yamsaid/traffic-prediction

projet fil rouge de Africa Tech, fruit de 6 mois de formation intensive en Data Science, ce projet a été sanctionné par l'obtention d'une certification en Data Science. # Résumé *Ce projet présente **TrafficML**, une solution avancée de prédiction du volume de trafic horaire pour l'Interstate 94 (Minneapolis, États-Unis). Développée dans le cadre de la formation Africa TechUp Tour 2025, cette application utilise un modèle XGBoost optimisé pour des prédictions robustes et en temps quasi réel. Elle démontre une expertise en modélisation prédictive, ingénierie des fonctionnalités, interprétabilité des modèles (SHAP) et déploiement d'applications de données via Streamlit.* ### 🚀 Principaux résultats ✔ Modèle XGBoost expliquant **98,8%** de la variance du trafic (R²) ✔ Erreur relative moyenne (MAPE) de **5,95%**, garantissant une grande fiabilité ✔ Erreur absolue moyenne (RMSE) de **213 véhicules/heure** ✔ Modèle **18 fois plus léger** que Random Forest pour une performance équivalente ✔ Application interactive Streamlit pour l'exploration, l'analyse et la prédiction du trafic ✔ Interprétabilité des modèles grâce aux techniques SHAP **Compétences mobilisées :** Machine Learning, Modélisation Prédictive, XGBoost, Interprétabilité (XAI, SHAP), Streamlit, Ingénierie des Fonctionnalités, Déploiement d'Applications de Données, Python, Pandas, Scikit-learn, Visualisation de Données. # 📌 Contexte La gestion du trafic urbain est un enjeu majeur pour les villes modernes, confrontées à la congestion, à la pollution et à la perte de temps. La capacité à prédire précisément le volume de trafic permet d'optimiser la planification urbaine, de réguler les flux et d'améliorer la sécurité routière. L'Interstate 94, un axe vital reliant Minneapolis à Saint Paul, est particulièrement sujette à ces défis. Ce projet s'inscrit dans une démarche d'innovation pour fournir des outils d'aide à la décision basés sur l'analyse de données massives et l'intelligence artificielle, afin de rendre les infrastructures urbaines plus intelligentes et réactives. > 💡 **Problématique :** > Comment développer un modèle de prédiction du trafic urbain qui soit à …