Comment Watty estime votre DPE — données sources, fonctionnement du modèle, précision statistique et limites connues.
Nous utilisons exclusivement des données ouvertes et publiques (Open Data français). Aucun achat de données n'a été effectué, et aucune donnée personnelle identifiante n'entre dans le modèle prédictif.
| Source | Ce qu'on en tire | Provenance |
|---|---|---|
| Consommation | Consommation électrique réelle | Enedis (Consommation d'électricité annuelle résidentielle par adresse) |
| Logement | Surface, type, année de construction, isolation, chauffage... | ADEME (Base des DPE Logements existants depuis juillet 2021) |
15 millions
de logements analysés pour l'entraînement
France Entière
Couverture géographique (Métropole)
À partir de milliers de logements réels observés, Watty apprend le lien logique reliant les caractéristiques structurelles d'une habitation à sa consommation énergétique. Il applique ensuite ces enseignements pour évaluer votre propre logement.
Nous nous appuyons sur XGBoost (eXtreme Gradient Boosting), un algorithme d'apprentissage supervisé par arbres de décision successifs. Au lieu de faire une simple moyenne, l'algorithme construit une multitude de petits arbres séquentiels, chacun s'efforçant de corriger les erreurs résiduelles de l'arbre précédent.
Pourquoi XGBoost ? Il gère à la perfection les données structurées et tabulaires complexes (mélangeant des données numériques comme la surface et catégorielles comme le type de chauffage), capture les interactions non linéaires entre variables (ex: l'impact d'une isolation moyenne combinée à une altitude élevée), et présente un format JSON ultra-léger parfaitement adapté à une exécution locale immédiate dans le navigateur de l'utilisateur.
Plutôt que d'utiliser un modèle unique global, l'estimateur s'appuie sur une matrice de 168 modèles localisés (14 régions × 6 tranches de surfaces). Cela permet d'ajuster au mieux les spécificités géographiques (les zones météorologiques influent fortement sur le besoin en chauffage) et d'intégrer les subtilités du moteur réglementaire 3CL de l'ADEME (qui adapte les occupants théoriques en fonction de la superficie). De plus, ce découpage a rendu possible le traitement de plus de 50 Go de données d'apprentissage sur des machines de bureau standards.
Afin d'évaluer fidèlement la précision des algorithmes, nous avons partagé nos données en deux sous-ensembles : 80 % pour l'apprentissage (pour configurer les arbres) et 20 % pour le test (données vierges jamais vues par les modèles, servant uniquement à l'évaluation).
Le R² mesure la part de la variabilité de la consommation que le modèle parvient à modéliser. Un score de ~0,80 signifie que le modèle explique 80 % de la variance de consommation énergétique réelle. C'est de cette métrique qu'est dérivée la précision de 80 % affichée sur notre site.
Le RMSE mesure l'écart type entre l'estimation statistique et la consommation mesurée d'un logement. Il donne la dispersion moyenne de l'erreur. Cette marge d'erreur s'explique par les disparités d'habitudes d'usage réels ainsi que par le bruit présent dans les diagnostics sources.
Les prédictions de machine learning reposent sur des approches probabilistes. Il est donc indispensable d'accompagner l'estimation d'une fourchette reflétant l'incertitude statistique inhérente au modèle.
Pour chaque prédiction, Watty associe un intervalle de confiance à 90 % basé sur le RMSE réel calculé lors du test du modèle spécifique (département / surface). Le niveau de confiance à 90 % correspond à un coefficient statistique multiplicateur z-score de 1,645.
• Énergie Primaire Globale (EP) : Marge d'erreur Δ = 1,645 × RMSE. La valeur affichée est : [Consommation - Δ ; Consommation + Δ].
• Énergie Primaire par m² : Marge d'erreur Δ_m2 = (1,645 × RMSE) / Surface Habitable.
• Énergie Finale Électrique (EF) : Le modèle convertit l'énergie primaire en énergie finale en la divisant par le facteur de conversion officiel (2,3 pour l'électricité en France). Marge Δ_ef = (1,645 × RMSE) / 2,3.
• Coût Annuel Estimé (Euros) : Calculé sur l'énergie finale moyenne multipliée par le coût moyen de l'électricité (tarif bleu réglementé à 0,2516 € / kWh). Marge Δ_euros = ((1,645 × RMSE) / 2,3) × 0,2516 €.
Une aide à la décision, pas une science exacte : Cette fourchette indique la bonne direction pour engager des travaux d'économie d'énergie. Il faut aussi noter que les données sources de l'ADEME contiennent elles-mêmes des erreurs humaines de saisie ou des imprécisions de mesures réalisées sur le terrain, ce qui ajoute un bruit de fond que le modèle doit filtrer.
Un DPE officiel est calculé pour des conditions d'occupation standardisées et théoriques (ex: température constante de 19°C, occupation moyenne). Dans la réalité, l'usage des habitants fait fortement varier la consommation d'énergie.
Pour modéliser cette incertitude comportementale, nous utilisons des simulations de type Monte-Carlo. En faisant varier aléatoirement les variables d'usage (la température de chauffe entre 17°C et 22°C, le nombre d'habitants réels et les heures de présence à domicile) selon des lois statistiques représentatives, nous réalisons des milliers de simulations informatiques.
Cela nous permet d'observer la dispersion des résultats et d'attribuer une probabilité de transition vers une classe supérieure. C'est cette méthode qui permet à Watty de calibrer au mieux la consommation « réelle » ressentie par les occupants face aux caractéristiques structurelles et froides du bâtiment.
Cette estimation est intégralement calculée par une intelligence artificielle de type Machine Learning, de façon autonome et sans validation humaine intermédiaire sur votre dossier. C'est un outil purement indicatif qui ne remplace ni l'expertise humaine, ni la méthode de calcul réglementaire officielle du DPE.
Lien officiel vers la documentation technique : Méthode 3CL ADEME
Ce qu'on collecte : Nous demandons uniquement les informations du questionnaire nécessaires à l'algorithme (département, surface, isolation, etc.). Aucun nom, email ou adresse précise n'est collecté pendant le calcul.
Stockage : Les réponses sont stockées localement sur votre propre ordinateur (via localStorage) pour afficher le récapitulatif. Aucune donnée n'est envoyée vers nos serveurs ou revendue à des tiers.
Développé par : Clément Fritsch Vidal, Nathan Baudron, Eleana Tran, Tristan Paillot, Lily Mei Thibaud.
Projet étudiant Capstone réalisé en partenariat étroit avec HEC Paris, Open Data University, Enedis, Latitudes et sous l'encadrement d'Ismaël Ouattara.
Vous observez une anomalie ou vous souhaitez nous aider à optimiser l'estimateur de Watty ? Écrivez-nous à notre adresse de contact :
projetcapstonedpe@gmail.comDPE (Diagnostic de Performance Énergétique)
Document d'évaluation officiel indiquant la consommation énergétique d'un logement et son impact gaz à effet de serre.
kWh EP / m² / an
Unité de mesure du DPE. Exprime la consommation totale d'énergie primaire du logement rapportée à sa superficie par an.
XGBoost
Modèle algorithmique de gradient boosting basé sur des arbres de décision. C'est le moteur prédictif employé par Watty.
R² (Coefficient de détermination)
Indicateur de qualité statistique compris entre 0 et 1. Il évalue la part de variabilité expliquée par le modèle.
RMSE (Root Mean Square Error)
Écart type moyen des résidus de prédiction. Il exprime la dispersion moyenne de l'erreur dans l'unité de départ.
Intervalle de confiance
Fourchette de valeurs au sein de laquelle se situe la consommation réelle du logement avec un niveau de probabilité donné (ici 90 %).
Estimez gratuitement et en 5 minutes votre classe énergétique et recevez nos conseils d'amélioration.