GreenTechRénovation énergétiqueMachine Learning

Maestro

Startup française de la rénovation énergétique des bâtiments. Selego a réalisé une mission technique ponctuelle : un module de prédiction des classes DPE et GES d'un logement à partir de sa seule adresse postale.

Mission ML — prédiction DPE / GES

DPE & GES

prédits par ML

Adresse → classe

sans diagnostic terrain

Random Forest

2 modèles pré-entraînés

ADEME

bases croisées

Le problème

Prédire la performance énergétique sans aller sur le terrain

Estimer la classe DPE et GES d'un logement nécessite habituellement un diagnostic réalisé sur place. Pouvoir la prédire à partir de la seule adresse postale accélère le ciblage des rénovations — mais cela suppose de croiser plusieurs bases ADEME et un modèle prédictif fiable.

Diagnostic terrain requis

Estimer la performance énergétique d'un logement (classe DPE / GES) nécessite habituellement un diagnostic réalisé sur place, lourd à déployer à grande échelle.

Cibler les rénovations

Pouvoir prédire la performance énergétique à partir de la seule adresse permet d'accélérer le ciblage des logements à rénover en priorité.

Croiser plusieurs bases

Il fallait croiser plusieurs bases de données ADEME et un modèle prédictif pour relier une adresse aux caractéristiques d'un logement.

Mission technique ponctuelle — un script de prédiction autonome, pas une application
La solution

D'une adresse à une classe énergétique

Un script Python qui résout l'adresse, caractérise le logement via les bases ADEME, puis prédit les classes DPE et GES.

01

Résolution d'adresse

L'adresse postale est résolue en clé d'interopérabilité ADEME, puis associée à l'identifiant de bâtiment correspondant.

02

Caractérisation du logement

Alimentation d'un formulaire de caractéristiques : type de bâtiment, période de construction, surface, chauffage, vitrage, isolation, ventilation, ECS.

03

Prédiction ML

Deux modèles Random Forest pré-entraînés produisent les classes DPE et GES du logement.

Impact

Ce que le module rend possible

Une prédiction des classes DPE et GES à partir d'une simple adresse, pour aider au ciblage des rénovations.

AspectAvantAprèsApport
Estimation DPE / GESDiagnostic terrainPrédiction par adresseSans déplacement
Croisement des bases ADEMEManuelAutomatiséPipeline unifié
Ciblage des rénovationsAu cas par casAide à la décisionPriorisation
Classes DPE & GES prédites depuis une simple adresse postale
Architecture technique

Stack & données

Langage & exécution

Python 3
Script autonome
Exécution en ligne de commande

Machine Learning

scikit-learn
Random Forest (DPE & GES)
Sérialisation joblib
pandas, numpy

Données

Sources CSV ADEME
Caractéristiques des logements
Adresses & bâtiments
2 modèles Random Forest persistés

Une mission ML ponctuelle à mener ?

Parlons de votre besoin data

Modèle prédictif, croisement de bases de données, script ML autonome — nous savons cadrer et livrer des missions techniques ciblées, du POC à la mise en production.