📦 Modèle de Prédiction du Temps de Livraison

🎯 Vue d'ensemble du projet

Ce projet vise à développer un modèle de Machine Learning capable de prédire le temps total d'une livraison, depuis la commande jusqu'à la réception. L'objectif est de permettre à l'entreprise de logistique et de livraison d'anticiper les retards, d'informer les clients en temps réel et d'optimiser l'organisation des tournées.

🚀 Objectifs principaux

• Développer une preuve de concept fiable et automatisée
• Remplacer les estimations manuelles par des prédictions basées sur le ML
• Réduire les retards et améliorer la satisfaction client
• Optimiser les tournées de livraison

📊 Contexte et Problématique

Situation actuelle

• ❌ Estimations de temps de livraison faites manuellement
• ❌ Pas de modèle de prédiction fiable
• ❌ Suivi des expérimentations absent
• ❌ Retards fréquents créant une insatisfaction client

Variables d'entrée

Le modèle prend en compte les facteurs suivants :

Variable cible

• DeliveryTime : Temps total de livraison (en minutes)

🛠️ Architecture du Projet

Pr-diction-du-Temps-de-Livraison/
├── dataset.csv
├── EDA.ipynb
├── pipeline.py
├── test_pipeline.py
├── .github/workflows/
│   └── python-tests.yml        
GitHub Actions
├── requirements.txt            
Dépendances du projet
└── README.md                   Configuration du projet

📋 Mission Détaillée

Phase 1️⃣ : Analyse et Exploration des Données (EDA)

Visualisations requises

1. Heatmap de corrélation

• Identifier les variables numériques les plus corrélées avec DeliveryTime
• Détection de corrélation avec la cible
• Détection de multicolinéarité entre variables

2. Countplots

• Analyser la distribution des variables catégorielles
• Traffic_Level
• Vehicle_Type
• Time_of_Day
• Weather

3. Boxplots

• Analyser la relation entre la cible et les variables catégorielles
• Trafic vs Temps de livraison
• Type de véhicule vs Temps de livraison
• Heure de la journée vs Temps de livraison
• Conditions météorologiques vs Temps de livraison

4. Distribution de la variable cible

• Analyser la distribution de DeliveryTime
• Histogramme et statistiques descriptives
• Détection d'outliers
• Vérification de la normalité

Objectif

Identifier les variables les plus explicatives avant la modélisation.

Phase 2️⃣ : Prétraitement et Sélection de Features

Prétraitement

Variables numériques : StandardScaler (normalisation)

• Distance_km
• Courier_Experience
• Preparation_Time

Variables catégorielles : OneHotEncoder (encodage one-hot)

• Traffic_Level
• Vehicle_Type
• Time_of_Day
• Weather

Sélection de Features

• Méthode : SelectKBest avec test statistique f_regression
• Objectif : Sélectionner les k meilleures features pour réduire la dimensionnalité
• Validation : Comparer les performances avec/sans sélection

Phase 3️⃣ : Modélisation avec GridSearchCV

Modèles à tester

• RandomForestRegressor

• Support Vector Regressor (SVR)

Métriques d'évaluation

• MAE (Mean Absolute Error)

  • Métrique de sélection principale
  • Interprétable en minutes
  • Robuste aux outliers

• R² (Coefficient de détermination)

  • Évaluation supplémentaire
  • Proportion de variance expliquée
  • Cible : R² > 0.85

Justification du modèle final

• Comparer MAE et R² entre les deux modèles
• Analyser le temps de prédiction
• Évaluer la stabilité et la robustesse

Phase 4️⃣ : Pipeline sklearn (Bonus)

Objectifs

• Automatiser le flux de traitement
• Éviter les fuites de données
• Faciliter le déploiement en production

Phase 5️⃣ : Tests Automatisés

Tests de validation des données

# test_data.py
- Vérifier le format des données (types, dimensions)

# test_mae
- Vérifier que la MAE maximale ne dépasse pas un seuil défini

Phase 6️⃣ : CI/CD avec GitHub Actions (Bonus)

Objectif

Exécuter automatiquement les tests à chaque push sur le repository.

Fichier de configuration

.github/workflows/python-tests.yml

name: Run Unit Tests
on:
  push:
    branches: [main]
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout du code
        uses: actions/checkout@v4
      - name: Installer Python
        uses: actions/setup-python@v5
        with:
          python-version: "3.11"
      - name: Installer les dépendances
        run: |
          python -m pip install --upgrade pip
          pip install -r requirements.txt
          pip install pytest joblib scikit-learn pandas
      - name: Exécuter les tests
        run: pytest -v

Avantages

• ✅ Garantit que le code reste fonctionnel
• ✅ Détecte les régressions automatiquement
• ✅ Valide les PR avant merge
• ✅ Génère des rapports de couverture de code

📦 Dépendances

pandas
numpy
scikit-learn
matplotlib
seaborn
pytest

Installez-les avec :

pip install -r requirements.txt

🚀 Guide de démarrage rapide

1. Cloner le repository

git clone https://github.com/SaidaAourras/Pr-diction-du-Temps-de-Livraison.git
cd Pr-diction-du-Temps-de-Livraison

2. Créer un environnement virtuel

python -m venv venv
source venv/bin/activate  # Sur Windows : venv\Scripts\activate

3. Installer les dépendances

pip install -r requirements.txt

4. Exécuter les tests

pytest -v

📈 Résultats attendus

📝 Résumé des livrables

• ✅ Analyse exploratoire complète avec visualisations
• ✅ Prétraitement des données automatisé
• ✅ Sélection de features basée sur la statistique
• ✅ Modélisation avec GridSearchCV (2 modèles)
• ✅ Pipeline sklearn automatisé
• ✅ Suite de tests complète
• ✅ CI/CD avec GitHub Actions
• ✅ Documentation du projet

👥 Contributeurs

• Data Scientist Junior : Saida Aourras

Dernière mise à jour : Octobre 2025