Post-Doc - Méthodes de prévision avec variables exogènes pour le trafic de roaming international - 12 mois - F/H
Orange
Chatillon, France
il y a 4j

about the role

Votre rôle est d'effectuer un travail de post doc sur : Méthodes de prévision avec variables exogènes pour le trafic de roaming international

Le roaming international permet aux abonnés d'un opérateur de réseau mobile de continuer d'accéder à leurs services (voix, sms, data) lorsqu'ils voyagent à l'étranger, en utilisant les ressources d'un opérateur local au pays qu'ils visitent.

Cela donne lieu à une rétribution de cet opérateur local par l'opérateur nominal des abonnés en roaming. Cette rétribution est cadrée par des accords commerciaux entre les opérateurs partenaires en fonction du volume total de trafic de roaming sur l'année.

Pour un opérateur mondial, les coûts de reversement inter-opérateurs peuvent atteindre plusieurs milliards d'euros par an.

L'optimisation de ces coûts est donc capitale pour Orange mais deux questions majeures se posent :

1) comment négocier au mieux les fonctions-coût des accords commerciaux avec chacun des opérateurs partenaires ?

2) comment répartir les abonnés en roaming à l'étranger des filiales Orange entre les opérateurs locaux aux pays visités ?

Pour répondre à ces questions, le manager du wholesale roaming a besoin de deux types de prévisions du trafic. Dans la 1ère phase négociation , il s'appuie sur des prévisions du trafic pour l'année à venir et dans la 2ème phase décision de la politique de steering sur des prévisions mensuelles du trafic.

Avoir de bonnes prévisions de trafic pour les filiales constitue donc la pierre angulaire de l'optimisation des décisions d'orientation du trafic.

Au sein du groupe, différentes expérimentations ont montré que : 1) ces séries temporelles sont sujettes à des évènements externes qui peuvent avoir une influence très forte sur le volume du trafic et 2) intégrer ces informations externes permet d'améliorer la qualité de la prévision de ce trafic.

Au cours du post-doc, nous nous intéresserons aux approches de cross-learning qui permettent de tirer profit des connaissances existantes dans les autres séries temporelles et ainsi améliorer les performances de prédiction.

Ces connaissances peuvent être des effets d'évènements observés dans d'autres pays. Par exemple, les données sur un évènement rare comme les JO, qui ont eu lieu par le passé dans certains pays, peuvent anticiper l'effet qu'ils auront dans le futur dans un autre pays.

Ce type d'approches est devenu populaire à l'issue de la compétition M4 1 où deux approches se sont distinguées par rapport aux approches traditionnelles : ES-RNN 3 qui apprend un réseau de neurones à partir de séries préalablement prétraitées à l'aide d'un filtrage exponentiel, et FFORMA 2 qui apprend plusieurs modèles et les combine ensuite avec des pondérations apprises par un xgboost à partir des caractéristiques des séries.

La problématique de ce post-doc est d'explorer l'état de l'art de ces approches de cross-learning et de mettre au point une nouvelle approche de prévision la plus performante possible.

Cette approche doit être capable de prévoir le trafic envoyé par les filiales mensuellement dans chaque pays pour les trois services et d'estimer l'incertitude dans chaque prévision.

1 Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition : 100,000 time series and 61 forecasting methods.

International Journal of Forecasting

2 Montero-Manso, P., Athanasopoulos, G., Hyndman, R. J., & Talagala, T. S. (2020). FFORMA : Feature-based forecast model averaging.

International Journal of Forecasting

3 Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting

about you

Le profil souhaité est BAC+8 : un doctorat en machine learning et / ou statistiques, idéalement consacré à la prévision de séries temporelles.

Une expérience dans le domaine des statistiques et / ou machine learning au sein d'une équipe de R&D serait un plus.

Le post-doctorant doit avoir une bonne connaissance des statistiques et des mathématiques. Des connaissances en apprentissage statistique sont requises.

Des compétences en programmation sont nécessaires : maitrise d'un langage de script (à minima) dédié à l'analyse de données (R, Matlab, Python avec bibliothèque Scikit-learn ).

La connaissance d'un langage orienté objet serait appréciée. Une forte motivation, des capacités de synthèse, à bien rédiger et présenter les travaux (anglais) et à s'intégrer dans une équipe sont également demandées.

additional information

Vous travaillerez sur un cas d'usage à fort enjeu économique (coûts financiers de l'ordre de plusieurs milliards d'euros par an) et vous aurez la possibilité d'intégrer rapidement vos contributions dans l'écosystème d'Orange et de les valoriser sous forme de publications scientifiques.

department

Orange est un acteur clé de l'innovation numérique. Dans un secteur des technologies de l'information et de la communication qui connaît un bouleversement de sa chaîne de valeur, avec la multiplication des acteurs et l'apparition de nouveaux modèles économiques, l'innovation constitue un levier majeur de croissance pour le groupe Orange.

Orange a pour ambition de rendre l'innovation utile et accessible au plus grand nombre. En rassemblant les activités autour de la création d'innovations stratégiques, la recherche et la mise en oeuvre des politiques techniques et data pour le Groupe Orange, la division Orange Innovation (OI) est le moteur de cette innovation.

En rejoignant Orange au sein d'Orange Innovation IT and Services, direction Digital Infrastructure & End-to-end Secure Environments, vous rejoindrez l'équipe :

  • Business and Research Artificial INtelligence solutions (BRAIN) au sein du département Data Intelligence et Algorithmes d'Orange Labs Services.
  • Cette équipe composée d'experts en IA a un réel savoir-faire algorithmique et opérationnel. Cette équipe a pour mission d'aider nos directions métiers et nos filiales à développer l'usage de l'intelligence artificielle et du big data dans leur métier, d'assurer une veille technologique autour de l'IA et d'industrialiser les solutions internes.

    Vous travaillerez en étroite collaboration avec l'équipe :

  • Modélisation et Analyse Statistique (MSA) au sein du département Green Data Modeling (GDM). Cette équipe est composée d'experts en modélisation de trafic réseaux, aussi bien fixes que mobiles.
  • Ces activités ont pour objectifs : i) d'améliorer notre connaissance des usages du réseau et ii) d'estimer et d'optimiser les coûts d'infrastructure des réseaux utilisant les technologies de nouvelle génération (fibre optique, réseaux mobiles 4G et 5G, ) par zones géographiques.

    Post Doc

    Signaler cette offre d'emploi
    checkmark

    Thank you for reporting this job!

    Your feedback will help us improve the quality of our services.

    Postuler
    Mon email
    En cliquant sur « Continuer », je consens au traitement de mes données et à recevoir des alertes email, tel que détaillé dans la Politique de confidentialité de neuvoo. Je peux retirer mon consentement ou me désinscrire à tout moment.
    Continuer
    Formulaire de candidature