Anticipation de la saturation FTTH par Machine Learning

Contexte & Enjeux Industriels

Dans le déploiement des réseaux d’accès très haut débit en fibre optique (FTTH), les Points de Branchement Optique (PBO) constituent les équipements terminaux où sont raccordés les abonnés. L’approche traditionnelle de gestion de capacité repose sur des seuils statiques et des taux d’occupation instantanés. Cette méthode réactive engendre :

Des saturations imprévues bloquant les raccordements commerciaux de nouveaux clients.
Des investissements d’extension non priorisés dans le temps et l’espace.

L’objectif de ce travail a été de concevoir une preuve de concept de Machine Learning capable d’anticiper la saturation à différents horizons temporels pour transformer une gestion réactive en une planification proactive des investissements.

Données & Préparation

Le jeu de données comprenait 559 609 observations historiques couvrant 74 267 équipements FTTH répartis sur 954 plaques réseau.

Ingénierie des variables (Feature Engineering)

Dynamique temporelle : vitesse de raccordement récente (dérivée du taux d’occupation sur 30, 60 et 90 jours), variations d’accélération.
Contexte géographique & territorial : densité d’équipements par plaque, indicateurs démographiques communaux (recensement officiel ANSD).
Caractéristiques physiques : capacité nominale du boîtier (6, 8 ou 12 ports), topologie amont côté commutateur optique (OLT).

Méthodologie & Modélisation

1. Prévention de la fuite temporelle (Data Leakage)

Pour refléter fidèlement les conditions réelles de production, une stratégie stricte de découpage temporel a été mise en œuvre avec un embargo temporel de 6 mois entre le jeu d’entraînement et le jeu de test. Cette précaution élimine tout risque de surapprentissage lié à la persistance temporelle des états de saturation.

2. Modèle XGBoost multi-horizon

Un ensemble de modèles à base d’arbres de décision boostés (XGBoost) a été entraîné pour prédire la probabilité de saturation à quatre horizons : 3 mois, 6 mois, 9 mois et 12 mois.

3. Calibration Isotonique

Les modèles de Gradient Boosting ont tendance à sous-estimer ou surestimer les probabilités extrêmes. Une calibration isotonique a été appliquée en post-traitement, permettant de fiabiliser les probabilités estimées et de réduire le score de Brier de 63 %.

4. Explicabilité par valeurs de SHAP

L’acceptabilité métier étant indispensable, la méthode SHAP (SHapley Additive exPlanations) a été intégrée pour quantifier la contribution exacte de chaque variable, tant au niveau global (variables dominantes) qu’au niveau local (explication détaillée de la recommandation d’extension sur un boîtier précis).

Résultats Clés

Comparé à la règle métier statique basée sur le seuil d’occupation instantané, le modèle démontre une supériorité opérationnelle nette :

Indicateur	Baseline Métier	Modèle XGBoost Calibré	Gain
PR-AUC (à 6 mois)	0,283	0,812	x 2,9
ROC-AUC (à 6 mois)	—	0,943	Performance globale élevée
Taux de rappel	23,4 %	91,0 %	Détection quasi-exhaustive des saturations
Faux négatifs	Référence	-88 %	Risque d’imprévu drastiquement réduit
Score de Brier	0,142	0,052	-63 % (probabilités très bien calibrées)

Les prédictions ont ensuite été agrégées à l’échelle des plaques géographiques pour fournir aux décideurs une matrice de priorisation claire des chantiers d’extension de réseau.