous avons également récupéré d'autres données en open source afin de trouver des variables qui pourraient avoir une influence sur la fréquentation des restaurants scolaires.

Les données sont séparées selon deux dossiers :

• les données brutes sont stockées dans le dossier data
• les données affinées sont dans le dossier data_processed

Ensuite, le code est organisé selon 3 dossiers principaux :

• script_preprocess correspond à l'ensemble des scripts permettant de construire les données nécesaires à l'analyse et au focntionnement des modèles
• src recense l'ensemble des notebooks ayant permis l'élaboration des modèles et l'analyse des résultats
• models correspond aux scripts d'automatisation des modèles

Enfin les résultats des modèles sont stockés dans le dossier results.

Tout d'abord, vous devez cloner ce dépôt si vous souhaiter reproduire les résultats suivants.

Ensuite, vous pouvez reproduire l'environnemnt de développement python grâce à la commande suivante:

pip install -r requirements.txt

Enfin, il est nécessaire de télécharger la librairie fr_core_news_sm pour l'analyse de texte avec spacy :

python -m spacy download fr_core_news_sm

Les données brutes (fréquentation, effectifs, vacances etc) doivent être stockées dans le dossier data et respecter le format précisé dans le document data_preparation.md.

Toutes ces données brutes vont ensuite être processées afin de construire les bases finales pour l'analyse de données et la modélisation. Pour faire ce processing, il suffit de faire tourner le code suivant :

python script_preprocess/main_processing.py

Les arguments sont configurés par défault avec les données de Nantes métropole:

• --path_data: dossier dans lequel se trouve les données brutes "data"
• --frequentation: données de fréquentation au format csv "frequentation_cantines_v3.csv""
• --effectif: données relatives aux effectifs des écoles "Effectifs_ecoles.csv"
• --greves_ville: données relatives aux grèves dans la métropole "Journees_de_greve.csv"
• --vacances: donnéesrelatives aux vacances scolaires dans la métropole "vacances_Nantes_2011-2019.csv"

Ensuite, les menus nous ont été donnés via deux fichiers mais vous pouvez en renseigner seulement un :

• --menus_1: données sur les menus entre 2011 et 2015 "menus_2011-2015.csv"
• --menus_2: données sur les menus entre 2016 et 2020"menus_2016-2019.csv"

A la suite de ce script, les fichiers préprocessés seront stockés dans le dossier data_processed.

Afin de construire la base complète (1 date / 1 établissment / 1 effectif / 1 fréquentation prévisionnelle / 1 fréquentation réelle), il suffit d'éxecuter la commande suivante :

python script_preprocess/building_original_data.py

Une base de données au format pickle "complete_data_per_school.pk" sera automatiquement générée dans le dossier data_processed.

Ensuite, pour accéder aux données agrégées par date sur l'ensemble des établissments, soit on fait un groupby date sur le jeu de données précédent, soit on exécute la commande suivante :

python script_preprocess/building_aggregated_data.py

Cela va générer la base de données "global.pk" dans le dossier data_processed.

Pour ouvrir ces jeux de données, il est possible d'uiliser la méthode read_pickle de pandas (>=0.20.3).

De plus, vous pouvez trouver plus d'informations sur le preprocessing dans le fichier note_methodologique.pdf

Nous avons réalisé plusieurs types de modélisation:

• rolling: on entraine successivement des modèles sur une fenêtre temporelle glissante afin de s'assurer de la robustessse de ces modèles
  • paramètres: granularité, lieu, seuil pour enlever les valeurs aberrantes, intervalle temporel
• général: on entraine un modèle sur les années scolaires 2012-2013 à 2017-2018 et on réalise des prédictions sur l'année 2018-2019
  • paramètres: seuil, intervalle de confiance pour la prédiction, date de début d'entrainement, date de début de prédiction, date de fin de prédiction

Afin de gagner en flexibilité, nous avons ajouté des paramètres pour faire des prédictions à différents niveaux :

• etablissement
• quartier
• global (sur l'ensemble des établissements)

Pour effectuer un rolling modèle au global, il suffit de faire tourner la commande suivante :

python models/rolling_models.py

Les arguments sont les suivants :

• --granularité: précisez si vous souhaitez un modèle global, par quartier ou par établissement (par défault: "global")
• --lieu: précisez le nom de l'entité pour laquelle vous souhaitez une prévision (par défault: "global")
• --seuil: seuil selon lequel on exclut des valeurs aberrantes (ramené à la distribution d'une loi normale centrée réduite) 1.64
• --fenetre_temp: nombre d'observations (de jours) pour lesquelles on souhaite calculer la moyenne mobile 360

Pour faire tourner le modèle global au général, il suffit de lancer la commande suivante :

python models/main_gm_global.py  

Enfin, pour réaliser l'ensemble des prévisions par quartiers ou par établissements, nous avons crée des scripts supplémentaires dont le fonctionnement est semblable :

python models/main_gm_etablissements.py 

Pour ces deux dernières commandes, les arguments sont les suivants :

• --seuil: seuil selon lequel on exclut des valeurs aberrantes (ramené à la distribution d'une loi normale centrée réduite) 1.64
• --int_conf: intervalle de confiance que l'on souhaite prendre pour ajuster les prévisions (par défault: 0.9)
• --start_training_date: date à partir de laquelle on prend les observations dans l'échantillon d'apprentissage (par défault: "2013-09-01")
• --begin_date: date à partir de laquelle on prend les observations dans l'échantillon de test (par défault: "2018-09-01")
• --end_date: date finale pour l'échantillon de test (par défault: "2019-09-01")

Nous avons créé un dossier results dans lequel des sous-dossiers general et rolling sont présents.

Pour les modèles de type général, nous stockons les trois outputs suivants :

• le modèle model_global_1.64_0.9.pkpour le modèle au global avec un seuil à 1.64 et un intervalle de confiance à 90%
• les paramètres du modèle params_global_1.64.09.pk
• les variables explicatives de l'échantillon de test x_pred_1.64.09.pk

Pour les modèles de type rolling, nous stockons deux outputs :

• les paramètres du modèle rolling_params_etablissement_gaston_serpette_m_360.pk par exemple pour l'établissment gaston serpette m avec une fenêtre de 360 observations (trois ans de données à peu près)
• les p-values associées à chaque variable explicative rolling_pval_etablissement_gaston_serpette_m_360.pk

Nous avons crée deux notebooks pour analyser les résultats de ces différents modèles et surtout pour comparer l'efficacité des modèles en fonction de la granularité.

• 10_model_per_schools pour les résultats par école
• 11_metrics_global_model pour les résultats au global

Le code lié à ce projet a été développé par Maestria Innovation avec les contributions de Selim Mellouk et Gilles Cornec, pour le compte de Nantes Métropole. Lire le document LICENSE.md pour plus d'informations.