![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des1.png)
REPUBLIQUE DU
BENIN
********
MINISTERE DE L'ENSEIGNEMENT
SUPÉRIEUR ET
DE LA RECHERCHE
SCIENTIFIQUE
*****************
THÈME :
UNIVERSITE NATIONALE DES SCIENCES, TECHNOLOGIES,
INGÉNIERIE ET MATHÉMATIQUES D'ABOMEY
*************
INSTITUT NATIONAL SUPERIEUR DE TECHNOLOGIE INDUSTRIELLE
DE LOKOSSA
Département : Option
:
Génie Electrique et Informatique Informatique et
Télécommunication
(GEI) (IT)
RAPPORT DES TRAVAUX DE FIN D'ÉTUDES POUR L'OBTENTION DU
DIPLÔME DE LICENCE PROFESSIONNELLE
DEVELOPPEMENT D'UN SYSTEME POUR LA PRÉVISION DES
PRIX
DES PRODUITS AGRICOLES PAR L'ANALYSE DES DONNÉES
ET
L'APPRENTISSAGE AUTOMATIQUE : CAS DU MAÏS
Rédigé et présenté par :
Sabin ASSOGBA & Mario LIGAN
Lieu de stage : INSTI
Tuteur de stage et Superviseur :
Dr M. Abel KONON Maître-Assistant CAMES
Année Académique : 2022-2023
DEDICACES 1
Je rends grâce à Dieu tout puissant et je
dédie ce document à mes parents LIGAN Brice et ADJAÏ
Alphonsine, pour leur patience, leur détermination, leur amour
et leurs sacrifices.
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des2.png)
Mario M. O. LIGAN
DEDICACES 2
Je rends grâce à Dieu tout puissant et je
dédie ce document à mes parents ASSOGBA K. Robert et
DOSSA Yvette, pour leur patience, leur détermination, leur
amour et leurs sacrifices.
Sabin M. ASSOGBA
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des3.png)
2
-
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
REMERCIEMENTS
Le présent travail que nous avons réalisé
n'a été possible que grâce aux soutiens, apports et
conseils du Dieu tout puissant et de certaines personnes, grands acteurs de nos
études universitaires. En signe de gratitude et de reconnaissance, nous
tenons vivement à remercier :
- Pr GUIDI Clotilde, Directrice de l'INSTI
pour tous les sacrifices qu'elle a consentis pour que notre formation soit de
qualité ;
- Dr (MC) Sèdjro Yvette KIKI
TANKPINOU, Directrice adjointe de l'INSTI, pour tous les sacrifices et
efforts qu'elle et son équipe ont fournis pour notre succès
académique;
- Dr (MA) KONNON M. Abel, notre chef de
département et aussi notre superviseur, pour nous avoir donné
l'opportunité de travailler sur ce sujet d'une part, puis sa
disponibilité et son engagement d'autre part;
- Tous nos enseignants, pour avoir joué
un rôle crucial dans notre formation;
- Les membres du jury pour
avoir sacrifié leur temps pour examiner et apprécier notre
travail de fin d'étude.
Aussi à tous ceux qui de près ou de loin nous ont
accompagnés et soutenus.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des4.png)
3
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
TABLE DES MATIÈRES
Dédicaces 1
Remerciements 2
TABLE DES ATIÈRES 4
Liste des acronymes et abréviations 6
Liste des figures 7
Liste des tableaux 8
Cahier des charges 9
RESUME 10
ABSTRACT 11
INTRODUCTION 12
Chapitre 1 : 13
1.1 Présentation de la structure de formation 13
1.1.1 Historique 13
1.1.2 Situation géographique 14
1.1.3 Organisation structurelle 14
1.1.4 Domaine et formations 15
1.1.5 Unités d'accueil de l'INSTI 17
Chapitre 2 19
2.1 Apprentissage de la technologie TensorFlow 19
2.1.1 Présentation de la technologie . 19
2.1.2 Processus d'apprentissage 19
2.2 Travaux sur le fichier de rapports de supervision de stage
de fin d'étude des
apprenants de licence 3 20
2.2.1 Fonctions ajouté 20
2.2.2 Méthodologie 22
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des5.png)
4
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
2.3 Introduction aux tâches administratives 22
2.4 Travaux sur la plateforme Gestion de TFE 23
2.5 Création d'une application web de gestion des
rattrapages et des reprises 25
Chapitre 3 28
3.1 Présentation du projet de fin d'étude
28
3.1.1 Problématique 28
3.1.2 Pertinence et nouveauté du thème . 29
3.1.3 Objectifs 30
3.2 Démarche méthodologique 30
3.3 Analyse fonctionnelle 31
3.4 Choix des outils et technologies . 32
3.4.1 Langages informatiques 32
3.4.2 Frameworks 34
3.4.3 Outils de conception et de modélisation . 37
3.4.4 Algorithme de prédiction 38
Chapitre 4 40
4.1 Développement et fonctionnement de l'algorithme
40
4.2 Processus de communication entre l'application Flask et
Laravel . 43
4.3 Modélisation en UML 45
4.3.1 Modélisation des cas d'utilisation 45
4.3.2 Modélisation des diagrammes de classe 46
4.3.3 Élaboration des diagrammes de séquence
47
4.4 Réalisation de la plateforme de prévision
HarvestInsight . 48
4.4.1 Page d'accueil . 49
4.4.2 Page de prévision .. 49
4.5 Précision de l'algorithme 50
CONCLUSION 52
Références bibliographiques 53
Webographie 54
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des6.png)
5
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
LISTE DES ACRONYMES
CAMES : Conseil Africain et Malgache pour l'Enseignement
Supérieur
CSS : Cascadant Style Sheets
DT : Diplôme Technique
INSTI : Institut National Supérieur de Technologie
Industrielle
IUT : Institut Universitaire de Technologie
GEI : Génie Électrique et Informatique
HTML : HyperText Markup Language
HTTP : HyperText Transfer Protocol
MAEP : Ministère de l'Agriculture, de l'Elevage et de
la Pêche
ODD : Objectifs de développement durable
PHP : Hypertext Preprocessor
TFE : Travaux de Fin d'Etudes
UAC : Université d'Abomey Calavi
UNSTI M
: Université Nationale des Sciences, Technologies,
Ingénierie et Mathématiques
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des7.png)
6
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
LISTE DES TABLES ET FIGURES
I - LISTES DES FIGURES
Figure 1 : Entrée principale de l'INSTI Lokossa 12
Figure 2 : Situation géographique de l'INSTI-Lokossa
13
Figure 3 : Organigramme de l'INSTI-Lokossa 14
Figure 4 : Image montrant des statistiques de performance des
modèles .... 19
Figure 5 : Aperçu du fichier Excell créer 20
Figure 6 : Aperçu du site de gestion de TFE 22
Figure 7 : Aperçu de la page d'ajout du document de TFE
23
Figure 8 : Aperçu du déroulement du
téléversement avec Filezilla 24
Figure 9 : Interface de la plateforme gestion des rattrapages
et reprises 25
Figure 10 : Logo du Framework Laravel 33
Figure 11 : Logo du Framework Flask 34
Figure 12 : Etape de développement du modèle
39
Figure 13 : Processus de communication entre l'application
Flask et Laravel .......42
Figure 14 : Diagramme de cas d'utilisation 45
Figure 15 : Diagramme de classe 46
Figure 16 : Diagramme de séquences du cas d'utilisation
S'authentifier 47
Figure 17 : Diagramme de séquences du cas d'utilisation
Visualiser 47
Figure 18 : Interface d'accueil 48
Figure 19 : Aperçu de l'interface de la page de
prévision 49
Figure 20 : Courbes des erreurs d'entrainement et de
validation . 50
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des8.png)
7
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
II - LISTES DES TABLES
Tableau 1 : Offres de formation de l'INSTI 16
Tableau 2 : Avantage du thème .. 28
Tableau 3 : Tableau récapitulatif des données
collectées 41
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des9.png)
8
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des10.png)
CAHIER DES CHARGES
1. Objectifs du travail de fin
d'études
Nous visons à créer un système
informatisé basé sur les technologies web pour prédire les
prix du maïs en utilisant l'analyse des données et l'apprentissage
automatique. Pour atteindre cet objectif, nous allons de façon
spécifique : concevoir la maquette de la plateforme, créer la
base de données, développer le système de prévision
de prix, prédire les prix avec une grande précision et enfin,
tester et valider l'efficacité de notre modèle de
prévision.
2. Contraintes et moyens mis à
disposition
Pour développer ce système, nous mobiliserons
nos compétences en langage de modélisation UML et aussi en
gestion de projet numérique notamment la méthodologie Agile
Scrum, en programmation web et en intelligence artificielle. Cependant, nous
devrons tenir compte de certaines contraintes telles qu'une connexion internet
de qualité, un accès aux données historiques sur les prix
du maïs et ses facteurs déterminants, ainsi qu'une
familiarité avec le Framework Django, Laravel et les modèles de
prévision existants que nous adapterons à notre cas sans oublier
l'accès à des ressources pour la formation et la recherche sur
l'analyse de données et l'apprentissage automatique.
3. Le thème du TFE
En Afrique Subsaharienne, l'estimation des rendements
agricoles reste un grand défi de taille, alors qu'un bon suivi agricole
pourrait susciter la mobilisation des fonds et propulser le
développement du secteur agricole. Cet acte pourrait réduire
considérablement la pauvreté et la pénurie alimentaire.
Conscient de ce fait, nous avons opté pour le <<
Développement d'un système pour la prévision des prix des
produits agricoles par l'analyse des données et l'apprentissage
automatique : cas du maïs >>.
RÉSUMÉ
L'agriculture occupe une place centrale dans l'économie
de notre pays le Bénin, cependant des défis majeurs tels que la
prédiction des prix des produits agricoles demeurent d'actualité.
C'est dans cette optique que nous avons décidé de travailler sur
un projet novateur de prévision des prix des produits agricoles, en
étudiant notamment notre culture emblématique le maïs. Nous
comprenons pleinement l'importance économique et la valeur
nutritionnelle essentielle de cette culture pour notre pays. Pour
prédire les prix, nous avons fait appel aux principes avancés de
l'analyse de données et de l'apprentissage automatique, des technologies
qui trouvent davantage d'applications dans le domaine agricole. En utilisant
des techniques de modélisation et de traitement des données de
pointe, nous avons réussi à élaborer des prévisions
des prix du maïs sur la base des données historiques des
marchés du Bénin. Une plateforme web a été
développée pour faciliter la visualisation des prix en fonction
du temps. Grâce à la méthodologie utilisée nous
avons pu atteindre une précision de 95 % en ce qui concerne la
fiabilité de l'algorithme.
Mots clés :
L'agriculture, modélisation, traitement des données et
prévisions des prix.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des11.png)
10
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des12.png)
ABSTRACT
Agriculture occupies a central place in the economy of our
country Benin, however major challenges such as the prediction of the prices of
agricultural products remain relevant. It is with this in mind that we have
decided to work on an innovative project to forecast the prices of agricultural
products, in particular by studying our emblematic crop, corn. We fully
understand the economic importance and essential nutritional value of this crop
for our country. To predict prices, we used advanced principles of data
analytics and machine learning, technologies that find more applications in
agriculture. Using state-of-the-art modeling and data processing techniques, we
were able to develop maize price forecasts based on historical Benin market
data. A web platform has been developed to facilitate the visualization of
prices over time. Thanks to the methodology used, we were able to achieve an
accuracy of 95% regarding the reliability of the algorithm.
Keywords: Agriculture, modeling, data processing and price
forecasts.
INTRODUCTION
En Afrique Subsaharienne, l'agriculture occupe une place
centrale dans l'économie régionale. Toutefois, peu de travaux
scientifiques sont consacrés à l'estimation des prix des produits
agricoles. Conscients des enjeux, notre travail de fin d'études se
focalise sur le développement d'un système novateur de
prévision des prix des produits agricoles, en mettant l'accent sur le
maïs. Cette culture a été choisie pour sa pertinence
économique et sa valeur nutritionnelle cruciale dans la
région.
Vu le rôle important de l'agriculture dans les
économies en voie de développement et conscients des défis
auxquels font face les agriculteurs, notre motivation personnelle réside
dans le désir de contribuer à l'amélioration de la
rentabilité et de la durabilité du secteur agricole en Afrique
Subsaharienne.
Face à l'incertitude entourant les prix des produits
agricoles, il devient essentiel de disposer d'un outil prédictif fiable
pour faciliter les prises de décision des agriculteurs, des
investisseurs et des acteurs de la chaîne d'approvisionnement. Cependant,
la disponibilité de données historiques fiables et la mise en
oeuvre d'approches adaptées à la réalité locale
représentent des défis majeurs à surmonter. Ainsi, la
démarche méthodologique adoptée a consisté à
: la collecte de données pertinentes, la mise en place de modèles
d'analyse avancés et la création d'une
plateforme web ouvert aux différentes parties
prenantes.
Dans la première partie de ce document nous
présenterons notre centre de formation (INSTI-Lokossa). Dans la seconde
partie nous parlerons des différents travaux effectués au cours
du stage. Dans la troisième partie nous présenterons notre
travail de fin d'études et enfin dans la dernière partie nous
développerons notre thème.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des13.png)
12
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
CHAPITRE 1 : PRESENTATION DE LA STRUCTURE DE
FORMATION
1.1 Présentation de la structure de
formation
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des14.png)
Figure 1. Entrée principale de l'INSTI
Lokossa Source : (Administration de l'INSTI, 2023) 1.1.1
Historique
Créé en novembre 2001, sous l'appellation
d'Institut Universitaire de Technologie de Lokossa (IUT de Lokossa),
l'Institut fut un établissement d'enseignement supérieur
de l'Université d'Abomey-Calavi (UAC). Il devient ensuite en 2015 un
centre universitaire de l'Université de Lokossa (UL), université
créée par décret n°2015-213 du 17 avril 2015. En 2016
l'IUT de Lokossa passe sous la tutelle de l'Université Nationale des
Sciences, Technologies, Ingénieries et Mathématiques (UNSTIM),
université créée par décret n° : 2016-638 du
13 octobre 2016.
Suite à une réforme institutionnelle dans la
perspective de mieux répondre aux besoins du pays et aux exigences du
temps, l'institut deviendra en 2018 Institut National Supérieur de
Technologie Industrielle (INSTI) avec cinq (5) filières :
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des15.png)
13
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Génie Civil, Génie Énergétique,
Génie Électrique et Informatique, Génie Mécanique
et Productique et Maintenance des Systèmes.
En vingt (20) ans, L'INSTI a connu à sa tête
quatre (4) Directeurs à savoir : M. ALLOBA I. Ézéchiel, M.
MOUSSA DJIBRIL Aliou, M. ADOMOU Alain C. N. A. et Mme GUIDI T. Clotilde
l'actuelle Directrice de l'Institut.
1.1.2 Situation géographique
L'Institut National Supérieur de Technologie
Industrielle est situé dans la ville de Lokossa dans le
département du Mono, au Bénin. Précisément au
quartier Agnivêdji à 2,6 kilomètres de la gare
routière principale de la ville. Il est relié au centre-ville par
une voie bitumée comme l'indique la figure ci-dessous.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des16.png)
Figure 2. Situation géographique de l'INSTI-Lokossa
Source: (Secrétariat Général de L'INSTI,
2023)
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des17.png)
14
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
1.1.3 Organisation structurelle
Pour mener à bien sa mission, l'administration de l'INSTI
est organisée selon l'organigramme de la figure 3 :
Figure 3. Organigramme de l'INSTI-Lokossa
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des18.png)
Source: (Secrétariat Général de
L'INSTI, 2023) 1.1.4 Domaine et formations
Destiné aux apprenants titulaires d'un BAC C, D, E, F
ou d'un DT/STI ; l'INSTI a pour mission de former en 3 ans, des techniciens
supérieurs dans le domaine industriel précisément les
filières consignées dans le tableau ci-dessous.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des19.png)
15
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Tableau 1 : Offres de formation de l'INSTI
FILIÈRES
|
|
BAC ADAPTÉS
|
|
DÉBOUCHÉS
|
Génie Civil (GC)
|
|
C, D, E, F4, DT
|
·
|
Travaux du Génie Civil ;
|
|
|
|
·
|
Contrôleur de chantier
|
|
|
|
·
|
Assistant des experts Géomètres, des cabinets
d'architecture, des agences immobilières et des notaires.
|
Génie Energétique (GE)
|
|
C, D, E, F1, F2, F3, DT/Électronique, Froid
|
·
·
|
Industries électriques et électroniques ;
Métiers du bâtiment ;
|
|
|
et Climatisation, Electrotechnique
|
·
·
|
Appareillage, instrumentation ; Froid de bâtiment et
automobile ;
|
|
|
|
·
|
Installations d'équipements de systèmes pour
énergies renouvelables.
|
Génie Electrique et Informatique (GEI)
|
|
C, D, E, F2, F3, DT/Electronique, Electrotechnique
|
·
·
·
|
Electricité industrielle et de bâtiments ; Centrales
électriques ; Télécommunications et réseaux
informatiques ;
|
|
|
|
·
|
Informatique ;
|
|
|
|
·
|
Développement d'applications diverses.
|
Maintenance des Systèmes (MS) ex Génie Industriel
et Maintenance (GIM)
|
|
F1, F2, F3, DT/MA, Froid et Climatisation, Electrotechnique,
Biomédicale
|
· · · ·
|
Maintenance des appareils ; Fabrication mécanique ;
Parcs de machines ;
Méthode et contrôle de la qualité ;
|
|
|
|
·
|
Audit et efficacité énergétique ;
|
|
|
|
·
|
Froid et climatisation ;
|
|
|
|
·
|
Energies renouvelables.
|
Génie Mécanique
|
et
|
C, D, E, F1, DT/MA,
|
·
|
Maintenance industrielle ;
|
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des20.png)
16
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Productique (GMP)
|
FM
|
· Fabrication mécanique ;
|
|
|
· Parcs de machines ;
|
|
|
· Méthode et contrôle de la qualité
;
|
|
|
· Maintenance des engins agricoles ;
|
|
|
· Mécanisation agricole.
|
|
La formation est constituée d'enseignements
théoriques, de travaux pratiques et de stages en entreprise. Elle
s'achève par la rédaction et la soutenance d'un rapport de fin de
formation.
Le département de Génie Électrique et
Informatique (GEI) où nous avons été formés, en
particulier, offre aux étudiants une formation leur permettant d'avoir
des compétences requises dans deux options : Électrotechnique et
Électronique (EE), et Informatique et Télécommunications
(IT).
1.1.5 Unités d'accueil de l'INSTI
Les ateliers de l'INSTI sont équipés de
matériels pédagogiques et outils de fabrication pour permettre
aux étudiants de faire des travaux pratiques. Nous décrirons dans
cette rubrique les ateliers fonctionnant actuellement à l'INSTI.
· Atelier de fabrication
mécanique
Dans cet atelier s'effectuent les travaux de mécanique
et les travaux d'assemblage des pièces. Il a à sa charge tous les
travaux de réparation, de fabrication, d'usinage, de fraisage, de
meulage et de rectification de pièces. Il comporte en son sein plusieurs
machines et machines-outils permettant de fabriquer et de rectifier n'importe
quel type de pièce. L'atelier de fabrication mécanique de l'INSTI
a pour mission de :
- améliorer les performances des
étudiants en fabrication mécanique ;
- aider les étudiants dans la
réalisation de leurs travaux de fin d'études ;
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des21.png)
17
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
- donner un aperçu de la
mécanique aux étudiants en Maintenance des Systèmes
(MS).
L'atelier de fabrication mécanique est dirigé
actuellement par le Chef du département de Génie Mécanique
et Productique.
· Atelier informatique
L'Atelier Informatique est un constituant majeur du dispositif
de l'INSTI pour offrir un cadre d'applications aux apprenants. Il a pour
mission de :
- offrir des prestations en informatique et
en électronique aussi bien aux
différents acteurs et services de l'INSTI qu'aux
partenaires de l'entité ; - développer l'esprit
d'entrepreneuriat chez les apprenants du Département de
Génie Electrique et Informatique ;
- offrir un cadre de renforcement des
capacités de tous les apprenants de l'INSTI en informatique et
systèmes embarqués.
Cet atelier soutient trois startups créées le 04
Juin 2018 et spécialisées dans plusieurs tâches à
savoir :
- APPDEV 229 : conception et
développement d'applications mobile, programmation en java, formation
à l'utilisation de l'EDI Android Studio ;
- Logitech : conception et
développement de sites web et logiciels, apprentissage du HTML et du
CSS, programmation en PHP, formation à l'utilisation de divers CMS et
Framework.
- Mobile Home : travaux de maintenance et de
réparation d'appareils et systèmes électroniques,
conception et mise en place de systèmes électroniques, conception
et mise en place de systèmes de domotique.
Il dispose également d'une équipe de communication
qui a pour rôle de : - promouvoir les activités des startups et de
l'atelier informatique ; - attirer de nouveaux partenaires ;
- s'occuper de toute la communication afférente
à l'organisation d'un évènement (conférence,
formation, recrutement, etc) au sein de l'institut
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des22.png)
18
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
L'atelier informatique est dirigé actuellement par le
Chef du département de Génie Electrique et Informatique.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des23.png)
19
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
CHAPITRE 2 : DEROULEMENT DU STAGE
Durant le stage, nous avons effectué des tâches
très diversifiées relevant de notre domaine de
compétence.
Tableau 2 : Tableau récapitulatif des
activités effectuer durant le stage
Activité effectuer
|
Courte description
|
Objectifs
|
Apprentissage de la technologie TensorFlow
|
Suivi de cours en ligne accompagner de séances
application.
|
Avoir les bases pour le Machine Learning.
|
Ajout de nouvelles fonctionnalités sur le fichier de
rapport de supervision de stage
|
- Ajout de liste déroulante; - Ajout de liste
dépendante.
|
- Faciliter la saisie;
- Eviter les erreurs de frappe;
- Faciliter la recherche.
|
Introduction aux tâches administratives
|
- Enregistrement des courriers; - Classification des documents; -
Contrôle des pièces requises pour les demandes;
|
Comprendre le
fonctionnement d'une administration
|
Déploiement de la plateforme de Gestion des TFE
|
Aménagement et mise en ligne de la plateforme
|
Permettre une meilleure traçabilité, communica-tion
et collaboration entre les acteurs impliqués.
|
Création d'une application web de gestion des rattrapages
et des reprises
|
- Avoir la liste des étudiants pour les rattrapages ou les
reprise; - Ajouter une note de rattrapage après la composition des
épreuves de rattrapage ou reprise.
|
- Centraliser et
automatiser le processus; - Simplifier les procédu-res
administratives;
- Faciliter le suivi et l'évaluation.
|
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des24.png)
20
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
2.1 Apprentissage de la technologie TensorFlow 2.1.1
Présentation de la technologie
TensorFlow est une bibliothèque open-source
développée par Google pour l'apprentissage automatique (Machine
Learning) et l'intelligence artificielle (IA). Il offre un ensemble d'outils et
de ressources permettant de créer, d'entraîner et de
déployer des modèles d'apprentissage automatique à grande
échelle. TensorFlow est conçu pour être flexible,
évolutif et adapté aux besoins des chercheurs, des
ingénieurs et des développeurs. Il prend en charge diverses
architectures de modèles, telles que les réseaux de neurones
profonds, et fournit des fonctionnalités avancées pour la gestion
des données, la construction des graphiques de calcul, l'optimisation
des performances et la distribution des tâches sur plusieurs dispositifs.
TensorFlow est devenu une référence dans le domaine de
l'apprentissage automatique, offrant une large communauté de
développeurs et de nombreuses ressources pour faciliter l'apprentissage
et l'utilisation de cette puissante bibliothèque.
2.1.2 Processus d'apprentissage
a. Les bases de l'apprentissage automatique: familiarisation
avec les concepts fondamentaux de l'apprentissage automatique, tels que les
algorithmes d'apprentissage supervisé et non supervisé, la
régression, la classification, et les réseaux neuronaux. Ensuite
nous sommes passés à la prise en main des principes de base de la
construction de modèles prédictifs à partir des
données.
b. Les principes de TensorFlow : exploitation de la
documentation officielle de TensorFlow pour comprendre son architecture, ses
fonctionnalités et sa syntaxe. Prise en main des concepts clés
tels que les tenseurs, les opérations, les variables, et les graphes de
calcul.
c. Installation de l'environnement TensorFlow : suivi des
instructions pour installer TensorFlow sur un système d'exploitation.
Utilisation de
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des25.png)
21
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
TensorFlow avec Python, après la mise à jour
vers la version appropriée de Python installée sur nos
machines.
d. Tutoriel d'apprentissage : suivi et exécution des
codes de tutoriel, modification des paramètres et observation des
résultats. Les tutoriels couvrent généralement des sujets
tels que la classification d'objet ou la prédiction de séries
chronologiques.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des26.png)
Figure 4. Image montrant des statistiques de performance
des modèles Source : (Réalisation personnelle,
2023)
2.2 Travaux sur le fichier de rapport de supervision de
stage de fin d'étude des apprenants de licence 3
2.2.1 Fonctions ajoutées
Dans le cadre de la supervision de stage de fin d'étude
des apprenants de licence 3 prévue du 15 Mai au 19 mai 2023 nous avons
actualisé le fichier de rapport existant et intégré
quelques nouveautés.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des27.png)
22
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des28.png)
Figure 5. Aperçu du fichier Excel
créé Source: (Réalisation personnelle,
2023)
Les fonctions ajoutées au fichier Excel sont : ?
Liste déroulante simple
L'utilisation de liste déroulante de choix en Excel est
destinée à éviter de saisir tout le temps les mêmes
données, prévenir les fautes de frappe par les utilisateurs,
uniformiser la saisie de données pour faciliter la recherche.
? Liste déroulante dépendante
Dans de nombreux scénarios, il est nécessaire de
limiter les options de sélection disponibles en fonction des choix
précédemment effectués. Dans le cas du fichier
conçu, le choix de la commune est dépendant du département
où les apprenants sont en stage. Cette fonction répond au guidage
de l'utilisateur du point de vue ergonomique.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des29.png)
23
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
2.2.2 Méthodologie :
Pour intégrer ces fonctions, nous avons utilisé
les fonctionnalités avancées d'Excel, notamment les listes
déroulantes et les formules conditionnelles. Les étapes suivantes
ont été suivies :
· Création des listes de données : nous
avons identifié les différentes options pour chaque liste
déroulante et les avons organisées dans des plages de cellules
distinctes.
· Mise en place des listes déroulantes : à
l'aide de la fonctionnalité de validation des données dans Excel,
nous avons configuré les cellules appropriées pour afficher une
liste déroulante basée sur la plage de cellules
correspondante.
· Création de formules conditionnelles : nous
avons utilisé des formules conditionnelles pour définir la
dépendance entre les différentes listes déroulantes. Cela
signifie que les options disponibles dans une liste déroulante sont
automatiquement mises à jour en fonction des choix effectués dans
les listes précédentes.
· Création de cellule à valeurs multiples:
nous avons écrit un code VBA qui permet de choisir plusieurs valeurs
d'une liste déroulante dans une même cellule.
· Tests et ajustements : nous avons effectué des
tests pour vérifier le bon fonctionnement du fichier type. Des
ajustements ont été apportés en fonction des
résultats des tests, en veillant à ce que les listes
déroulantes et dépendantes répondent aux exigences.
2.3 Introduction aux tâches administratives
En plus de nos travaux techniques à l'atelier
informatique, nous avons été initiés à quelques
tâches administratives.
Parmi les tâches effectuées, nous avons
participé à l'enregistrement des courriers, tant au départ
qu'à l'arrivée. Ces activités revêtent une grande
importance et sont confiées au secrétariat de l'INSTI. Nous avons
également assisté la directrice
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des30.png)
24
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
adjointe dans la saisie des courriers, tant au format papier
que numérique. Ensuite, nous avons participé à la
classification des documents et au contrôle des pièces requises
pour les demandes des étudiants et des autres usagers.
L'ensemble de ces activités nous a permis de
comprendre le processus de prise de décisions administratives. Ces
tâches sont essentielles pour assurer la traçabilité des
documents et contrôler les comptes rendus administratifs.
2.4 Mise en ligne de la plateforme de Gestion des TFE
L'INSTI gère un grand nombre de travaux de fin
d'études chaque année. Cependant, la gestion manuelle de ces TFE
est inefficace et engendre des difficultés de suivi. Il était
donc impératif de développer un site dédié à
la gestion de ces travaux afin de rationaliser le processus et de faciliter la
collaboration entre les étudiants, les encadrants et les membres de
l'administration. Le site avait été développé par
un ancien étudiant en Génie électrique et informatique,
mais n'était pas accessible en ligne.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des31.png)
Figure 6. Aperçu de la page d'accueil du site de
gestion de TFE
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des32.png)
25
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des33.png)
Figure 7. Aperçu de la page d'ajout du document de
TFE
Les principaux objectifs du déploiement du site de
gestion des TFE en ligne
sont :
· centraliser et automatiser la gestion des TFE pour une
meilleure traçabilité ;
· faciliter la communication et la collaboration entre
les différents acteurs impliqué;
· améliorer l'accessibilité et la
convivialité du système de gestion des TFE ;
· assurer la sauvegarde des données relatives aux
TFE.
La mise en ligne de la plateforme a été
réalisée suivant quelques étapes décrites
ci-dessous:
· Configuration des paramètres serveurs : les
paramètres du serveur, tels que les permissions des fichiers et les
configurations PHP, ont été ajustés pour assurer le bon
fonctionnement du site.
· Mise en ligne de la base de données : la base
locale a été importée en ligne par le biais de l'outil
PhpMyAdmin.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des34.png)
26
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
· Mise en ligne des fichiers : les fichiers du site, y
compris les dépendances, ont été transférés
sur le serveur via l'application FTP Filezilla.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des35.png)
Figure 8. Aperçu du déroulement du
téléversement avec Filezilla Source : (Prise de vue
personnelle, 2023)
La mise en ligne du site de gestion des TFE de l'INSTI a
été un processus réussi. Le site offre désormais
une plateforme conviviale et efficace pour la gestion des TFE, permettant une
meilleure traçabilité, communication et collaboration entre les
acteurs impliqués. Le déploiement de ce site constitue une
avancée significative dans l'amélioration de la gestion des TFE
au sein de l'institut.
2.5 Création d'une application web de gestion des
rattrapages et des reprises
Les principaux objectifs de la mise en place de la plateforme de
gestion des rattrapages et des reprises sont :
· Centraliser et automatiser le processus : la plateforme
vise à regrouper toutes les informations liées aux rattrapages et
aux reprises en un seul endroit,
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des36.png)
27
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
permettant ainsi une gestion plus efficace et
simplifiée. Les étudiants, les enseignants et le personnel
administratif pourront accéder facilement aux données
pertinentes, réduisant ainsi les erreurs et les retards.
· Simplifier les procédures administratives : la
plateforme automatise les procédures administratives liées aux
demandes de rattrapage et de reprise. Les étudiants pourront soumettre
leurs demandes en ligne, ce qui réduira les déplacements et les
démarches administratives traditionnelles. Les responsables pourront
traiter les demandes de manière plus rapide et efficace.
· Faciliter le suivi et l'évaluation : la
plateforme permettra de suivre et d'évaluer les performances des
étudiants lors des sessions de rattrapage et de reprise. Les
résultats obtenus pourront être analysés pour identifier
les besoins d'accompagnement supplémentaire et mettre en place des
actions correctives si nécessaire.
+ Description : La gestion des rattrapages et
reprises.
Une fois que le professeur ouvre la section de gestion des
rattrapages et reprises, il sera redirigé vers un formulaire où
il saisira la filière, l'année académique, l'UE
(matière), semestre ; ainsi il sera redirigé vers une page qui
lui affichera la liste des apprenants en rattrapages ou en reprise. Il aura la
possibilité d'ajouter une note de rattrapage après la composition
des épreuves de rattrapage ou reprise
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des37.png)
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des38.png)
28
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Figure 9. Interface de la plateforme gestion des
rattrapages et reprises + Outils utilisés
La plateforme a été développée
grâce à Laravel.
Laravel est un Framework PHP qui propose des outils pour
construire une application web. Il regroupe les meilleures librairies pour
chaque fonctionnalité nécessaire à la création d'un
site web. Il a été, en ce sens, construit en se basant sur
Symfony. Il fournit aux développeurs Web un moteur de modèle de
lame par défaut léger et facile à utiliser. Il aide
à créer des mises en page fascinantes avec un contenu dynamique
en incorporant des fichiers CSS et JS dans les modèles. L'outil ORM
éloquent aide les développeurs Web à interagir avec les
bases de données sans utiliser le langage de programmation SQL. Le
Framework permet d'utiliser la syntaxe PHP pour interroger les bases de
données. Éloquent ORM de Laravel est l'un des plus rapides que
tout autre outil ORM utilisé dans les Frameworks PHP.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des39.png)
29
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
CHAPITRE 3 : PRESENTATION DU PROJET DE FIN
D'ETUDES
3.1 Présentation du projet de fin d'étude
3.1.1 Problématique
Les Systèmes d'Information sur le Marché
Agricole (SIM-A) constituent depuis plusieurs décennies un puissant
levier de développement dans le secteur agricole. Le Ministère de
l'Agriculture, de l'Elevage et de la Pêche (MAEP) du Bénin a rendu
disponible depuis 2021 un SIM-A harmonisé qui déploie des agents
sur le terrain pour collecter les prix des produits agricoles, y compris le
maïs, dans tous les marchés du pays. Après cette collecte,
les données sont soumises à un processus de vérification
supervisé par des agents dédiés (contrôleurs).
L'objectif de cette vérification est d'assurer la validité des
données avant leur diffusion à l'échelle nationale.
Cependant, s'appuyer uniquement sur les acteurs humains peut poser des
problèmes tels que :
- les erreurs de manipulation des données
entraînent l'enregistrement de fausses informations;
- les difficultés éprouvées par un
contrôleur pour corriger un prix mal collecté sur le terrain;
- le retard dans la validation des données
collectées dû à l'indisponibilité des agents
contrôleurs.
Dans le but de surmonter ses problèmes, de garantir la
fiabilité des données diffusées, notre projet de fin
d'études consiste à développer un programme d'intelligence
artificielle basé sur un algorithme de prédiction du prix du
maïs.
L'intégration de cet algorithme de prédiction
dans le système de décision du MAEP apportera plusieurs avantages
du point de vue décisionnel.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des40.png)
30
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
[Reference bibliographique : Miton Abel Konnon, Abdou-Aziz
Sobabe Ali Tahirou, Ismail M. Moumouni, M.F. Dieu-Donné Konnon (2023).
Agricultural Market Information Governance: A Capability-Oriented National
Framework for Benin Republic. International Journal of Advanced Research, Vol.
11, N° 1, pp. 566- 577;]
3.1.2 Pertinence et nouveauté du
thème
La pertinence du thème est justifiée par les
avantages de l'algorithme de prédiction. Tableau 3 : Avantages de
l'algorithme de prédiction
Types
|
Avantages
|
Avantages liés à la gestion du SIM-A
|
· Gain de temps et d'efficacité : l'utilisation
de l'algorithme de prédiction rend disponible de façon peu
coûteuse des données pouvant servir de témoin pour la prise
rapide de décision.
· Amélioration de la fiabilité et de la
confiance : en associant un outil intelligent de prédiction des prix
au processus de
validation des prix collectées sur le terrain,
l'on contribuerait à renforcer la fiabilité des prix
diffusés et la
confiance des parties prenantes dans le
système d'information.
|
|
Avantages liés à la
gestion de la production
|
Prévision précise des prix : l'algorithme
basé sur le modèle de prédiction LSTM (Long Short-Term
Memory) permettrait de fournir des estimations fiables des prix futurs du
maïs. Cela aiderait les acteurs de l'industrie agricole à anticiper
les fluctuations des prix, à prendre des décisions
éclairées et à mieux planifier leurs activités.
|
Avantages en
termes d'aide à la décision
gouvernementale
|
Optimisation des politiques agricoles : en disposant de
prévisions fiables des prix du maïs, le MAEP
pourrait ajuster ses politiques agricoles en conséquence. Cela
permettrait d'optimiser la gestion des stocks, de mettre en place des
|
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des41.png)
31
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
mécanismes de régulation des prix et de prendre
des mesures appropriées pour soutenir les agriculteurs et assurer la
stabilité du marché.
En outre, la pertinence du thème réside dans son
impact économique et sa réponse aux besoins dans la prise de
décision, tandis que sa nouveauté réside dans
l'utilisation de techniques d'intelligence artificielle dans le processus de
prédiction des prix adapté au contexte agricole du Bénin.
Aussi, la disponibilité des prédictions de prix et des graphes
montrant les fluctuations du prix sur une plateforme accessible en ligne au
grand public facilitera les décisions de production, de
commercialisation et d'achat.
3.1.3 Objectifs
? Objectif général du projet
À travers ce projet, nous avons l'intention de
développer un algorithme intelligent basé sur l'analyse de
données et l'apprentissage automatique pour prévoir avec
précision les prix du maïs sur les marchés
béninois.
? Objectifs spécifiques
De façon spécifique, dans le cadre de ce projet, il
s'agira de :
1. Collecter les données historiques fiables sur les prix
du maïs au Bénin.
2. Développer un modèle de prévision des
prix du maïs basé sur l'analyse de données et
l'apprentissage automatique, en utilisant des techniques avancées de
modélisation et de traitement des données.
3. Valider et évaluer la précision du
modèle de prévision des prix en le comparant aux données
réelles sur les prix du maïs.
4. Développer une plateforme web pour la diffusion et
l'exploitation des résultats par les acteurs du secteur agricole au
Bénin, y compris les agriculteurs et les organisations agricoles.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des42.png)
32
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
3.2 Démarche méthodologique
La démarche méthodologique pour la mise en place
du système de prévision des prix des produits agricoles du
Bénin a été structurée de la manière
suivante :
1. Collecte des données : la première
étape a consisté à collecter des données
historiques fiables sur les rendements et les prix du maïs au
Bénin. Cela a été réalisé en s'appuyant sur
les données du ministère de l'agriculture du Bénin
2. Analyse exploratoire des données : une fois les
données collectées, elles ont été analysées
de manière approfondie. Cela comprenait l'identification des tendances
des prix du maïs. Des outils d'exploration de données ont
été utilisés pour extraire des informations significatives
des données.
3. Modélisation des prix du maïs : sur la base
des données collectées et analysées, nous avons
développé des modèles prédictifs utilisant
notamment le modèle LSTM (Long Short-Term Memory) de réseaux de
neurones. Ce modèle est particulièrement adapté pour
capturer les dépendances temporelles complexes présentes dans les
séries chronologiques des prix du maïs.
4. Validation des prévisions : une fois les
modèles prédictifs développés, ils ont
été validés en confrontant les prévisions aux
données réelles. Cela a permis d'évaluer la
précision et la performance des modèles. Des mesures
d'évaluation, telles que l'erreur moyenne absolue (MAE) ou l'erreur
quadratique moyenne (RMSE), ont été utilisées pour
quantifier la qualité des prévisions.
5. Mise en place d'une plateforme : une fois le programme mis
en place nous avons ensuite développé une application web pour
rendre facile l'utilisation du travail abattu.
En suivant cette démarche méthodologique, un
système de prévision des prix du maïs et précis a
été mis en place, offrant une valeur ajoutée significative
au secteur agricole au Bénin.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des43.png)
33
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
3.3Analyse fonctionnelle
Les fonctions principales sont :
- Le système doit prédire les prix futurs d'un
produit agricole quelconque;
- Le système doit alerter les utilisateurs qui aimerait
être alerté de tout changement;
- L'utilisateur doit pouvoir consulter les prix actuel ou
réel du produit sélectionné.
3.4 Choix des outils et technologies
Nous souhaitons concevoir une plateforme simple, accessible et
compréhensible au plus grand nombre d'utilisateurs possible. De ce fait,
nous avons opté pour une plateforme web. En ce qui concerne la
technologie de développement à utiliser, notre choix s'est
porté vers Visual Studio Code, un éditeur de code source autonome
qui s'exécute sur Windows, MacOs et Linux. Il est adapté pour le
développement web et a à sa disposition un large choix
d'extensions pour prendre en charge un très grand nombre de langages de
programmation.
Pour la gestion des données des utilisateurs, nous
avons opté pour le système de gestion de bases de données
relationnelles MySQL.
Nous avons aussi utilisé divers langages, Frameworks et
outils de conception et de développement tout au long du projet. Ils
sont ci-dessous catégorisés et présentés.
3.4.1 Langages informatiques
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des44.png)
34
? UML :
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Il est difficile de déterminer ce que les utilisateurs
veulent vraiment (appréhension du problème, expression du besoin)
et les moyens pour atteindre le résultat souhaité. Le langage de
modélisation objet unifié, comme son nom l'indique,
définit un langage visuel universel et unique qui doit permettre de
statuer sur une manière claire de communiquer la façon de faire
d'un système. Cet outil a été développé afin
de permettre l'avènement d'un processus de développement
standardisé. L'application d'UML lors des différentes phases de
développement facilite le bon déroulement des projets d'une
entreprise sur le long terme. Somme toute, UML est un ingrédient que
l'on adapte à sa guise, à sa méthode de
développement. Il est toujours au coeur des débats les plus vifs
dans la mesure où il ne signifie pas la même chose pour tout le
monde. Il est toujours au coeur des débats les plus vifs dans la mesure
où il ne signifie pas la même chose pour tout le monde. La
modélisation consiste à créer une représentation
virtuelle d'une réalité de telle façon à faire
ressortir les points auxquels on s'intéresse. Plusieurs outils d'analyse
tels que la méthode MERISE, le langage UML s'offrent à nous.
Notre choix s'est porté sur le Langage UML (Pascal Roques, 2006)
· Python:
Python est un langage portable, dynamique, extensible,
gratuit, qui permet (sans l'imposer) une approche modulaire et orientée
objet de la programmation. Il est portable, gratuit, dynamique.
Les domaines d'application naturels de Python incluent entre
autres l'apprentissage de la programmation orientée objet, les scripts
d'administration des systèmes ou d'analyse de fichiers textuels, la
réalisation d'interfaces graphiques utilisateurs, Tous les
développements liés à l'Internet et en particulier au Web
et l'IA, pour ne citer que ceux-là.
· HTML :
Le sigle HTML correspond à « HyperText
Markup Language » que l'on peut traduire en français par
« Langage HyperTextuel à balises ». Il s'agit d'un
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des45.png)
35
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
langage informatique permettant de définir le contenu
et la structure d'une page Web. De nombreuses technologies peuvent être
utilisées pour définir les éléments d'une page Web,
mais la base la plus minimaliste d'une page est construite en HTML.
? JavaScript :
JavaScript est un langage de programmation principalement
utilisé pour créer des pages web interactives. Ce langage,
incorporé dans un document HTML, n'est pas visible dans la fenêtre
du navigateur. Il sert à améliorer le langage HTML : en effet, il
permet d'exécuter des commandes du côté client
(c'est-à-dire au niveau du navigateur et non du serveur web). Ce code
qui est exécuté par le navigateur web est utile pour toutes les
interactions du client sur la page Web. Il permet d'améliorer la
présentation et l'interactivité des pages web.
3.4.2 Frameworks ? Laravel
Laravel est un Framework de développement web
utilisé pour créer des applications en utilisant le langage de
programmation PHP. Il offre une structure et des outils pratiques pour rendre
le processus de développement plus facile et plus rapide. Grâce
à son architecture MVC, il permet de séparer la logique de
présentation, la logique métier et la gestion des requêtes.
Laravel propose également un système de routage flexible, une
gestion facile de la base de données avec son ORM Éloquent, un
moteur de Template appelé Blade, des fonctionnalités de
sécurité avancées, ainsi qu'un outil de gestion des
tâches appelé Artisan. Il est largement utilisé et
apprécié par la communauté des développeurs pour sa
simplicité, sa documentation complète et son
écosystème riche en extensions et packages.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des46.png)
36
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des47.png)
Figure 10 : logo du Framework Laravel Source:
https://laravel.com/
· Flask
Flask est un Framework de développement web
léger et flexible écrit en Python. Il se distingue par sa
simplicité, sa modularité et sa facilité d'apprentissage,
ce qui en fait un choix privilégié pour les développeurs
souhaitant créer des applications web rapidement et efficacement.
Grâce à son système de routage intuitif,
Flask permet de mapper facilement les URL aux fonctions correspondantes,
simplifiant ainsi la gestion des requêtes et des réponses HTTP.
Son moteur de templating Jinja2 offre des fonctionnalités
avancées pour générer des pages web dynamiques et
réutilisables. Flask est hautement extensible grâce à son
architecture modulaire et à sa vaste gamme d'extensions. Il peut
être facilement intégré avec d'autres bibliothèques
Python, ce qui permet d'ajouter des fonctionnalités spécifiques
telles que la gestion des bases de données, l'authentification ou
l'intégration de services tiers.
En résumé, Flask est un choix judicieux pour les
développeurs qui privilégient la simplicité, la
flexibilité et la rapidité de développement. Il offre une
solution élégante pour créer des applications web
évolutives et performantes en Python.
Figure 11 : logo du Framework Flask
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des48.png)
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des49.png)
37
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Source: https://flask.palletsprojects.com/
? Bootstrap :
Bootstrap est un ensemble d'outils gratuits permettant de
créer des pages Web, des logiciels et applications Web comprenant des
fonctions HTML, CSS et JavaScript permettant de générer et les
éléments nécessaires à la conception Web.
? TensorFlow
TensorFlow, développé par Google, est un
Framework open source d'apprentissage automatique et de calcul
numérique. Il offre une infrastructure flexible et extensible pour la
création de modèles d'apprentissage automatique, en particulier
les réseaux de neurones. Voici quelques points clés à
retenir sur TensorFlow :
1. Architecture flexible : TensorFlow propose une
architecture flexible qui permet de créer et de manipuler des flux de
données appelés "tenseurs". Cela permet de construire des
modèles d'apprentissage automatique complexes en les décomposant
en petites opérations et en les exécutant de manière
efficace sur différents types de matériel (CPU, GPU, TPU).
2. Large choix de modèles prédéfinis :
TensorFlow met à disposition une vaste collection de modèles
d'apprentissage automatique prédéfinis, tels que les
réseaux de neurones convolutifs (CNN), les réseaux de neurones
récurrents (RNN) et les modèles de traitement du langage naturel
(NLP). Ces modèles pré-entraînés facilitent le
développement rapide d'applications d'IA et permettent aux
développeurs de se concentrer sur la résolution de
problèmes spécifiques.
3. Gestion efficace des calculs sur GPU : TensorFlow est
optimisé pour l'exécution de calculs sur les processeurs
graphiques (GPU), ce qui permet d'accélérer significativement les
calculs nécessaires à l'apprentissage automatique. Cela permet
d'entraîner des modèles plus rapidement et de gérer des
volumes importants de données avec une meilleure efficacité.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des50.png)
38
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
4. Plateforme de déploiement : TensorFlow offre des
outils pour déployer facilement les modèles d'apprentissage
automatique dans divers environnements, notamment les serveurs, les appareils
mobiles et les navigateurs web. Cela facilite l'intégration des
modèles d'IA dans des applications réelles et permet de les
mettre en production plus rapidement.
5. Communauté active et support : TensorFlow
bénéficie d'une communauté active de développeurs,
de chercheurs et d'entreprises qui contribuent régulièrement au
développement et à l'amélioration de la
bibliothèque. Google propose également une documentation
complète, des tutoriels et des exemples de code pour aider les
utilisateurs à prendre en main TensorFlow et à résoudre
leurs problèmes.
En résumé, TensorFlow est une puissante
bibliothèque d'apprentissage automatique et d'intelligence artificielle
qui offre une architecture flexible, des modèles
prédéfinis, une gestion efficace des calculs sur GPU et des
outils de déploiement. Il constitue un choix populaire pour
développer des applications d'IA, que ce soit pour la classification
d'images, la reconnaissance vocale, la traduction automatique ou d'autres
tâches complexes.
3.4.3 Outils de conception et de modélisation
? Figma
Figma est une plateforme collaborative pour éditer des
graphiques vectoriels et faire du prototypage. Elle permet de concevoir des
designs système pour faciliter la création de sites web et
d'applications mobiles. C'est une solution à destination des UI et UX
designers et des développeurs. L'interface propose de nombreuses
fonctionnalités :
- De design : avec des outils de conception
pour le web, des fonctions de mise en page automatique, des plugins pour
réduire les tâches répétitives.
- De prototypage : pour tester les concepts
très tôt en cours de design.
- De design system : pour concevoir des
designs cohérents avec des bibliothèques mises à jour en
permanence.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des51.png)
39
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
- Collaboratives : pour travailler à
plusieurs et en même temps sur un projet, revenir sur une version
antérieure si nécessaire ou encore afficher le travail d'un seul
collaborateur par exemple.
Il permet de :
- Créer des schémas : à
partir d'une feuille blanche ou vous servir des nombreux Templates disponibles
parmi des modèles classiques, des charts, des tableaux, etc ;
- Éditer le travail : en ajoutant des
images, des formes, des arrière-plans et en utilisant toutes les
fonctionnalités à disposition;
- Exporter les fichiers : en format XML, PDF,
JPG, PNG, SVG ou encore HTML.
· Visual Studio Code
Visual Studio Code est un éditeur de code
multiplateforme édité par Microsoft. Cet outil destiné aux
développeurs supporte plusieurs dizaines de langages informatiques comme
le HTML, C++, PHP, Javascript, CSS, etc. Visual Studio Code intègre
plusieurs outils facilitant la saisie de code par les développeurs comme
la coloration syntaxique ou encore le système d'auto-complétions
IntelliSense. En outre, l'outil permet aux développeurs de corriger leur
code et de gérer les différentes versions de leurs fichiers de
travail puisqu'un module de débogage est aussi de la partie.
3.4.4 Algorithme de prédiction
L'algorithme LSTM (Long Short-Term Memory) est une variante
des réseaux de neurones récurrents (RNN) qui permet de capturer
les dépendances temporelles à long terme dans une séquence
de données. Contrairement aux RNN traditionnels, l'algorithme LSTM est
capable de traiter des séquences de données plus longues en
évitant le problème de la disparition du gradient, qui limite la
capacité des RNN à mémoriser des informations à
long terme.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des52.png)
40
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Selon l'article "Automated Agriculture Commodity Price
Prediction System with Machine Learning Techniques" de Chen et al.,
l'utilisation du modèle de réseaux de neurones récurrents
Long Short-Term Memory (LSTM) a démontré son efficacité
dans la prédiction des prix des produits agricoles. Les auteurs ont
comparé cinq algorithmes de machine learning populaires, à savoir
ARIMA, SVR, Prophet, XGBoost et LSTM, en utilisant de vastes ensembles de
données historiques en Malaisie (Z. Chen, H.S. Goh, K.L. Sin, K. Lim,
N.K.H. Chung, X.Y. Liew, 2021).
Les résultats ont montré que le modèle
LSTM surpassait les autres algorithmes en termes de performance. Lors des tests
à long terme, le modèle LSTM a amélioré les
performances moyennes de 45,5 % par rapport à l'ARIMA, et son erreur
quadratique moyenne (MSE) moyenne était de 0.304, ce qui était
meilleur que tous les autres algorithmes comparés.
Cette étude comparative suggère que le
modèle LSTM est particulièrement adapté à la
prédiction des prix des produits agricoles. En utilisant les
caractéristiques spécifiques de l'agriculture béninoise,
le modèle LSTM peut être ajusté pour fournir des
prédictions précises et fiables. Sa capacité à
capturer les dépendances temporelles à long terme dans les
données en fait un choix approprié pour anticiper les
fluctuations des prix agricoles.
Ainsi, en se basant sur les résultats de cette
étude comparative et en tenant compte des spécificités du
contexte agricole béninois, l'utilisation du modèle LSTM pour le
projet de prévision des prix des produits agricoles peuvent être
justifiée en raison de sa performance supérieure dans des
conditions similaires.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des53.png)
41
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
CHAPITRE 4 : MODELISATION ET DEVELOPPEMENT DE
L'ALGORITHME ET DE LA PLATEFORME
4.1 Développement et fonctionnement de
l'algorithme
Le modèle de prévision a été
développé en utilisant le langage de programmation Python et les
bibliothèques TensorFlow, Keras et Flask en suivant les étapes de
la figure ci-dessous.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des54.png)
Figure 12. Etapes de développement du modèle
Source : (Réalisation personnelle, 2023)
a. Préparation des données
- Les données sont chargées
à partir d'un fichier CSV contenant les informations sur les prix des
produits agricoles.
- Les variables catégorielles telles que
le département, la commune et le marché sont encodées en
valeurs numériques à l'aide de l'encodeur de labels. -
Les lignes vides et les lignes identiques sont supprimées.
- Les données sont mises à
l'échelle à l'aide du MinMaxScaler pour les rendre comprises
entre 0 et 1.
b. Construction du modèle LSTM
- Un modèle séquentiel est
créé à l'aide de la classe Sequential de Keras.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des55.png)
42
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
- Quatre couches LSTM avec 100 unités sont
ajoutées, chacune suivie d'une couche de dropout pour éviter le
surapprentissage.
- Une couche Dense avec une unité est ajoutée en
sortie pour prédire le prix.
- Le modèle est compilé avec l'optimiseur Adam et
la perte est définie comme l'erreur quadratique moyenne
(mean_squared_error).
c. Entraînement du modèle
- Le modèle est entraîné sur les
données d'entraînement en utilisant les données
d'entrée X_train_lstm et les étiquettes y_train_lstm.
- L'entraînement est effectué pendant 100
époques avec une taille de lot de 32.
d. Évaluation du modèle
- Les données de test sont chargées à
partir d'un fichier CSV distinct.
- Les mêmes étapes de prétraitement sont
appliquées aux données de test.
- Les données de test sont mises à
l'échelle et converties en séries temporelles
pour être compatibles avec le modèle LSTM.
- La perte du modèle est évaluée sur les
données de test à l'aide de la méthode
evaluate.
e. Utilisation du modèle pour les prédictions en
temps réel
- Une application Web basée sur Flask est
créée pour fournir une interface permettant de faire des
prédictions en temps réel.
- Les données d'entrée sont envoyées
à l'application sous forme de requête JSON.
- Les valeurs des champs (année, mois, département,
commune, marché) sont extraites de la requête.
- Les valeurs sont encodées et mises à
l'échelle de la même manière que lors de
l'entraînement du modèle.
- Les données sont converties en séries temporelles
et transposées pour être compatibles avec le modèle
LSTM.
- La prédiction du prix est effectuée à
l'aide du modèle et inversée à l'aide du scaler pour
obtenir une valeur réelle.
- La prédiction est renvoyée sous forme de
réponse JSON.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des56.png)
43
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Le modèle LSTM utilisé dans ce projet tire parti
des dépendances temporelles à long terme pour prédire les
prix des produits agricoles. Il a été choisi en se basant sur une
étude comparative qui a montré son efficacité par rapport
à d'autres algorithmes de machine learning tels que ARIMA, SVR, Prophet
et XGBoost. Le modèle LSTM permet de capturer les tendances et les
schémas complexes dans les données historiques des prix
agricoles, ce qui peut aider les agriculteurs et les décideurs à
prendre des décisions éclairées en matière de
planification et de gestion des ressources.
L'application Web basée sur laravel offre une interface
conviviale pour l'utilisation du modèle de prédiction en temps
réel. En fournissant les données d'entrée
appropriées, telles que l'année, le mois, le département,
la commune et le marché, les utilisateurs peuvent obtenir des
prédictions fiables sur les prix des produits agricoles.
Les données qui ont servi à développer le
model sont présentées dans le tableau ci-dessous.
Tableau 4 : Tableau récapitulatif des
données collectées
Département
|
Communes
|
Marchés
|
Nombres de données
|
Alibori
|
Banikoara
|
Banikoara
|
112
|
Malanville
|
Malanville
|
125
|
Atacora
|
Tanguiéta
|
Tanguiéta
|
50
|
Ban'têtê
|
75
|
Borgou
|
Parakou
|
Parakou
|
50
|
Arzèkè
|
76
|
Collines
|
Glazoué
|
Glazoué
|
48
|
Gbomina
|
78
|
Dassa-Zoumè
|
Dassa-Zoumè
|
40
|
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des57.png)
44
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
|
|
|
|
Ungbadjo
|
69
|
Donga
|
Djougou
|
Djougou
|
49
|
Zougou-Yobou
|
75
|
Littoral
|
Cotonou
|
Dantokpa
|
130
|
Houéyiho
|
40
|
Plateau
|
Kétou
|
Kétou
|
50
|
Assena
|
79
|
Zou
|
Bohicon
|
Bohicon
|
131
|
Abomey
|
Houndjro
|
114
|
Total
|
1391 données
|
4.2 Processus de communication entre l'application Flask et
Laravel
La figure ci-dessous montre le processus de communication
entre l'application Flask et Laravel jusqu'à la création de la
vue Laravel
|
Source: (Réalisation personnelle, 2023)
|
Figure 13. Processus
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des59.png)
45
de communication entre l'application Flask et Laravel
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
- Mise en place de l'API Flask : dans
l'application Flask, une API RESTful est développée pour
permettre la communication avec l'application Laravel. L'API est
configurée pour écouter les requêtes HTTP entrantes et y
répondre en conséquence. Des routes sont définies pour
chaque Endpoint de l'API, spécifiant les méthodes
acceptées (GET, POST, etc.) et les actions à effectuer.
- Établissement de la connexion entre
les applications : Pour établir la connexion entre l'application Flask
et Laravel, des bibliothèques ou des outils peuvent être
utilisés. Par exemple, l'on peut utiliser des bibliothèques
Python comme "requests" pour envoyer des requêtes HTTP à l'API
Laravel, ou des outils comme "cURL" pour effectuer des requêtes depuis la
ligne de commande.
- Envoi de requêtes depuis Laravel :
dans l'application Laravel, des requêtes HTTP sont envoyées
à l'API Flask pour récupérer les données de prix.
Ces requêtes peuvent être déclenchées par des actions
de l'utilisateur, telles que la sélection d'une période de temps
ou d'un produit agricole spécifique. Les paramètres
nécessaires sont inclus dans la requête,
généralement sous forme de paramètres d'URL ou de
données de formulaire.
- Réception des requêtes dans
Flask : dans l'application Flask, les requêtes provenant de l'application
Laravel sont reçues et traitées par les routes correspondantes de
l'API. Les paramètres de la requête sont extraits et
utilisés pour déterminer les données de prix
spécifiques à renvoyer en réponse.
- Récupération des
données de prix : Dans Flask, les données de prix sont
récupérées à partir de la source de données
appropriée, comme une base de données ou un fichier CSV. Les
données sont ensuite préparées pour être
renvoyées à l'application Laravel sous forme de réponse
JSON. Cela peut impliquer des étapes telles que l'extraction des
données pertinentes, la transformation ou la mise à
l'échelle des données, selon les besoins.
- Envoi de la réponse JSON à
Laravel : une fois les données de prix préparées, Flask
envoie la réponse JSON contenant les données à
l'application Laravel.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des60.png)
46
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
La réponse est renvoyée en tant que
résultat de la requête HTTP initiale et peut être
utilisée par l'application Laravel pour afficher les graphiques de prix
correspondants.
- Traitement des données
côté client dans Laravel : dans l'application Laravel, le JSON de
réponse est traité côté client à l'aide de
JavaScript. Les données JSON sont analysées et
transformées en un format approprié pour le tracé des
graphiques. Des bibliothèques JavaScript telles que Chart.js peuvent
être utilisées pour créer les graphiques interactifs et les
intégrer dans la vue Laravel.
- Affichage des graphiques dans la vue
Laravel : les graphiques de variation des prix sont affichés dans la vue
Laravel. Cela peut être réalisé en intégrant les
graphiques JavaScript dans la vue à l'aide de balises HTML
appropriées. Les utilisateurs peuvent interagir avec les graphiques,
sélectionner des périodes de temps, zoomer, déplacer, et
obtenir des informations supplémentaires au survol.
En conclusion, le processus de communication entre
l'application Flask et Laravel pour la création de la vue Laravel
implique l'établissement d'une API RESTful, l'envoi de requêtes
depuis l'application Laravel vers l'API Flask, la récupération
des données de prix dans Flask, l'envoi de la réponse JSON
à Laravel, le traitement des données côté client
dans Laravel, et enfin, l'affichage des graphiques dans la vue Laravel. Ce
processus permet aux utilisateurs de visualiser facilement la variation des
prix des produits agricoles dans une interface conviviale.
4.3 Modélisation en UML
4.3.1 Modélisation des cas d'utilisation
Le diagramme des cas d'utilisation présenté sur
la figure ci-dessous prend en compte les deux acteurs clés du
système :
· les utilisateurs (visiteur, agriculteurs,
investisseurs, ...) : s'inscrire pour recevoir les notifications et consulter
les prévisions.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des61.png)
47
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
· L'administrateur: Gestion des utilisateurs et des
notifications.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des62.png)
Figure 14. Diagramme de cas d'utilisation
Source: (Réalisation personnelle, 2023)
4.3.2 Modélisation des diagrammes de classe
Le diagramme des classes permet de modéliser un
ensemble de classes, de même nature ou de natures différentes, qui
sont en relation d'une façon ou d'une autre (Valade, 2017). Le diagramme
des classes relatif à notre étude se présente comme suit
:
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des63.png)
48
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des64.png)
Figure 15. Diagramme de classe
Source : (Réalisation personnelle,
2023)
4.3.3 Élaboration des diagrammes de
séquence
Dans cette partie, nous allons présenter les
interactions dynamiques entre les différents acteurs de notre
système à travers des diagrammes de séquences. Ces
derniers représentent temporairement les tâches effectuées
par les acteurs et objets du système en montrant ceux qui participent
à l'interaction par leur « ligne de vie » et les messages
qu'ils échangent, ordonnancés dans le temps sans spécifier
les associations entre objets. Ici, nous présenterons les diagrammes de
séquence à travers ceux des cas d'utilisation «
S'authentifier » pour l'admin et le cas d'utilisation « Visualiser
» disponible pour tous utilisateurs.
? Diagramme de séquences du cas d'utilisation
S'authentifier
Lorsque l'administrateur se connecte, il est redirigé
vers la page d'authentification. Il lui est alors demandé de remplir les
informations de connexion. Ces informations sont ensuite
vérifiées par la plateforme. Si les données saisies ne
sont pas correctes, un message d'erreur s'affiche. Sinon, l'administrateur est
redirigé vers la page d'accueil réservée aux
administrateurs.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des65.png)
49
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des66.png)
Figure 16. Diagramme de séquences du cas
d'utilisation S'authentifier Source: (Réalisation
personnelle, 2023)
? Diagramme de séquences de Visualisation du prix
Lorsque l'utilisateur accède à la page
d'accueil, un formulaire lui est présenté afin de renseigner les
informations nécessaires pour la prédiction. L'utilisateur
fournit des informations telles que l'année, le mois, le
département, la commune et le marché. Ces informations sont
utilisées pour exécuter l'algorithme qui renverra ensuite la page
de visualisation des prix correspondante.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des67.png)
50
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des68.png)
Figure 17. Diagramme de séquences de Visualisation du
prix Source: (Réalisation personnelle, 2023)
4.4 Réalisation de la plateforme de
prévision HarvestInsight
L'architecture globale de notre système comprend les
modules suivants :
· visualiser les prix réels actuels et du
passé si disponibles;
· visualiser la prévision des prix sur une
période définie;
· s'inscrire pour recevoir des notifications.
À l'étape de réalisation, en nous
servant du prototype réalisé grâce à l'outil Figma,
nous avons implémenté la partie visible de l'application et la
logique qui lui est associée. Les différentes
fonctionnalités ont été implémentées,
testées, améliorées et intégrées.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des69.png)
51
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des70.png)
52
4.4.1 Page d'accueil
Cette interface présente des données sur
l'évolution des prix de quelque produit agricole
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des71.png)
Figure 18. Interface d'accueil 4.4.2 Page de
prévision
Elle représente le projet en elle-même.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des72.png)
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des73.png)
Figure 19. Aperçu de l'interface de la page de
prévision
4.5 Analyse des résultats
Pour la construction du modèle, le jeu de
données est utilisé de la façon suivante : 70%, soit 975
données sont utilisées pour entrainer le modèle et 30%,
soit 416 données sont utilisées pour évaluer le
modèle. Il faut noter qu'au cours de l'entraînement, les erreurs
d'entraînement variaient de 0,025 à 0,033 ce qui montre que
le modèle est bien entraîné et pourra être
utilisé pour des prédictions. Ces erreurs sont
représentées sur le graphe ci-dessous.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des74.png)
Figure 20. Courbes des erreurs d'entrainement et de
validation
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des75.png)
53
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
Source : (Réalisation personnelle,
2023)
Au cours de l'évaluation, l'algorithme a
présenté une erreur allant de 0,04 à 0,05.
Cette erreur peut se justifier par la quantité de
données (prix collectés sur 11 ans de 2012 à 2023)
utilisée. En augmentant le jeu de données initiales les erreurs
de modélisation vont certainement se réduire.
On peut déduire de l'analyse que la
précision du modèle de prédiction des prix de maïs
conçu dans le cas du présent projet est de 95%. Cette
précision démontre que l'algorithme de prédiction est
performant et peut être utilisé. Toutefois, des pistes
d'amélioration restent envisageables. La prise en compte des facteurs
agroécologiques qui influencent les prix des denrées agricoles
sur le marché serait une étape décisive dans la
précision (Gildas David Farid Adamon et Miton Abel Konnon, 2023).
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des76.png)
54
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
CONCLUSION
Le stage réalisé à la fin de notre
formation a permis d'appliquer les connaissances acquises tout au long du
parcours académique à des situations réelles, en mettant
en pratique les compétences techniques liées au
développement web. Le stage a également offert
l'opportunité de se familiariser avec l'environnement professionnel et
de se confronter aux défis et aux contraintes réelles du travail
en équipe.
Le projet de prédiction des prix du
maïs au Bénin que nous avons réalisé a permis de
mettre en évidence l'importance de l'utilisation de techniques
avancées d'analyse de données et d'apprentissage automatique pour
améliorer la prise de décision dans le secteur agricole.
Grâce à la collecte et au prétraitement des données
historiques du maïs, la construction et l'entraînement du
modèle LSTM, et l'intégration harmonieuse avec la plateforme web
de visualisation, ce projet a permis de fournir des prédictions des prix
du maïs avec une précision de 95%. Ces prédictions peuvent
aider les agriculteurs, les commerçants, les décideurs et les
organisations gouvernementales à prendre des décisions
éclairées.
En perspective, Il est important de prendre en compte les
spécificités du contexte agricole local, et d'adapter le
modèle de prédiction en conséquence pour de meilleurs
résultats.
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des77.png)
55
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
REFERENCES BIBLIOGRAPHIQUES
· Antonio Lopez (2016). Learning PHP 7. Packt
Publishing, - 606 p.
· Gildas David Farid Adamon, Miton Abel
Konnon, Merscial Raymond, Rodolphe N'deji, Aimé Agonman,
Adonaï Gbaguidi, Togon Clotilde Guidi, Latif Adeniyi Fagbemi (2023).
Estimation of Water Hyacinth Using Computer Vision, Environment and Pollution,
Vol. 12, N° 1, pp. 1- 11.
· Miton Abel Konnon, Abdou-Aziz Sobabe Ali Tahirou,
Ismail M. Moumouni, M.F. Dieu-Donné Konnon (2023). Agricultural Market
Information Governance: A Capability-Oriented National Framework for Benin
Republic. International Journal of Advanced Research, Vol. 11, N° 1, pp.
566- 577;
· Pascal Roques (2006), UML2 par la pratique.
Cinquième Edition, EYROLLES. - 338 p.
· Valade, J. (2017). PHP et MySQL pour les nuls.
Sixième Edition, First interactive. - 830 p.
· Z. Chen, H.S. Goh, K.L. Sin, K. Lim, N.K.H. Chung,
X.Y. Liew (2021). "Automated Agriculture Commodity Price Prediction System with
Machine Learning Techniques", Advances in Science, Technology and Engineering
Systems Journal, vol. 6, no. 4, pp. 376-384.
·
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des78.png)
56
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
WEBOGRAPHIE
Dans le cadre de la réalisation de notre projet, nous
avons consulté les sites web ci-après :
·
https://intellipaat.com/blog/what-is-lstm/?US
, dernière consultation le 10 juin 2023
· Home - Advances in Science, Technology and
Engineering Systems Journal (
astesj.com) , dernière
consultation le 10 juin 2023
·
https://www.chartjs.org/docs/latest/,
dernière consultation le 10 juin 2023
·
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.iloc.html,
dernière consultation le 10 juin 2023
·
https://openclassrooms.com/fr/courses/5801891-initiez-vous-au-deep-learning/5814656-decouvrez-les-cellules-a-memoire-interne-les-lstm,
dernière consultation le 10 juin 2023
·
https://www.researchgate.net/figure/Flowchart-of-the-IPSO-LSTM-
model-for-stock-index-forecasting fig2 349012005,
dernière
consultation le 10 juin 2023
·
https://www.researchgate.net/publication/
368314920 AGRICULTURAL MARKET INFORMATION GOVER NANCE A
CAPABILITY-ORIENTEDNATIONALFRAMEWORKFORBENINREPUBLIC, dernière
consultation le 10 juin 2023
· TensorFlow : https://www.tensorflow.org/ ,
dernière consultation le 10 juin 2023
· Keras: https https://keras.io/ ,
dernière consultation le 10 juin 2023
· Flask : https://flask.palletsprojects.com/ ,
dernière consultation le 10 juin 2023
· NumPy : https://numpy.org/ , dernière
consultation le 10 juin 2023
· FAO - Organisation des Nations Unies pour
l'alimentation et l'agriculture (
www.fao.org ) , dernière
consultation le 10 juin 2023
![](Developpement-dun-systeme-pour-la-prevision-des-prix-des-produits-agricoles-par-lanalyse-des79.png)
57
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN