Cet article vise à aborder la forte consommation énergétique des modèles d'apprentissage automatique existants pour traiter et prédire efficacement des données mobiles en constante augmentation. À cette fin, nous avons étudié la prédiction du trafic mobile à l'aide de modèles bio-inspirés économes en énergie, les réseaux de neurones à pics (SNN) et les réseaux d'états d'écho (ESN). À partir de données provenant de trois sites de Barcelone, nous avons comparé et analysé les performances prédictives et la consommation énergétique des SNN, des ESN, des CNN et des modèles MLP. Nous avons également évalué leurs performances et leur efficacité énergétique dans des environnements centralisés et distribués (fédérés). Nos résultats démontrent que les SNN et les ESN peuvent réduire considérablement la consommation d'énergie tout en maintenant une précision de prédiction comparable à celle des modèles existants, démontrant une efficacité énergétique particulièrement élevée dans les environnements distribués. Cela suggère le potentiel des modèles bio-inspirés pour une prédiction du trafic mobile durable et respectueuse de la vie privée.
