Estimation des périodes de retour des rafales de vent belges : utilisation de modèles prédictifs

Details

Supervisors

Denuit, Michel ; Yerna Olivier ; Valérie Delvaux

Faculty

Faculté des sciences

Degree label

Master [120] en sciences actuarielles, à finalité spécialisée

Abstract

Dans ce mémoire, l’objectif est de modéliser les périodes de retour des rafales de vent en Belgique sur base de variables prédictives et en utilisant des algorithmes de machine learning. Notre idée est la suivante : nous supposons que les rafales de vent changent en fonction des caractéristiques de l’endroit étudié. En effet, il est légitime de penser que la vitesse du vent ne sera pas la même à Ostende ou au milieu des Ardennes lors d’une même tempête. Notre objectif est alors de comprendre comment varient les rafales de vent en fonction des caractéristiques du lieu telles que l’altitude, la présence d’arbres, la présence de buildings... et d’en déduire la période de retour associée à cette vitesse. Dans un premier temps, nous utiliserons les données historiques comprenant les vitesses des vents enregistrées par différentes stations météo sur une période de 33 ans à travers la Belgique. Dans un second temps, nous analyserons en détails cette base de données afin de déjà en tirer quelques conclusions. Dans cette section, nous aborderons également la gestion des valeurs aberrantes ainsi que l’obtention de la distribution statistique qui correspond le mieux à nos données. Une fois ces étapes de construction et d’analyse de données terminées, nous discuterons en détail le choix des modèles de machine learning. Nous implémenterons les modèles qui nous semblent les plus pertinents et en tirerons les conclusions et prédictions qui en découlent. Une fois les premiers modèles implémentés, nous effectuerons une analyse permettant de détecter les éventuelles interactions entre les variables explicatives présentes dans notre base de données. Nous raffinerons ensuite nos modèles initiaux en y ajoutant les plus grandes interactions détectées. Enfin, nous comparerons les modèles entre eux afin d’en déduire lequel est le plus performant. Nous regarderons ensuite les périodes de retour pour ce modèle. In this thesis, the objective is to model the return periods of wind gusts in Belgium based on predictive variables and using machine learning algorithms. Our idea is the following: we assume that wind gusts change according to the characteristics of the studied location. Indeed, it is legitimate to think that the wind speed will not be the same in Ostend or in the middle of the Ardennes during the same windstorm. Our objective is then to understand how wind gusts vary according to the characteristics of the place such as the altitude, the presence of trees, the presence of buildings... and to deduce the return period associated to this speed. In a first step, we will use historical data including wind speeds recorded by different weather stations over a period of 33 years across Belgium. In a second step, we will analyze this database in detail in order to draw some conclusions. In this section, we will also discuss the management of outliers as well as obtaining the statistical distribution that best fits our data. Once these data construction and analysis steps are completed, we will discuss in detail the choice of machine learning models. We will implement the models that we think are the most relevant and draw conclusions and predictions from them. Once the first models are implemented, we will perform an analysis to detect possible interactions between the explanatory variables present in our database. We will then refine our initial models by adding the largest interactions detected. Finally, we will compare the models between them in order to deduce which one is the best performing. We will then look at the return periods for this model.