🚚 Prédiction du Temps de Livraison

📋 Description

Projet de Machine Learning pour prédire le temps total de livraison d'une commande, de la préparation jusqu'à la réception par le client. Ce modèle aide les entreprises de logistique à anticiper les retards, optimiser les tournées et améliorer l'expérience client.

🎯 Objectifs

• Anticiper les retards de livraison
• Informer les clients avec des estimations précises en temps réel
• Optimiser l'organisation des tournées de livraison
• Développer un modèle automatisé, testé et intégrable en production

📊 Dataset

Le modèle prédit la variable cible DeliveryTime en utilisant les caractéristiques suivantes :

Variable	Description
Distance_km	Distance entre le restaurant et l'adresse de livraison
Traffic_Level	Niveau de trafic routier
Vehicle_Type	Type de véhicule utilisé
Time_of_Day	Heure de la journée
Courier_Experience	Expérience du livreur
Weather	Conditions météorologiques
Preparation_Time	Temps de préparation de la commande

🏗️ Structure du Projet

prediction_du_Temps_de_Livraison/
│
├── data/
│   └── dataset.csv                 # Données d'entraînement
│
├── functions/
│   └── fonctions.py                # Fonctions de prétraitement et modélisation
│
├── Nootbooks/
│   └── EDA.py                      # Analyse exploratoire des données
│
├── tests/
│   └── test_fonctions.py           # Tests unitaires
│
├── .github/
│   └── workflows/
│       └── python-tests.yml        # CI/CD avec GitHub Actions
│
├── requirements.txt                # Dépendances du projet
└── README.md                       # Documentation

🚀 Installation

1. Cloner le projet

git clone https://github.com/<ton-utilisateur>/prediction_du_Temps_de_Livraison.git
cd prediction_du_Temps_de_Livraison

2. Créer un environnement virtuel (recommandé)

python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate     # Windows

3. Installer les dépendances

pip install -r requirements.txt

💻 Utilisation

Exécuter l'analyse exploratoire

python Nootbooks/EDA.py

Lancer les tests unitaires

pytest -v

🧪 Méthodologie

1. Analyse Exploratoire (EDA)

• Heatmap de corrélation des variables numériques
• Countplots pour la distribution des variables catégorielles
• Boxplots pour analyser les relations avec DeliveryTime
• Analyse de la distribution de la variable cible

2. Prétraitement

• StandardScaler : normalisation des variables numériques
• OneHotEncoder : encodage des variables catégorielles
• SelectKBest (f_regression) : sélection des features les plus pertinentes

3. Modélisation

Deux modèles testés avec GridSearchCV :

• RandomForestRegressor
• SVR (Support Vector Regression)

Métrique principale : MAE (Mean Absolute Error)

4. Pipeline scikit-learn

Pipeline automatisé intégrant :

• Prétraitement (scaling + encodage)
• Sélection de features
• Modélisation

✅ Avantage : Évite les fuites de données et simplifie le déploiement

🧪 Tests Automatisés

Les tests unitaires vérifient :

• La cohérence des dimensions des données
• Le format des prédictions
• La performance du modèle (seuil MAE maximum)

pytest -v tests/

⚙️ Intégration Continue (CI/CD)

GitHub Actions exécute automatiquement les tests à chaque push sur main.

Le workflow .github/workflows/python-tests.yml :

• Installe Python 3.11
• Installe les dépendances
• Exécute les tests avec pytest
• Affiche une alerte si un test échoue

📈 Résultats

Modèle	MAE	R²
RandomForestRegressor	7.608370238095238	0.7469384552378573
SVR	6.058334766827715	0.8149002107491989

Modèle retenu : -Le SVR (Support Vector Regressor) est le meilleur choix dans ce cas car :

-Il a une erreur moyenne plus faible (MAE)

-Il explique mieux la variance des données (R² plus élevé)

🛠️ Technologies

• Python 3.11+
• pandas, numpy : manipulation de données
• matplotlib, seaborn : visualisation
• scikit-learn : modélisation et pipelines
• joblib : sauvegarde du modèle
• pytest : tests unitaires
• GitHub Actions : CI/CD

📅 Planning

• Lancement : 13/10/2025 à 10h00
• Date limite : 17/10/2025 à 17h00
• Durée : 5 jours

🎓 Évaluation

Durée totale : 25 minutes

1. Présentation (5 min) : Objectif, dataset, approche
2. Démonstration (5 min) : Notebook, scripts, résultats
3. Échanges techniques (10 min) : Code, modèles, GridSearch, tests
4. Discussion finale (5 min) : Organisation, CI/CD, reproductibilité

👤 Auteur

Maryem Elbergui

Linkedin: https://www.linkedin.com/in/maryem-elbergui-0939401b7

N'hésite pas à star le projet si tu le trouves utile !