Mamba ECIS pour la prévision du comportement des clients en marketing énergétique via l’apprentissage profond multimodal

Pourquoi des prévisions d’électricité plus intelligentes comptent

Maintenir le courant au bon prix oblige les compagnies d’électricité à estimer en permanence la quantité d’électricité que les gens utiliseront dans l’heure, le jour ou la semaine à venir. Ces estimations deviennent plus difficiles à mesure que le climat se dérègle, que les prix fluctuent et que les foyers se remplissent de compteurs intelligents et d’appareils connectés. Cet article présente un nouveau système de prévision, appelé Mamba‑ECIS, qui utilise une intelligence artificielle avancée pour lire simultanément de nombreux types de données, séparer les variations à court terme des habitudes à long terme et expliquer quels facteurs externes entraînent réellement la consommation des clients.

Des simples estimations à des portraits numériques riches

Les outils de prévision traditionnels ont été conçus pour un monde plus simple. Ils s’appuyaient généralement sur un seul type d’information, comme la consommation passée, et supposaient que les schémas resteraient assez stables dans le temps. Avec l’explosion des volumes de données et la complexification des comportements des consommateurs, ces méthodes ont commencé à montrer leurs limites. Même les approches modernes d’apprentissage profond, bien que puissantes, fonctionnent souvent comme des « boîtes noires » opaques et peinent à combiner proprement la météo, les prix, les effets calendaires et d’autres signaux. Les auteurs soutiennent que le système électrique de demain a besoin de modèles capables d’absorber de nombreuses sources de données, de suivre à la fois les fluctuations rapides et les dérives lentes de la demande, tout en offrant des explications lisibles par des humains.

Fusionner de nombreux signaux en une seule histoire

Mamba‑ECIS relève ce défi en fusionnant d’abord différents flux d’information en une image chronologique unique de la consommation d’énergie. Il combine des données de consommation haute résolution avec des influences externes telles que la température, l’humidité et les prix de l’électricité, ainsi que des indicateurs de type texte pour les jours fériés ou les événements spéciaux. Avant l’apprentissage, le système normalise et transforme ces entrées pour qu’elles partagent une échelle commune. Un réseau neuronal apprend alors à mettre en avant les éléments les plus informatifs de chaque source, et une étape de pondération permet au modèle d’insister, par exemple, sur la météo lors des chaudes journées d’été ou sur le prix lors des soirées de pointe tarifaire. Cela produit une description plus riche et plus flexible de la façon dont et pourquoi l’électricité est utilisée.

Surveiller les pics d’aujourd’hui et les tendances de demain

Pour éviter de confondre les sursauts rapides avec des changements profonds, le modèle utilise une conception à double branche. Une branche regarde les données à haute fréquence — les variations minute par minute ou heure par heure qui comptent pour les opérations en temps réel. L’autre branche se concentre sur des schémas plus lents et lissés, comme les moyennes quotidiennes et les cycles saisonniers. Chaque branche dispose de ses propres blocs de modélisation de séquences, basés sur une architecture efficace connue sous le nom de modèles d’espace d’état Mamba, capables de traiter des historiques très longs sans le coût de calcul élevé des réseaux classiques basés sur l’attention. Une couche de fusion combine ensuite les deux vues, ajustant automatiquement le poids accordé aux signaux court terme versus long terme selon les conditions actuelles, comme une canicule ou un jour de semaine ordinaire.

Relier cause et effet, pas seulement la corrélation

Au‑delà de produire des prévisions précises, les auteurs veulent que le système identifie les facteurs qui entraînent réellement les variations de la demande. Pour cela, ils ajoutent un module d’attention causale. Il utilise un mécanisme de type attention pour mesurer la force du lien entre chaque facteur externe et la consommation à chaque instant, puis transmet ces relations à un réseau d’inférence causale qui estime la contribution directe de chaque facteur. Une étape de pondération distincte permet au modèle d’ajuster ces contributions dans le temps. Cette conception ne prétend pas constituer une théorie causale formelle complète, mais elle va au‑delà de la simple mise en correspondance de motifs : les planificateurs du réseau peuvent ainsi voir, par exemple, quand des pics de température ou des calendriers de jours fériés sont principalement responsables d’une hausse de la consommation, et planifier en conséquence des actions de marketing ou des programmes de réponse à la demande.

Mettre le système à l’épreuve

Les chercheurs ont évalué Mamba‑ECIS sur deux ensembles de données réelles largement utilisés : des relevés détaillés de consommation domestique du Portugal et des données résidentielles et commerciales haute résolution des États‑Unis. Les deux contiennent des millions de mesures et des informations contextuelles riches. Selon plusieurs mesures d’erreur standard, le nouveau modèle a surpassé une gamme de concurrents solides, y compris des Transformers modernes, d’autres modèles basés sur Mamba et des réseaux spécialisés pour séries temporelles. Des gains typiques de 3–12 % en précision peuvent sembler modestes, mais ils se traduisent par des économies substantielles et des améliorations de fiabilité pour des services publics opérant à l’échelle nationale. Des tests additionnels, où des modules spécifiques étaient retirés, ont montré que la fusion multimodale, la structure à double branche et la porte d’attention causale apportaient chacun des contributions distinctes et complémentaires aux performances.

Ce que cela signifie pour les utilisateurs d’électricité au quotidien

Pour les non‑spécialistes, le message clé est que des prévisions plus intelligentes et plus transparentes peuvent contribuer à rendre les systèmes électriques à la fois moins coûteux et plus fiables. En tissant ensemble de nombreuses sources de données, en séparant le bruit à court terme des habitudes durables et en mettant en lumière les forces externes qui dirigent réellement la demande, Mamba‑ECIS offre aux compagnies d’électricité un guide plus fiable pour le futur proche. Cela peut, à son tour, soutenir des tarifs plus équitables, des programmes de conservation mieux ciblés et moins de surprises lors des vagues de chaleur ou de froid — améliorant discrètement la production, la commercialisation et l’utilisation de l’énergie en coulisses.

Citation: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

Mots-clés: prévision de la demande électrique, analyse des réseaux intelligents, apprentissage profond multimodal, comportement des consommateurs d’énergie, apprentissage automatique causal