HASSAN-MAHAMOUD/port-intelligence-ai

Prédiction de la surestarie au Doraleh Multi-Purpose Port de Djibouti par Machine Learning — Forêt Aléatoire R²=0.667 — Stage Master 1 IA # 🚢 Port Intelligence AI — Doraleh Multi-Purpose Port ## 📋 Description Projet de Machine Learning réalisé durant un stage de Master 1 en Intelligence Artificielle et Modélisation de Données au sein du département **Business Performance Management** du **Doraleh Multi-Purpose Port (DMP)** de Djibouti. **Objectif** : Prédire la surestarie (durée d'attente des camions dans le terminal portuaire) à partir des données opérationnelles réelles du port. ## 🌐 Application déployée 👉 **Tester l'application ici** ## 📊 Résultats des modèles (meilleure configuration par modèle) | Modèle | Configuration | MAE (min) | RMSE (min) | R² | |--------|--------------|-----------|------------|-----| | Régression Linéaire | Itérative + tuning | 355.90 | 610.72 | 0.484 | | KNN | KNN + tuning | 245.93 | 546.37 | 0.587 | | Arbre de Décision | Itérative + tuning | 352.78 | 607.00 | 0.490 | | **Forêt Aléatoire ✅** | **Simple sans tuning** | **260.03** | **551.98** | **0.667** | > ✅ Métriques issues du jeu de **validation** sauf Forêt Aléatoire qui affiche le jeu de **test indépendant** ## 🗂️ Structure du projet | Fichier | Description | |---------|-------------| | `chargement.ipynb` | Chargement et préparation des données | | `Exploration_de_donnes_.ipynb` | Analyse exploratoire et visualisation (EDA) | | `prediction_Surestarie_regression_lineaire.ipynb` | Modèle Régression Linéaire | | `prediction_Surestarie_KNN.ipynb` | Modèle K-Nearest Neighbors | | `prediction_Surestarie_arbre.ipynb` | Modèle Arbre de Décision | | `prediction_Surestarie_foret.ipynb` | ✅ Modèle retenu — Forêt Aléatoire | | `app.py` | Interface web de prédiction (Gradio) | | `requirements.txt` | Dépendances Python | ## 🔬 Méthodologie - **62 329** enregistrements opérationnels réels (Oct 2023 – Juin 2024) - **4 fichiers** : Gate_GC, Gate_Out, DISCH Conteneurs, LOAD Conteneurs - **3 stratégies d'imputation** : Simple, KNN, Itérative - **Pipeline sklearn** : ColumnTransformer + OneHotEncoding - **Analyse SHAP** p …